自动驾驶技术是从数据还是最先进的算法中获得更多呢？

Question

当人们开始认为在不久的将来，自动驾驶汽车将取代一些道路上的车辆，这意味着机器人软件中的学习者可以达到一个很低的经验误差，从而保证乘客的安全。在我们看来，大量的驾驶数据和深入的强化学习算法在很大程度上促进了自动驾驶实践的成功。

当涉及到我们自己实践的许多情况时，我们还无法建立一个如此高精度的预测模型，从而给我们自己的业务带来巨大的差异。

我的问题是，当我看到机器学习技术能够在汽车驾驶上产生革命，因为它成功地实现了行为克隆任务，那么这一成功的首要原因是什么，大训练数据集，深强化学习技术，或者在自动驾驶问题中的任何特殊原因？

此外，我们在机器学习中解决的大多数实际问题中，这种成功能否被复制？换句话说，如果今天的机器学习技术能够帮助一辆汽车自动驾驶，那么在开发我自己的预测模型以促进我的业务时，我如何才能取得同样的成功呢？如果我们不能，限制是什么，在特定情况下没有足够的数据，还是还没有一个聪明的模型？自我驾驶蓬勃发展的原因可以帮助回答这个问题。

Answer 1

我会给出一个高层次的答案。

我们对努力的偏见，

尽管自动驾驶技术正处于主流化的边缘，但令人难以置信的努力已经进入了它的发展。DARPA的大挑战，帮助这项技术的进步，开始于2004年。想象一下在13到14年的时间里，这项技术所付出的全部努力。设立许多实验室的唯一目的是在这一挑战中竞争。

所以当你说我们不能在我们的业务中直接复制成功的时候，最好问一问这种比较是否公平。在你的事业中，你是否曾在这么大程度上解决过一个问题，以至于许多聪明的人多年来一直致力于这个问题？如果不是，这种比较是不公平的(对你的生意！)

自动驾驶汽车不是一夜之间的成功，因为一个单一的算法。

没有单一的秘密酱

媒体报道让我们相信，有一种算法支配着技术，现实更加复杂。查看这篇关于任务复杂性的评论文章。。涉及的模块有很多(传感器、感知、计划和控制模块、反馈回路)。是的，概率和机器学习在所有模块中起着很大的作用，但是没有单一的甲骨文算法。像Kalman滤波器这样的旧算法也有很大的工作量，但是在深入学习的炒作中却没有被提及。

是的，大数据有帮助，强化学习也有帮助。但是，从人工干预、控制理论和更老的算法中推断出的规则也是如此。

摘要

从工程(经典控制理论，强化学习，机器学习)的许多领域形成了自动驾驶汽车的基础。我们不可能轻易地将成功复制到其他领域:没有单一的秘密酱料，而是大量的辛勤工作和长期的扎实工程。