Lyft收集共乘服務行車路況資料，訓練自駕車漂亮過彎

共享乘車服務Lyft平臺上的部分共享車輛，現在會裝設低成本攝影機，拍攝人類駕駛日常所見到的場景，這些資料會被用來訓練自駕車系統，學習人類駕駛遇到特殊情況時的行為。

共享乘車服務的過程，涵蓋各種駕駛情境，從接乘客上車，到抵達目的地後讓乘客下車，每一個步驟都需要駕駛依經驗思考並做出判斷。收集共乘車輛行車路況，可以擴展Lyft對人類駕駛行為的了解，並將人類駕駛經驗應用到自駕車上，以解決自駕車系統棘手的問題。

這項路況資料不只能用來準確建置和更新3D地圖，也能訓練自駕車理解人類駕駛模式，Lyft提到，實際的行車路況影像，將可提高自駕車系統應付複雜狀況的能力。

Lyft使用共乘車輛的路況資料，結合2018年併購Blue Vision Labs所獲得的技術，建構出準確的3D地圖，由於Lyft平臺的共享乘車服務，覆蓋範圍相當廣，因此Lyft已經繪製了數千公里的地圖，並且持續地根據串流資料，更新地圖資訊，這些串流資料會在每趟乘車服務結束之後，立刻被記錄下來。

精確的3D地圖資訊，還包含了駕駛環境相關資訊，像是車輛行駛的車道，以及交通號誌資訊，Lyft應用電腦視覺以及其他機器學習技術，分析共乘車輛路況資料，自動辨識交通環境的物體，以獲得駕駛環境資料，像是車道的位置，以及駕駛員必須要遵循哪些交通號誌，並且了解駕駛處理危險情況的方法。

Lyft解釋，雖然以常識來說，行車維持在車道中心是最安全的，但以歷史紀錄來看，這種假設並非總是成立，當道路上有停放車輛或是坑洞等狀況，以及在部分特殊道路形狀以及可見度下，車輛行駛的位置可能需要調整，而人類駕駛擅長處理各種突發情況，因此人類實際駕駛路況以及軌跡，可讓自駕車學會人類駕駛經驗。

除了行車道位置需要微調之外，Lyft提到，車輛行進間可能還會遇到許多不可預測的行為，像是闖紅燈等情況，而行車路況資料則可以幫助自駕車系統，學習回應緊急事件的方法，像是該以什麼樣的減速曲線來反應闖紅燈，或是其他車輛突然切換車道影響駕駛直行。Lyft認為，使用行車歷史資料來訓練自駕車，比傳統的專家系統方法更自然舒服。