自动驾驶车辆面临的关键挑战在与行人的互动过程中。在我们的自行车车辆的发展中，Uber的数据工程和数据科学团队阿格（高级技术组）有助于帮助使这些交互安全的数据处理和分析。

通过数据，我们可以学习汽车和行人在一个城市的运动，并培训我们的自动驾驶车辆如何开车。我们在带有激光乐的汽车的城市映射人行动，搜索从有趣的道路上收集的视频，现实生活中可以用于模型培训，建造和报告模拟，以及在封闭的轨道和真正的道路上进行测试加强我们的培训。

自驾驶车辆的计算机大脑只能通过数据了解其环境。通过我们的数据收集和建模，我们努力提供我们的自动驾驶车辆对城市的最佳理解。

数据工程和数据科学团队优步阿格在用数据充电和供电时，在对电池充电和洞察力供电的关键作用。要开始，数据工程团队负责收取来自不同来源的数据，并使它可以分析。然后，数据科学团队拿起巴登来发现数据的见解。

一个充满数据的城市

要了解自动驾驶车辆驱动器的城市，我们首先提出问题：有多少行人走一条典型的街道？他们走路有多快？他们多久过一次街道？从本质上讲，我们试图确定一个自动驾驶车辆可能面对真正的道路的挑战，以便定义面临这些挑战所需的能力。例如，人们在真正的道路上穿过街道的方式通知自动驾驶车辆如何在那些遭遇中行事。

但是你如何开始回答这些问题？一种方法是驾驶带有相机和激光乐的汽车，以记录行人如何在真正的城市街道上行动。

例如，在上面的图2和3中，我们描绘了由ATG的自动驾驶车辆记录的基于地图的可视化。虚线的白线表示自动驾驶车辆在其中驾驶的地方，而彩色点和圆圈表示行走和常设行人。为了使类似于此类的可视化，ATG数据工程团队通过创建流水管开始将从自动车辆收集的原始数据移动到数据科学家可以分析的格式。然后，数据科学团队分析了提取洞察力的数据，例如行人运动的特征，促进机器学习模型的信息，用于检测行人，自驾驶车辆的基本能力。

机器学习在城市

表征行人运动创造了识别自驾驶车辆可能遇到行人的具体情况的机会，例如，当他们使用人行横道时。随着数千种这样的例子，它可以训练机器学习模型以了解和预测具有非常高的准确性的行人行为。在上面的可视化中，数据科学家使用数据工程团队的数据来调整，以搜索历史日志并找到城市的区域，其中有很多行人。然后在模型训练中使用这些实例，以更好地模拟一个城市的行人行为，从而更准确地模拟真正的行人行为。

模拟一个城市

真正城市行人运动的知识也通知了模拟城市的建设。例如，来自道路的各种行人示例有助于定义代表的行人模拟集。这些定义与真实行为的模拟世界对齐 - 有很多这样的对齐。例如，行人平均走的速度有多快？他们开始快速行走？他们是Zig.或者ZAG.更多的？他们的jaywalking风格是什么？为所有这些情况设定高和低的值，以确保模拟变化涵盖实际行业行为中所看到或预期的差异。

图5描绘了在参数的三维维度的特定场景的数百个变化的通过/失败结果，例如行人步行。绿点（通过）和红色点之间的边界是自动驾驶车辆软件不能再处理场景的条件（例如，如果行人比人类从人类所期望的速度速度快）更快）。这个边界代表了软件改进或情景改进机会的机会，就像情况不那么现实一样。

赛道上的微型城市

轨道测试将模拟结果连接回物理世界。用于通知模拟场景的人行性特征数据也用于改善轨道上行人情景的设计。以上是在轨道上的自驱动车辆数据的可视化，以指示在许多场景测试的过程中发生不同的跟踪值。

当安全关键方案在轨道上取得成功时，它是对安全团队的有意义的信号，即自驾驶车辆具有在第一次观察到这些情景的同一个城市街道上的能力。

通过道路测试不断学习城市

在真正的城市街道上驾驶为我们开始的地方为我们开始的全部圈子。道路运营帮助ATG在公共道路上测试自动驾驶车辆，同时收集新数据进行分析。该数据供电的反馈循环指示我们预期的场景是否符合自动驾驶车辆与现实匹配和测试的功能。

以上是一种可视化地图，即自驾驶车辆用于从数据科学家的角度来导航真实的城市街道。使用可用于分析的地图数据，例如，可以选择特定类型的泳道并单独分析它们。这些通道着色，代表了不同的行人活动。

从驾驶真正的城市街道，基于所收集的数据训练模型，建立和测试模拟和轨道的场景，再次返回真正城市街道上的驱动，数据是开发和操作自驾驶车辆的不可或缺的一部分。对于驱动本身的汽车，数据是燃料。

有兴趣使用超级atg推送运输针吗？考虑申请职责我们的队伍！！