盖世汽车讯 5月20日，自动驾驶汽车 (AV) 技术公司May Mobility宣布推出其第五代自动驾驶系统。该自动驾驶系统融合了深度学习、预测世界模型以及 May Mobility 久经考验的推理引擎，打造出高效的车载架构。

视频来源：May Mobility

May Mobility 的技术架构与模块化自动驾驶系统和纯粹的端到端模型截然不同。深度学习和推理的融合使系统能够充分利用训练数据，同时理解车辆实际环境的变化并做出相应的反应。这些方法的结合使 May Mobility 的自动驾驶汽车能够适应新的场景、新的地理环境和复杂的驾驶条件，而无需像传统自动驾驶系统那样依赖大量的数据和计算资源。

最新升级进一步提升了May Mobility久经考验的自动驾驶能力。迄今为止，该系统已成功完成超过52.5万次商业出行，累计自动驾驶里程超过110万英里，其中包括在美国三个州的无人驾驶部署。在公共道路上，该系统显著提升了行驶平顺性，并增强了驾驶员在复杂路况下的信心。

“靠记忆驾驶是不可取的——人类无需了解十亿英里的道路就能安全驾驶。大脑会立即构建一个世界心理模型，然后进行推理。我们的新系统也采用了同样的驾驶方式，并彻底改变了自动驾驶安全扩展的方式。”May Mobility首席执行官兼创始人Edwin Olson博士表示。

传统的自动驾驶模型基于大量驾驶数据进行训练，能够有效应对以往遇到的情况。然而，当遇到训练数据之外的情况时，这些系统可能显得脆弱。May Mobility 可以通过两个在车载环境下协同运行的融合组件来解决此类极端情况：

世界模型

May Mobility 的集成世界模型使其能够实时推理训练数据之外的复杂情况。它通过对物理定律、道路规则和驾驶文化的提炼，理解车辆周围的环境。

反复应用世界模型，车辆每 200 毫秒即可进行数百次“假设”模拟分析，每次模拟都代表一种可能的未来情况。该模型预测每位道路使用者的行为将如何影响其他使用者，每次模拟最多可预测未来 10 秒的情况。通过评估一系列可能的未来情况，May Mobility 的自动驾驶技术并非简单地将情况与训练数据进行匹配，而是深入思考场景并确定最安全的路径。

推理与规划引擎

大多数自动驾驶系统仅输出单一的驾驶策略，缺乏可供验证的替代方案。而May Mobility的多策略推理系统则从多种策略中进行选择，这些策略相互竞争，最终根据各自对世界模型生成的模拟未来场景的处理能力来决定车辆的控制权。该系统在极短时间内即可模拟经过深度学习和验证的策略的结果，并拒绝任何不符合其安全参数的操作。因此，车辆控制权始终是可追溯的，并且其来源可追溯，这与端到端（E2E）模型有着关键区别。

更小的模型，更低的硬件成本

May Mobility 的第五代自动驾驶系统为经济高效的系统奠定了基础，该系统能够有效地扩展到自动驾驶出行市场，挑战了行业内关于实现完全自动驾驶需要海量数据集和定制硬件的传统观念。传统的自动驾驶系统需要“记忆所有情况”，因此成本高昂，因为需要收集和训练海量数据集，从而构建出庞大的模型。May Mobility 的模型基于对世界运行规律的理解，而不是记忆所有已观察到的情况，因此模型体积更小。这反过来又可以降低硬件成本，使其能够比传统方法更有效地安全处理复杂的“长尾”情况。

推进自动驾驶网约车服务

May Mobility 已开始推出技术升级，旨在提升现有车队的性能，并为不久的将来部署新的无人驾驶服务奠定基础。网约车平台将率先体验这项新技术，其中包括 May Mobility 即将在德克萨斯州阿灵顿市的 Uber 平台上部署的自动驾驶系统。