问题1解答
 
预期与轨迹分析
 
1. 轨迹预期:AI行驶轨迹大概率会沿着道路中央的虚线行驶,转弯时平滑过渡,不会偏离车道,符合标准驾驶规范。

2. 核心原因:

- 5次标准示范为AI提供了高质量的特征学习样本,AI通过神经网络学习到了车道线、转弯角度、车速控制等关键驾驶特征。

- 示范数据的一致性(沿中央虚线、规范转弯)让AI捕捉到了正确的驾驶规律,从而输出符合预期的行驶轨迹。
 
问题2解答
 
1. AI行驶轨迹
 
训练出的AI行驶轨迹会杂乱无章:可能频繁偏离车道、转弯时急打方向甚至冲出道路,完全无法稳定完成右转动作。
 
2. AI训练难度
 
使用杂乱数据训练AI变难了,甚至几乎无法学会正确驾驶。
 
3. 人工智能训练核心道理
 
“垃圾进,垃圾出(Garbage in, garbage out)”:AI的学习效果完全依赖训练数据的质量。
 
- 数据是AI学习的“素材”,若数据存在错误、混乱的特征(如杂乱无章的驾驶行为),AI会学习到错误的规律,最终输出错误的结果；

- 只有高质量、标注清晰、规律明确的训练数据,才能让AI学习到正确的逻辑,这是AI训练的核心前提。
 
问题3解答
 
1. 场景2通关思路
 
- 步骤1:在场景2中,精准记录5次标准示范(严格沿车道中央、平稳控制车速和转向)；

- 步骤2:点击“开始训练”,等待训练完成后“运行AI”,即可通关场景2(实际操作中需确保示范数据足够规范,若训练失败需补充/修正数据再训练)。
 
2. “Garbage in, garbage out”的体会
 
这句话精准揭示了数据驱动型AI的本质逻辑:
 
- AI本身不具备“自主创造逻辑”的能力,它只是通过数据拟合规律,数据的质量直接决定了模型的上限；

- 无论是自动驾驶还是其他AI领域,数据清洗、数据质量把控都是核心基础工作。若想让AI输出可靠结果,必须从源头保证数据的准确性、完整性和规范性；

- 这也印证了“工程落地中,数据准备往往比算法设计更耗时、更关键”的行业常识,高质量的数据是AI落地应用的基石。