Profesör Nanning Zheng: Tamamen otonom insansız sürüşün hala zor zorluklarla karşı karşıya olduğunun farkına varmak - bilişsel olarak oluşturulmuş insansı otonom sürüş hakkında konuşun
Leifeng.com'un yeni akıllı sürüş notu: Bu makale Xi'an Jiaotong Üniversitesi Yapay Zeka ve Robotik Enstitüsü'nün "Çin Otomasyon Topluluğu" kamu hesabı ve Görsel Bilgi İşleme ve Uygulamaları Ulusal Mühendislik Laboratuvarı'ndan Profesör Zheng Nanning tarafından düzenlenmiştir. Bu yıl 23 Kasım'da, Ulusal Akıllı Araba Forumu (Changshu) raporu. Leifeng.com Xinzhijia yayınlama yetkisine sahiptir, lütfen yeniden basmak için kaynakla iletişime geçin.
Profesör Zheng Nanning'in ders içeriği aşağıdadır:
İnsan bilişi perspektifinden otonom sürüşü yeniden tanımlayın
Araba sürerken, aslında seçici bir dikkatimiz var, yani, arabanın dışındaki sahne nasıl sürekli değişirse değişsin, önce nereye gidebileceğimizi ve nereye gidemeyeceğimizi bulmamız gerekiyor.
Başka bir deyişle, arabanın dışındaki durum sonsuz bir durum uzayıdır, ancak arabanın dışındaki sonsuz durum uzayını tanımlanabilecek bir "0, 1" durumuna soyutlamamız gerekir. Bu temel hedefe ulaşmak için, otonom sürüşü insan bilişsel perspektifinden yeniden tanımlamak gerekir.
Bu, 2002 yılında geliştirdiğimiz Siyuan 1 numaralı sürücüsüz akıllı otomobil.
2005 yılına gelindiğinde hırslıydık ve kampüste koşabilirsek yolda olabileceğini düşündük. Aslında okul kapısından çıkarken durum tamamen farklı. "Yeni İpek Yolu Mücadelesi" için bir plan oluşturduk.
Bu, okulun dört harika icat meydanından bir fotoğraf (yukarıda resmedilmiştir). Xi'an'dan Dunhuang'a gitmeyi seçmenin amacı, sistemimizi gerçek trafik senaryolarında doğrulamak ve toplam 1.700 kilometreden fazla mesafe ile araştırma çalışmaları için daha fazla gerçek trafik ortamı verisi toplamaktır.
Ancak okul kapısından çıktıktan sonra çoğu zaman insan müdahalesi gerekiyor.İnsanlar araba kullanıyor ancak çöl yollarında neredeyse hiç araç ve yaya yok.Trafik sahnesi oldukça basit. Bu insansız araç sorunsuz ve yavaş gidebilir (bu O sırada yolda bir video).
Yukarıdakiler 12 yıl önce yapılan araştırma çalışmasıdır. 2000 yılının başından bu yana, her zaman bu yöne bağlı kaldık, sürekli olarak temel araştırmadan anahtar teknolojilere doğru ilerliyoruz.
Bu, 2016 yılında yaptığımız araştırmanın daha karmaşık bir ortamda daha ileri düzeyde doğrulanması için temel modeldir.Bu, insansız aracın kontrol sistemini yapılandırılmamış bir yolda doğrulamak içindir. O sırada arkasında bir hakem arabası vardı, hakem arabası yol şartlarına uyum sağlamak için sürekli vites değiştirmek zorunda kalıyordu, bazen çamur yolda takılıyordu ama bu insansız araba sorunsuz gidebiliyor yani Algılama ve kontrol böyle bir ortama uyarlanmıştır.
Kuafu insansız aracının şehir içi trafik ortamındaki performansına bakalım. Elbette bu trafik sahnesi karmaşık değil, aynı zamanda sollanabilir ve çok yumuşak bir dönüş sağlayabilir. GPS sinyali olmadığında insansız arabanın yer altı garajının çıkışını nasıl bulduğuna bakalım.
2016'daki ilerlemelere bakılırsa, insansız aracımız 2005 yılında "çirkin bir ördek yavrusu" idi. Pek çok bilimsel araştırma işi böyledir ve her zaman daha eksiksiz bir aşamaya adım adım ilerler.
Kuafu'nun şehir içi yollarda gidebildiğini ve garajdan çıkabildiğini görebiliyor olsak da, daha karmaşık bir trafik ortamı karşısında güvenilir bir tepki ve yargıda bulunamıyor.
İşte şehirdeki karmaşık trafik sahnelerinin durumu: Trafik işaretleri, kavşaklar ve karmaşık trafik göstergeleri olmayan bu kavşaklarda, çeşitli araçların farklı sürüş durumlarının, insansız araçların Çevre, doğru kararlar verir. Peki insanlar nasıl yargılıyor?
Bu sahnede yayalar, motorsuz araçlar ve motorlu araçlar var ... Durumunun nasıl oluştuğuna bir göz atalım. Kavşaklardaki trafik sahneleri tahmin edilemez, ancak her nesne kararlı bir sistem oluşturmak için birbiriyle ilişkilidir. Bu, insanların bu sahnelerdeki nesneler arasındaki korelasyonu insansız araçlar iken hızlı bir şekilde anlayıp yargılayabileceğini yansıtır. Doğru yargılarda bulunmak için bu korelasyonu soyutlayabilmek ve ifade edebilmek de gereklidir.
Otonom Sürüş Teknolojisinin Beş Zorluğu
Bu karmaşık trafik ortamlarına uyum sağlamak için sürücüsüz araçların karşılaştığı beş büyük zorluğa bir göz atalım.
İlk olarak, karmaşık trafik sahnelerinin dikkatli bir şekilde algılanması. Otonom sürüş, hava değişiklikleri veya karmaşık yol koşulları olsun, her koşulda güvenli kararlar verebilmeli, çevredeki manzaraları çok dikkatli algılamalıdır.
İkincisi, beklenmedik karşılaşmaların anlaşılması ve yargılanması. Otonom sürüş soyutlayabilmelidir.Sözde soyutlama, trafik durumunu çevreden veya diğer bağlamlardan gelen ipuçlarına dayanarak anlama yeteneğidir.
Şu anda, otonom sürüş anormal olayları açıklamak zordur.Örneğin, şehir genellikle trafik kontrolü, trafik kontrolü bazen önceden haber vermez; örneğin, insansız bir araç bu kavşağa geldiğinde ve trafik kontrolüyle karşılaştığında, trafik polisi aracı durup sürmeye yönlendirmek için jestler kullanır.
Ek olarak, bilgisayar, yol kenarındaki yayaların veya motorsuz araçların yakında yönlerine girmek üzere olup olmadıklarına karar verir mi? Bu fenomenler, her sahneyi basit kurallara dayalı otonom sürüş için kodlamanın imkansız olduğunu göstermektedir.
Üçüncüsü, davranış öncesi anlayış. Ön eylem nedir? İnsan sürücüler, ön davranışa dayalı olarak araç kullanma niyetimizi iletirler.
Örneğin, yolda sürüyorsak önümüzdeki araba sürücünün eski bir sürücü mü acemi mi olduğuna karar verebilir, acemi ise bazen ondan uzak durmamız gerekir. Ancak, şu anda otonom sürüş teknolojisindeki bu ince ön davranışları açıklamak veya anlamak zordur.
Dördüncüsü, ağ güvenliğinin riskleri. Burada gösterilen fenomen kesinlikle gelecekte ortaya çıkacaktır. Sabah garajda kalkıp insansız arabanın garajdan çıkmasına izin verdiğinizde, bu saatte cep telefonunuza, arabanızın kapısını açmanız için bugünden önce bitcoin ödemenizi isteyen bir metin mesajı alıyorsunuz.
Bilgisayar korsanlarının bu davranışı can güvenliğinizi etkilemeyecek olsa da, kendi arabanızı kullanmanın bir yolu yok. Bu nedenle, bulut aracılığıyla haritaları alan ve güncelleyen otonom sürüş daha büyük risklerle karşı karşıya kalacaktır. Bu tür bir riskin varlığı, otonom olarak insansız araç kullanan araçları incelerken göz önünde bulundurmamıza neden oluyor: daha güvenilir ve daha güvenli otonom sürüş nasıl sağlanır.
Beşincisi, insanlar ve araçlar arasındaki doğal etkileşim. Otonom sürüş, araçlar ve yolcular arasında engelsiz iletişim sağlamak için insanlarla doğal bir şekilde iletişim kurmalıdır.
Örneğin, bir yolcu insansız bir araca bindiğinde, otonom sürüş sistemi yolcunun nereye gittiğini bilir, varış noktasına ne kadar süre ulaşabilirim gibi yolcunun sorduğu soruları anlar ve cevaplar? Lütfen bir şarkı çalın vb.
Başka bir deyişle, doğal insan-araç etkileşimi, yolculara basit bir noktadan noktaya sürüşten daha rahat, hoş, sezgisel ve insancıllaştırılmış bir deneyim sağlayabilir.
Yüksek hassasiyetli trafik hesaplamasının karmaşıklığı
Daha önce tartıştığım konulardan, otonom sürüşün karşılaştığı sorunların çoğunun belirsiz, kırılgan ve açık olduğu açıktır. İki sorunun getirdiği belirsizlik, kırılganlık ve açıklık, yani davranışa yöneliktir:
1. Koşullu sorunlar. Çünkü bir eylemi planlamak için tüm ön koşulları sıralayamayız.
2. Dal problemi, bir davranış üreten tüm dalları sıralayamayız. Bu nedenle, arabanın dışındaki karmaşık ve bilinmeyen gerçek dünyanın tanımını, sezgisel bir anlayış olan sınırlı anlamsal "muhakeme" ye dönüştürmemiz gerekiyor. Sürüş, birçok durumda sezgisel bir yargıdır. Sezgisel yargı, makinenin çevreyi sezgisel bir şekilde anlamasını sağlamaktır.
Burada gösterilen şema, şu anda çoğu otonom sürüş tarafından kullanılan temel teknik çerçevedir. Önce sahne algısı, ardından konumlandırma, sürüş kararı, planlama ve davranış kontrolü verilir. Ancak araba sürerken, bu kadar basit bir dizgi yöntemini izlemiyoruz.
İnsan sürücü sürüşü, trafik durumunun sürekli olarak algılanması ve anlaşılması sürecidir. Bu nedenle, insan benzeri otonom sürüşün yeni bir yöntemini keşfetmemiz gerekiyor, yani otonom sürüş, basit bir yapay zeka formu değil, resmi bir soruna basit bir çözüm değil.
Biçimsel bir soruna basit bir çözüm olmadığına göre, otonom sürüş nasıl tanımlanır?
Burada sahne algısı ile durum bilişi arasında ayrım yapıyoruz. "Sahne" denen şey, belirli bir zamandaki ve belirli bir alandaki bir trafik durumunun belirli durumu veya sahnesine atıfta bulunur. Bir dizi varlık olarak tanımlanabilir, elbette bu varlığın açıklaması sensör verileri aracılığıyla elde edilir.
"Durum", birçok özel durumun belirli bir zaman ve mekanda genelleştirilmesini ifade eder. "Durum" un "çevresi", sahneyi oluşturan ve ima eden iç içe geçmiş faktörleri ve bunların karşılıklı ilişkilerini ifade eder. Bu nedenle, bağlamsal hesaplama, sahnedeki çeşitli nesneler arasındaki ilişkinin bir yorumudur. Otonom sürüşte trafik ortamındaki çeşitli nesneler (veya nesneler) arasındaki ilişkinin açıklaması çok önemlidir.
Daha önce sırasıyla sahne algısı ve durum hesaplaması hakkında konuştuk. Peki bunu başarmak için makineleri nasıl kullanıyoruz? Ayrıca makine gerçekleştirmenin temel bilimsel sorunlarını da tanımlamamız gerekiyor.
Burada otonom sürüşü durumsal biliş perspektifinden yeniden tanımlıyoruz: otonom sürüş arabalarının insanlar gibi trafik durumlarını anlaması ve ezberlemesi, böylece bellek, akıl yürütme ve deneyim güncelleme mekanizmalarına sahip olmaları ve oldukça dinamik ve oldukça rastgele trafikle başa çıkabilmeleri için nasıl Sahne değişikliği mi? İşte hafıza ve anlayış geliyor.
Öyleyse, anlama ve hafızanın amacı nasıl anlaşılır? Başka bir deyişle, otonom sürüş sistemini bir insan sürücü kadar iyi hale getirmek için gelişmiş ve gelişmiş bir otonom sürüş öğrenme sistemi geliştirmemiz gerekiyor.
Neden "evrim" den bahsedelim, çünkü otonom bir sürüş oluşturmak için derin bir öğrenme sistemi tasarlarsanız, ne tür bir algoritma tasarlarsınız, arabanızın ne tür yetenekleri ve nitelikleri vardır? Ama biz böyle değiliz, sürücü okulunda araba kullanmayı öğreniyoruz ve sonra ehliyet alıyoruz, sürüş süresi arttıkça, sürüş becerileri daha da yetenekli hale gelecektir. Yani burada uygulamanın nasıl birleştirileceği sistem farkındalığı ile mükemmelleşiyor, şimdi yaptığımız şey bu.
Bu konuyu düşündüğümüzde, insan sürücülerin trafik ortamı bilgisine nasıl dikkat ettiklerini ve bilişsel bir bakış açısıyla nasıl elde ettiklerini anlamamız gerekir. Ve trafik ortamı hakkındaki bilgiler beyinde nasıl saklanır ve işlenir? Özellikle sürüş davranışının arkasında ne tür iç temsiller var?
İnsanların çevresel bilgilere olan ilgisi son derece seçicidir, sadece ilgilendikleri şeylere dikkat ederler ve sadece bir sonraki adımda harekete geçtiklerinde çevredeki sahne faktörlerinin davranışları üzerinde ne gibi etkilerinin olacağına dikkat ederler.
Bu açıdan bakıldığında, birçok anlamsız çizgi parçasının ve sahne özelliğinin anlamlı bir modelini düzenlememiz ve inşa etmemiz gerekiyor. Sahnenin görüntüsünü vizyondan elde ederiz Aslında, sensörün elde ettiği şey bir dizi dağınık nokta ve çizgi segmentidir.Nokta ve çizgi segmentlerinin anlamlı gerçek sahneler olarak nasıl tanımlanacağı bilgi gerektirir.
Bilişsel düzeyden, izole edilmiş ve ayrı algılama olaylarını anlamlı model temsillerine dönüştürün. Her sensör, bu algılama kanalından izole bir olay elde eder Çeşitli sensörler tarafından elde edilen bilgiler, olay güdümlü bir durumda nasıl anlamlı bir model gösterimi oluşturabilir? Bu fikre göre, yavaş yavaş algoritmalar ve modeller aracılığıyla onu makinede nasıl temsil edeceğimizi anlayacağız.
İşte sahne algılama ve bağlam belleğinin temel modülleri. Bu, çevresel bilginin girdisidir. Görsel sensör tarafından elde edilen bilgileri, sensör tarafından harici sahnenin hızlı bir taraması olarak görebiliriz.Hızlı tarama bir tür ön kodlamadır.Burada, böyle bir ön kodlama yapmak için bazı seçici bellek tanıtıyoruz. Bilgi kısa süreli belleğe gönderilir, ardından uzun süreli belleğe gönderilir.Uzun süreli bellek, uzun süreli bellek bilgi tabanı oluşturmak için önceki kısa süreli bellekten ve trafik kurallarımızdan soyutlanan bilgidir.
Görsel alana insan dikkatinin temel mekanizması
Bilgi işleme modelinde dört bilişsel süreç vardır, daha önce bahsettiğim gibi, sahnenin hızlı taranması seçici bir dikkattir. Duyusal hafızanın bazı özel bilgilerine ve ardından "öğrenmeye" dikkat edin ve bu öğrenme kısa süreli bellekte bağlantılar kurmaktır, biz buna "organizasyon" da diyoruz.
Görüntü işleme açısından, her bir kenar çıkarılır ve bu kenarlar anlamlı yüzeyler halinde düzenlenir.Bu anlamlı yüzeyler daha sonra üç boyutlu bir nesnenin, yani çizgiden yüzeye, üç boyutlu varlık tanımlamasının bir tanımını oluşturur. Yukarı, organizasyonel bir süreçtir. Bu organizasyonların süreçlerini de entegre etmemiz gerekiyor.Bu entegrasyon aslında uzun süreli hafızanın ve sahnenin ve trafik kurallarının bir açıklamasıdır.
Bu uzun süreli anılar, kısa süreli belleğe geri beslenmeli ve daha sonra kısa süreli belleğe entegre edilmelidir.Bu entegrasyon süreci bir yeniden öğrenme sürecidir. Yani, mevcut bilgi durumunda yeni bir bilginin tanımını genişletin.
Böyle bir sonuç aldıktan sonra, kısa süreli bir belleği uzun süreli bir belleğe dönüştürebilir ve sonra bir tür kodlama gerçekleştirebiliriz. Bu süreçte hem ileri besleme hem de geri bildirim vardır ve mevcut ana otonom araç çerçevesi bir dizi yapısıdır.
Ayrıca insanlar olay yerindeki değişikliklere karşı çok hassastırlar.Örneğin, bir kişi bir araba sürdüğünde ve sağ cephede bir bisiklet sürücüsünü gördüğünde, sürücünün dikkati belirli bir konuma ve perspektife kayar. İnsan sürüş perspektifinden bakıldığında, otonom sürüşte dikkat vazgeçilmezdir.
Önceki tartışmadan, sezgisel yapay zeka dediğimiz bilişsel olarak oluşturulmuş otonom sürüşe bir göz atalım. Derin öğrenmenin mevcut "uçtan-uca" otonom sürüş yöntemi, yapılandırılmış veya yarı yapılandırılmış trafik senaryolarında büyük başarı elde etti, ancak yine de karmaşık kentsel yollarda veya zorlu ortamlarda büyük zorluklarla karşı karşıya.
Bu zorlukların doğrudan bir nedeni, birçok trafik senaryosunun karmaşıklığının ve dinamiklerinin tümünün gözlemlenebilir ve kontrol edilebilir olmamasıdır. Özellikle, sürüş sırasında anormal durumların üstesinden gelme yeteneği, önceden çok sayıda numune eğitimi ile elde edilemez ve çok sayıda negatif numune elde edilemez.
Bununla birlikte, trafik sahnesinde daha fazla negatif örnek toplamanın bir yolu yoktur, bu nedenle, trafik sahnelerinde çok sayıda negatif örnek eğitim aracı elde etmek için düşman ağının nasıl kullanılacağı, öğleden sonra uzmanları tarafından daha derinlemesine tartışılacaktır.
"Sahne Algısı" ve "Durumsal Biliş" Birleşimi
"Sahne algısı" ve "durum bilişi" nin birleşimi için tanımını daha da veriyoruz.
Bağlam, sahnenin dinamik değişikliklerinin yorumlanmasıdır.Aynı zamanda davranış modelini, eylem sonuçlarını ve direksiyon, hız, niyet veya hedef dahil olmak üzere otonom sürüşün dahili durumunu da içerir.
Senaryo, dış ortamda algılanan ve güvenilen varlıkların tam bir açıklaması olsa da, bağlam yalnızca durumu tanıması ve / veya uygun davranışı başlatması gereken ilgili varlıkları içerir. Buradaki açıklama aslında seçicilikten bahsediyor, çünkü sensör çevreleyen sahnelerin tüm verilerini toplar, ancak durumsal biliş için tüm sahneleri hesaplamamız gerekmez.
Makine bunu nasıl uyguluyor? Bir dünya modeli, yani durumsal bir bilişsel harita oluşturmamız gerekiyor. İşte her sahnenin etkisi, nedenselliği ve kontrol ilişkileri. Önceki bilgileri içeren olasılıksal bir model, işte hafıza ve öğrenmedir. Burada maliyet fonksiyonu, tahmin ve optimizasyondan bahsetmiştik.
Bilişsel harita nedir? İşte basit bir örnek: İnsanlar fiziksel dünyayı anladığında veya tanımladığında, beyin daima zamanın "görsel" bir görüntüsünü oluşturacaktır. Bu görsel görüntüye bilişsel harita diyoruz.
Soldaki resmi görür görmez hatırlayacaksınız ama sağdaki resmi hatırlamanız zor çünkü aralarındaki ilişkiyi sağduyuya göre açıklayamıyoruz. Yani, fiziksel dünyada, çeşitli nesnelerin birbirine bağlı ilişkisi hafızanın temelidir.Ayrıca, olay yerindeki çeşitli varlıkların birbirine bağlanmasının tanımlanmasının, otonom sürüşün iç temsilinde son derece önemli bir faktör olduğu vurgulanmaktadır.
Araçlardan, trafik işaretlerinden, engellerden ve yayalardan oluşan sürülebilir alanın temel özelliklerini içeren, insansız bir bilişsel harita oluşturun. Ayrıca, özyinelemeli ağ tarafından öğrenilen ön dikkat mekanizması ve sürüş niyeti gibi gelişmiş bilişsel özellikleri de içerir. Aracın mevcut durumunu ve trafik bilgisini bilişsel haritanın bir parçası olarak alıyoruz. Başka bir deyişle, böyle bir sahnede, sahnenin dinamik değişikliklerine göre bir dizi zamansal bilişsel harita oluşturulur.
Bilişsel haritalara dayalı bilişsel yapılandırmaya dayalı otonom sürüşün temel çerçevesi yukarıda tartışılmıştır. Bu temel çerçeve, sahne algısını ve bağlam hesaplamasını entegre etmek için böyle bir çerçeve kullanan derin evrişimli sinir ağlarını, LSTM birimlerini vb. İçerir.
Sürülebilir alan nasıl tespit edilir: "ortak nokta haritalama" modeli
Sürülebilir alan nasıl tespit edilir? Burada sunulan yöntem, önerdiğimiz ileri akıllı hesaplama teknolojisinin, yani veri tarafında farklı sensörlerin füzyon işlemesinin gerçekleştirilmesidir.
Burada lidar verilerini ve görüntü verilerini birleştirmek için "ortak nokta haritalama" adı verilen bir model öneriyoruz, çünkü burada bir varsayım var, yani derinlik süreksizlikleri genellikle görüntü bölütlemenin kenarında, yani derinlik Süreksiz alan, nesnenin önünü ve yanını açıkça aynı derinlikte görmediğimiz zamandır.
"Ortak nokta haritalama" ya göre, lidar verileri işlenir ve iki boyutlu görüntü verilerine yansıtılır, böylece nesnenin, yani bahsettiğimiz sahnedeki her bir varlık doğru bir şekilde bölümlere ayrılabilir. Arabanın önündeki hangi alanların sürülebilir olduğunu ve hangilerinin çevredeki yol kenarları, binalar, ağaçlar vb. Olduğunu güvenilir bir şekilde bulabiliriz.
Ortak nokta haritalama hesaplamasının üç seviyesi vardır:
İlk olarak, veri düzeyinde füzyon;
İkincisi, özellik çıkarma;
Üçüncüsü, özellik füzyonu.
Temel Araştırma: Trafik Durum Belleği ve Bilişinde Seçici Dikkat
Otonom sürüş alanında gerçekleştirdiğimiz bazı temel teorik araştırmalara kısa bir giriş burada. Bu, insan sürücünün dikkatinin nasıl değiştiğini ve çevredeki sahnelere, yani dikkat ile görsel ipuçları arasındaki ilişkiyi bulmak için nasıl dikkat çektiğini tespit etmek için göz izleyiciyi nasıl kullandığımızdır.
Göz takipçinin verdiği sürüş sürecinde sürücünün sürekli dikkat ettiği nokta budur. Böyle bir deney yaptıktan sonra, temel bir kural olduğunu görebiliriz, yani çoğu durumda, özelliğin temelde hedef boyuttan bağımsız olduğunu ve dikkat sürecinde, bir hazırlık arama işlevi ve dizi arama işlevi vardır. İlişki ve bu ilişki, sürekli bir bağlama adımı gerektirir.
Burada bağlama ne anlama geliyor? Aslında bilişsel bir perspektiften, bir kişi önündeki hedefi yargıladığında, alanın büyüklüğünü ve hedefin şeklini yargılar ve hedefin renk sınıflandırması aslında beynin farklı bölgelerinde gerçekleştirilir.
Bu anlamda, böyle bilişsel bir süreç oluşturduğumuzda, sahne özelliklerini paralel olarak tanımlamak için birden fazla modele ihtiyacımız var.
Otonom sürüş hibrit öğrenme ağına bir göz atalım.
Öncelikle, otonom sürüş sistemini eğitmek için bu ortamda araç kullanmak için insanları kullanın ve ardından otonom sürüş sisteminin bu ortamda tekrar sürüş yapmasına izin verin. Bu noktalar sahnedeki göze çarpan bakış noktalarıdır ve gittiği yol solda verilmiştir.
Bu ağı eğitmek için insan sürüş koşullarını kullanıyoruz, böylece bu ağ kademeli olarak antropomorfik bir sürüş durumu oluşturabilir. Otonom sürüş arabaları yetiştiren insanlara ek olarak, sürücüsüz öğrenme ağlarını eğitmek için oyunların kullanımına bir göz atalım.
Bu, iki saatlik bir öğrenmeden sonra, araba temelde normal sürüş yapmıyor ve trafik kazaları yaşanıyor. 4 saatlik öğrenmeden sonra, eskisinden daha iyi. Bu altı saatlik çalışmadan sonra. Bu, on saatlik bir öğrenmeden sonra, ağ yavaşça araba kullanmayı öğrenecek.
Yukarıdaki resimde görülen video klip, dronlar ve insansız araçların ortak bir operasyonudur.
China Smart Car Future Challenge'ın Tarihsel İncelemesi
China Smart Car Future Challenge 2009'da başladı. 2008 yılında, Çin Ulusal Doğa Bilimleri Vakfı büyük bir Ar-Ge araştırma planı oluşturdu, planın adı "görsel-işitsel bilgilerin bilişsel hesaplaması", bu planda insansız sürüş platformunu bu büyük planın doğrulama platformu olarak kullanıyoruz. Amacı, bu platformda bazı modelleri, bazı teorileri ve bazı yeni görsel ve işitsel bilişsel hesaplama yöntemlerini doğrulamaktır. Başka bir deyişle, laboratuvarın bazı araştırma sonuçlarının gerçek fiziksel dünyaya gitmesine izin verin.
2009'da Xi'an'da bir otel kompleksindeydi. Hala Chang'an Üniversitesi'nin test pistinde, 2010'da Xi'an'daydı.
Birinci ve ikinci yarışmaların içeriği ve seviyesi çok basit. O zamanki sensörler bugün olduğu kadar zengin olmadığından, o zamanki bilgisayarların hesaplama gücü hala çok düşüktü. Üçüncü kez Ordos'a taşındık, Ordos Challenge'da şehir içi yollar ve kırsal yollar vardı. Dördüncü seans Chifeng'de. Ordos ve Chifeng'de rekabet gerçek yollarda.
Changshu, beşinci baskıdan beri düzenleniyor. Changshu, art arda dört baskı düzenledi. Bu yılki yarışma, bu hafta sonu Changshu'da yapılacak. Yarışma, yükseltilmiş yollarda ve şehir içi ve kırsal yollarda düzenleniyor. Bu zorluk, çok sayıda insanlı aracın trafik akışına karışması, engellerden kaçınması, gişelerden geçmesi, kentsel ve kırsal yollarda engelli tünellerden geçmesi ve yayalara yol vermesi gereken yüksek yollardaki sürücüsüz araçların sayısını artırıyor. , Otonom park ve diğer 15 değerlendirme.
Tamamen otonom sürücüsüz sürüş elde etmek heyecan verici ama göz korkutucu bir zorluktur.
Elbette, mevcut otonom sürüş teknolojilerinin bazıları zaten insanlı araçlar için gelişmiş yardımcı emniyetli sürüş sistemleri sağlayabilir ve insansız araçlar, normal trafik akışı altında belirli alanlarda, topluluklarda, özel yollarda veya otoyollarda belirlenmiş şehirlerde de kullanılabilir. Otonom sürüşe ulaşmak için. Ancak insansız araçların sıradan insanların evlerine girmesine, yer altı garajlarına çok rahat bir şekilde girmesine, küçük sokaklara ve ara yollara park etmesine ve çok karmaşık kavşaklara girmesine izin vermemiz gerekiyor, hala çok zor zorluklarla karşı karşıyayız.
Şu anda, bazı şirketler ve araba şirketleri insansız sürüş için yol testleri yapıyorlar. Bazı ticari davranışların beklentileri çok çekici. Çekici beklentiler, insanların otonom sürüşü geliştirmenin zorluklarını görmezden gelmelerini kolaylaştırıyor. Son derece akıllı insansız araçlar yakında sıradan insanların evlerine girebilecek.
Mevcut trafik koşulları ve teknik seviyeden yola çıkarak, eğer insansız sürüş teknolojisi geniş ölçekte yaygınlaştırılacaksa, bir yandan düşük maliyetli ve yüksek performanslı algılama teknolojisinde atılımlara ihtiyaç vardır; Yeteneği hesaplayın. Bu nedenle, karmaşık şehir içi trafik ortamında insansız sürüşün güvenlik performansını iyileştirmek on yıldan fazla veya daha uzun sürebilir.
Bu zorlukların arkasında, ne tür yöntemler ve hangi yeni modelleri kullanmamız gerektiği, temel araştırmayı gerçekten güçlendirmemiz gerekiyor. Ek olarak, insansız araçların gelişimi işletmelerden ayrılamaz, özellikle araç üreticileri, otonom sürüş teknolojisi başarılarının dönüşümü ve yeniliğinin ana gövdesi haline gelmelidir.
Son yıllarda sürücüsüz teknoloji alanında GAC Araştırma Enstitüsü ile iş birliğine başladık.Akıllı otomobil modifikasyonu ve platform kontrolü konusunda yerli otomobil firmalarına liderlik ediyorlar.
Üniversiteler, araştırma enstitüleri ve işletmeler yakın işbirliği içinde olmalı, sonuçta, insansız araçların araştırma ve geliştirme çalışmaları, genel bilimsel araştırma işbirliğinden farklıdır, basitçe bir laboratuvarda veya sınırlı ve basit bir ortamda gerçekleştirilmez, bir gerçeklik olmalıdır. , Karmaşık, açık, dinamik ve öngörülemeyen bir ortamda gerçekleştirin.
sonuç olarak
Toplantıdan sonraki tartışmada Profesör Zheng Nanning ayrıca şunları söyledi:
Gerçek trafik ortamı karmaşık ve değişkendir ve aracın sürüş sırasında ne tür sorunlarla karşılaşacağını tahmin etmek zordur. Bu nedenle insansız araçlar pratik uygulamalara sokulmak istiyorlarsa gerçek ortamlarda sürekli test edilmeleri gerekir. Karşılaştığımız bir diğer kaçınılmaz sorun da mevcut trafik yasa ve yönetmeliklerinin plakası olmayan insansız araçların yolda test edilmesine izin vermemesidir.Sadece belirli test sahalarında test yapabiliyoruz. Mevcut "Çin Halk Cumhuriyeti Karayolları Yasası" nın 51. Maddesi, motorlu araç üreticilerinin ve diğer birimlerin, motorlu araçların frenleme performansını test etmek için yolları test sahası olarak kullanmamalarını şart koşmaktadır.
Bu nedenle sürücüsüz araçların iç kamu yollarında denenmesi hala yasa dışıdır. Deneysel simüle edilmiş yol koşulları ile gerçek yol koşulları arasında büyük bir boşluk var Sürücüsüz akıllı otomobillerin yenilikçi araştırma ve geliştirmesinde, hükümet ve yetkili makamların daha fazla politika ve düzenleme desteği sağlaması ve daha açık bir araştırma ve geliştirme ortamı sağlaması gerekiyor. Örneğin: Sürücüsüz akıllı arabaların yolda test yapabilmeleri için geçici plakalar sağlamak üzere belirlenmiş bir alan açılabilir mi?
Yenilik odaklı kalkınma anlamında, yeni teknolojilerin geliştirilmesi için kurumsal olarak alan ve politika desteği sağlamak, yeterli bilimsel araştırma finansmanı sağlamak kadar önemlidir.
Not: Kendi kendine giden arabalar, yapay zeka ve makine öğrenimi alanındaki araştırmacıların onlarca yıllık bilimsel araştırma sonuçlarının bir araya getirilmesidir.Profesör Zheng Nanning'in paylaşım raporu bir mikro kozmostur. Özellikle Smart Future Car Challenge tarafından temsil edilen bu katılımcılar ve tanıklar, uzun ve zengin araştırma süreçlerini tekrar gözden geçirmeye değer.
16 Ocak 2018'de, Çin'in diğer ucunda Leifeng.com Xinzhijia, GAIR Silikon Vadisi Akıllı Sürüş Zirvesi'ni ABD, Silikon Vadisi'nde gerçekleştirecek. Ayrıca ağır siklet konukları ve 2005 DAPRA Challenge Şampiyonu Stanford Takımı üyelerini şoförsüz olarak davet ettik. Gelişmekte olan sektör tanığı Adrian Kaehler bir açılış konuşması yaptı. Ayrıntılar için lütfen https://gair.leiphone.com/gair/gairsv2018 tıklayın .
Bu kaşiflerin ve öncülerin otonom sürüş sürecindeki heyecanı, şüphesiz bizim hatıralarımıza değer.
Lei Feng tarafından önerilen okuma:
Özel | 2005 DARPA Challenge'ın Stanford Takım Üyelerini tekrar ziyaret edin: Stanley'nin zaferinin ardındaki bilinmeyen detaylar
