一种值得学习的“渴望”：Red Bull Advanced Technologies 使用 OCI 测试 AI 技术，打造未来赛车之星

要想一跃登上赛车运动的巅峰，明日赛车之星需要的远不止常规运动员那样的高强度训练和全身心投入。

“我们从车手内心挖掘一种‘征服的渴望’，激起强烈的学习欲望，然后在下一次驾驶赛车驰骋赛道时取得更出色成绩。”负责教导和培养年轻车手的红牛车手学院主管 Guillaume Rocquelin 表示。

“在这种渴望下，车手还会极度渴求我们能够提供的所有类型的数据和数据分析洞察。”Rocquelin 说道，“我们希望车手都能秉承这一态度，它不一定会转化为生理能力和优势，但却是一个重要起点。”

Rocquelin 在出任当前职务前，曾是 4 次摘得 F1 世界冠军荣誉的 Sebastian Vettel 的比赛工程师，后又担任过比赛工程主管，在攀登赛车领域最高峰方面拥有无可比拟的丰富经验。红牛车手学院则是赛车领域的最佳训练基地之一，当今 F1 赛车场起跑线上每 20 名车手中就有 7 名来自红牛车手学院。

不过，Rocquelin 发现，他和很多教练使用的教学工具存在很多需要改进的地方。优秀的年轻车手都富有求知欲，教练却往往教学手段有限，无法精确解释为何一名车手比另一名车手速度更快。具体是什么时候刹车、加速和减档的？入弯角度和过弯角度是多少？如果教练不能回答这些问题，车手就只能一遍遍观摩，尝试复制自己看到的速度更快的车手的动作。

为此，Red Bull Advanced Technologies — 采用先进赛车工程技术并尝试将其引入其他行业— 着手打造更强大的年轻车手训练工具。Red Bull Advanced Technologies 旗下的工程师联合 Oracle 数据科学专家，一同探索如何综合运用机器学习、云计算、数据可视化来为渴求数据“能量”的车手构建更优化的训练体验。

“无论在什么样的教导环境下，训练工具仅仅是教练和车手沟通的起点，只有更先进的工具才意味着更高水平的沟通。”Rocquelin 说道。

In any type of coaching environment, the tools are just the start of the conversation, and a higher quality of tool will mean a higher level of conversation.

Guillaume Rocquelin红牛车手学院

目前，Oracle 数据科学团队正使用 Oracle Cloud Infrastructure (OCI) 完善自动驾驶汽车的相关算法 — 也被称为“即时定位与地图构建 (SLAM) 算法”— 运用这些算法分析赛车视频（最初来自车队的电竞车手）。按计划，一旦取得成功，车队能够将一名车手的赛季视频输入应用，然后运行机器学习分析，捕获全新洞察来提高车手的圈速。

该工具当下仍处在早期开发阶段，仍面临很多问题。例如，Oracle 数据科学家在将自动驾驶汽车算法应用到赛车上时就遇到了一个挑战。“赛车的物理定律与普通汽车大不相同。”甲骨文公司人工智能服务副总裁 Jigar Mody 如是说。OCI 是如何提供强大支持，解决这一未解的 AI 挑战的呢？

前期，Red Bull Advanced Technologies 将其电竞模拟器生成的视频提供至 Oracle 数据科学团队以供分析，由 Oracle 团队使用 SLAM 算法评估赛车在跑道上的位置。他们将评估结果作为分析工作的数据基础。

而当 Oracle 团队第一次向赛车视频应用 SLAM 算法时，问题出现了：算法所预测的位置偏离实际位置多达 0.5 公里。究其原因，SLAM 算法原本就不是为最高速度常常高达 320 公里每小时 (200 mph)，在弯道要承受 5G 横向加速度的赛车而构建的。要想构建出自己设想中的数据分析系统，一个精确的 AI 模型必不可少，Oracle 数据科学家不得不首先完善 AI 模型。

AI 模型的精度非常关键。“赛车手对驾驶精度的要求非常高，SLAM 算法要想真正发挥作用，定位精度要达到 20 厘米。”主导这一项目的甲骨文公司首席科学家兼 AI 专家 Alberto Polleri 博士表示，“对于描述赛车方向的角度数据，精度也要控制在一度以内。”

为此，Oracle 数据科学团队按需投入大量 OCI 图形处理器 (GPU) 算力，运行 AI 建模和测试过程中的大规模计算负载。他们将视频摄取到 OCI，然后使用卷积神经网络 (CNN) 和循环神经网络 (RNN) 处理图像，再使用 OCI 测试各种参数，与 AI 模型进行匹配（即检查一个 AI 模型的输出结果与实际赛道数据的匹配度）。

其中，AI 模型匹配过程是最消耗算力的，对此 OCI 提供的按需、可变云技术资源十分重要。实际上，一些模型的运行过程长达数天。有时 Oracle 团队会启动测试、发现模型未见优化、关闭测试，会并行运行多项测试。“我们一个月开展数百项测试，每项测试都耗时数天。”Polleri 解释道。

基于 OCI 的技术实施

具体而言，数据在 OCI 上按以下过程“流动”：

首先，视频被摄取到 OCI。

然后，数据流入三个平行管道（即工作流），分别评估视觉里程计（赛车速度和方向）、赛道位置、车辆控制（方线盘和车轮）方面的表现。这三个工作流会消耗大量 OCI Compute 资源，包括 GPU。

AI 模型优化完毕后，Red Bull Advanced Technologies 计划在 OCI 上运行只需输入视频就能捕获深度分析洞察的教学工具，探索一名车手为何在圈与圈之间出现成绩波动或者一名车手为何与另一名车手表现不同。

这一算法研究对于赛车以外的其他领域也大有价值，例如机器人和自动驾驶汽车。简单来说，它适用于所有需要预测物体下一运动位置的应用。另外，考虑到大多数使用场景不涉及赛车那样的 200 mph 速度，围绕赛车所做的这些优化工作也适用于那些以更常见速度运动的场景。“一项技术在高速场景下表现良好，在低速场景下将发挥出惊人威力。”Oracle Mody 说道。

查看更多 Oracle Connect 文章