Momenta Chen Kai: Momenta'nın otonom sürüşünün arkasındaki temel teknoloji ve yetenek gereksinimleri Meslek Odası No. 4 (Momenta İşe Alım Yorumuyla)
Leifeng.comun yapay zeka teknolojisi yorumu: Şu anda küresel otomotiv endüstrisi, ABD Karayolu Güvenliği İdaresi (NHTSA) ve Uluslararası Otomata Mühendisleri Derneği (SAE) tarafından önerilen sınıflandırma sistemini kabul etmektedir. İkinci en yüksek insansız sürüş seviyesi olan L4, belirli senaryolarda (otoyollar gibi) tam otomatik insansız sürüşün insan müdahalesi olmadan gerçekleştirilebileceği anlamına gelir. Şimdiye kadar, L4 insansız sürüşün gerçekleşmesi hala devam ediyor. Yapay zeka alanındaki en zorlu ve karmaşık sorunlardan biri.
Kısa bir süre önce, Leifeng.com AI Araştırma Enstitüsü'nün 4. Mesleki Yayın Odasında, Çin'in en değerli otonom sürüş girişim şirketi Momenta M4U'nun teknik lideri Chen Kai, otonom sürüş tek boynuzlu at Momenta'nın "otonom sürüş beynini nasıl inşa ettiğini" derinlemesine paylaştı ve yorumladı. L4 seviyesinde otonom sürüşü gerçekleştirmek için ne tür teknoloji ve yetenekler gerekiyor?
Chen Kai: Momenta M4U'nun teknik lideri, Çin Bilim ve Teknoloji Üniversitesi'nden PhD, RoboCup @ Home League 2014 Dünya Şampiyonu, uzun yıllardır robotik araştırma ve ilgili çalışmalarla uğraşmaktadır.
Konuyu paylaş: Yetenekler açısından L4 sürücüsüz sürüşün gerçekleştirilmesi (Momenta işe alım yorumuyla)
Ana hatları paylaşın:
1. Momenta ekibine giriş: otonom bir sürüş beyni oluşturmak
2. Üç platform, büyük veri ve yapay zeka algoritmalarının geri bildirim döngüsünü gerçekleştirir
3. Momenta'nın temel teknolojilerinin uygulanması: derin öğrenmeye dayalı ortam algısı, yüksek hassasiyetli haritalar ve karar verme algoritmalarını yönlendirmek
4. L4 seviyesinde otonom sürüşü gerçekleştirmek için ne tür teknoloji ve yetenekler gereklidir?
Leifeng.com AI Araştırma Enstitüsü paylaşım içeriğini şu şekilde düzenler:
Bugün sizlerle ağırlıklı olarak Momenta'nın teknik rotasını paylaşacağım.Ayrıca, L4 seviyesinde insansız sürüş için yetenek gereksinimlerine odaklanacağım.
Momenta ekibinin tanıtımı: Otonom bir sürüş beyni oluşturmak
Momenta'nın şirket konumlandırması, otonom bir sürüş beyni oluşturmaktır Basitçe ifade etmek gerekirse, beyin sürücüsüz sistemde çalışan yazılımdır. Aşağıdaki resim şirketin çekirdek ekibidir:
-
Tsinghua Üniversitesi'nden mezun olan CEO Xudong Cao, yapay zeka endüstrisinde yaklaşık 10 yıllık Ar-Ge ve yönetim deneyimi biriktirdi. CVPR / ICCV / ECCV gibi en iyi bilgisayar vizyonu konferanslarında düzinelerce makale yayınladı ve Amerika Birleşik Devletleri'nde National Data Science Bowl'da dünya ikincisi oldu. Momenta'yı kurmadan önce, Cao Xudong, 100 kişilik bir Ar-Ge ekibine liderlik eden Shangtang Technology'nin İcra Ar-Ge Direktörü olarak hizmet vermiştir ve kapsamlı yönetim deneyimi ve ürün uygulama deneyimine sahiptir. Cao Xudong, SenseTime'a katılmadan önce Microsoft Asia Research'te araştırmacı olarak çalıştı.Araştırma ve geliştirme teknolojisi Xbox, Bing, How-old gibi tanınmış ürünlerde yaygın olarak kullanılıyor ve aralarında fenomen seviyeli How-Old ürününün yüz milyonlarca kullanıcısı var.
-
Ar-Ge Direktörü Ren Shaoqing, Ph.D., Çin Bilim ve Teknoloji Üniversitesi ve Microsoft Research Asia tarafından ortaklaşa geliştirildi. Bay Ren Shaoqing, en popüler nesne algılama çerçevesi olan Faster-RCNN'nin ilk yazarı ve en etkili derin öğrenme ağı yapısı olan ResNet'in üçüncü yazarıdır.Ayrıca ImageNet 2015 nesne algılama, görüntü sınıflandırma ve nesne konumlandırma şampiyonluğunu da kazanmıştır. MS COCO 2015 çoklu rekabet şampiyonları ve CVPR 2016 en iyi bildiriler ve diğer birçok ödül.
-
Ar-Ge Direktörü Xia Yan, Ph.D. Çin Bilim ve Teknoloji Üniversitesi ile derin öğrenme ve büyük veri alanında uzman olan Microsoft Research Asia tarafından ortaklaşa eğitildi. Bing gibi tanınmış ürünlerde, Dr. Xia'nın araştırma ve geliştirme sonuçları uygulanır.
-
Ar-Ge Direktörü Sun Gang, Bilgisayarla Görme Doktora, Çin Bilimler Akademisi, yüksek performanslı paralel hesaplama sistemlerinde uzman ve büyük ölçekli görüntü tanımada uzman. Bay Sun Gang, ImageNet 2016 sahne sınıflandırmasının ikincisi ve ImageNet 2017 görüntü sınıflandırmasının şampiyonu oldu ve derin öğrenme için dünyanın ilk GPU eğitim kümesinin tasarımına katıldı.
Ek olarak, Momentanın ekip üyeleri çoğunlukla MIT, CMU, Tsinghua Üniversitesi, Pekin Üniversitesi, Çin Bilim ve Teknoloji Üniversitesi ve diğer yerli ve yabancı üniversiteler ve araştırma kurumlarının yanı sıra Google, Amazon, Facebook, Microsoft Asya Araştırma Enstitüsü ve Tencent gibi tanınmış yüksek teknoloji şirketlerinden gelmektedir. Derin teknik birikime, güçlü teknik özgünlüğe ve zengin endüstri deneyimine sahiptir.
Momenta, dünya standartlarında Ar-Ge yeteneklerine sahip bir şirkettir. Aşağıda, tamamı Momenta'nın çekirdek ekip üyelerinden derin öğrenme alanında tanınmış üç başarı yer almaktadır.
İlki, sektördeki en iyi derin öğrenme ağı birimi olan SENet'tir.Momenta ayrıca SENet ile 2017 ImageNet görüntü sınıflandırma dünya şampiyonasını da kazandı.
İkincisi Daha Hızlı R-CNN. Ren Shaoqing onun yazarı. En sık alıntı yapılan nesne algılama çerçevesi. Momenta bu temelde birçok iyileştirme yaptı.
Üçüncüsü, şu anda en etkili derin öğrenme ağı yapısı olan ResNet'dir.Bu makale aynı zamanda 2016 CVPR En İyi Makalesini de kazanmıştır.
Bu üç araştırma sonucuyla ilgili makalelerin alıntıları 17.000'i aştı; aynı zamanda ekip ayrıca ImageNet 2015 nesne algılama, görüntü sınıflandırması, nesne konumlandırma şampiyonası, MS COCO Challenge 2015 şampiyonası, ImageNet 2017 görüntü sınıflandırma şampiyonası ve bir dizi en iyi uluslararası yarışmayı kazandı. Ödüller.
Momenta'nın konumu, her zaman yapay zeka yazılımı ve algoritmalarının gerçekleştirilmesine odaklanan, otonom bir sürüş beyni oluşturmaktır.
Momenta'nın teknolojisi üç ana modül içerir:
Derin öğrenmeye dayalı çevre algısı. Çözdüğü temel sorun, insansız araçların, statik yollar, sokak işaretleri ve dinamik araçlar, yayalar, bisikletler vb. Dahil olmak üzere etrafındaki bazı nesneleri algılayabilmesidir.
Yüksek hassasiyetli harita. Sürücüsüz arabalar, insan sürücülerin aksine, yolda çalışırken yüksek hassasiyetli haritalara güvenir, böylece hangi konumda olduğunu, ulaşılması gereken konum ile mevcut konum arasındaki ilişkinin ne olduğunu ve konumlandırmaya ve Daha doğru navigasyon yapmak ve sonunda otomatik olarak hedefe gitmek için bilgi.
Sürüş karar algoritması. Sürüş kararları, 100 milyar kilometre sürüş deneyimine sahip akıllı bir sürücü oluşturmaya benzer şekilde verilerle belirlenir. Kitle kaynaklı yol testleri sayesinde Momenta, yüksek hassasiyetli anlamsal haritalarda çok sayıda sürüş yörüngesi elde etti. Devasa sürüş yörüngelerini öğrenerek Momenta'nın algoritması, mevcut ortam algısına ve yüksek hassasiyetli harita bilgilerine dayalı olarak sürüş kararı planlaması yapabilir.
Bu teknolojilere dayanarak, Momenta farklı seviyelerde otonom sürüş çözümleri geliştirdi ve altta yatan teknoloji daha önce güçlü bir çok yönlülüğe sahipti ve bunu daha sonra ayrıntılı olarak tanıtacağım.
Temel platform, büyük veri ve yapay zeka algoritmalarının geri bildirim kapalı döngüsünü gerçekleştirir
Daha sonra, büyük veri ve yapay zeka algoritmalarının geri bildirim döngüsünü gerçekleştirmek için büyük verilerin ve büyük bilgi işlem platformlarının nasıl kullanılacağını anlatacağım.
1. Büyük bilgi işlem platformu, Momenta'yı daha iyi bir model eğitmek için desteklemek için gereken temel beceridir, özellikle derin öğrenme için GPU eğitim sistemi için. Kuruluşundan bu yana geçen iki yıl içinde ekip, eğitim platformunu sürekli olarak optimize etti. 2018'in ilk yarısında Momenta'nın kendi platformunda, yeni başlayanlar ve büyük şirketlerde çok büyük bir sayı olan binlerce GPU bulunuyor. ölçek. Ancak, bu kadar çok GPU'ya sahip olmak yeterli değil Ekip ayrıca, sunucular arasında yüksek hızlı bilgi aktarımı ve mükemmel depolama optimizasyonu dahil olmak üzere derin öğrenme için birçok optimizasyon yapan dağıtılmış bir derin öğrenme eğitim sistemi ROCS tasarladı. Bu sisteme ve SENet'e dayanarak, ürün yineleme sürecini hızlandırmaya yardımcı olur. Bu eğitim sisteminin temel özellikleri şunlardır: kararlılık, yüksek verimlilik, yazılım ve donanımın işbirliğine dayalı optimizasyonu ve kullanım kolaylığı.
2. Büyük veri platformu, on milyarlarca kilometrelik veri toplama kapasitesini ifade eder. Momenta, sürüşle ilgili verileri biriktirmek için kitle kaynaklı fikirlerden yararlanıyor. Farklı araçların karşılaştığı yol koşulları, hava ve aydınlatma koşulları, farklı şehirlerde büyük farklılıklar gösterir ve biriken veriler, algılama algoritmalarının geliştirilmesine daha iyi yardımcı olabilir. Veriler üründen gelir ve birden çok kanal aracılığıyla toplanan veriler, teknolojinin daha iyi yinelenmesini sağlayabilir, ürünün kalitesini ve performansını artırmaya yardımcı olabilir ve son olarak iyi huylu bir kapalı döngü oluşturabilir.
Bu kadar çok veri aldıktan sonra, doğrudan büyük veri platformuna bağlanamaz. Ortada bazı adımlar olacaktır:
İlk adım, veri toplama, ürünler aracılığıyla veri toplama;
İkinci adım veri taramadır Veriler kurtarıldıktan sonra verilerin bir kısmı işe yaramaz, bu nedenle bazı yararsız ve belirsiz verilerin seçilmesi ve kaldırılması gerekir;
Üçüncü adım, geçerli verileri etiketlemektir.Veri sistemi, tespit için Momenta'nın kesin algoritmalarını kullanmıştır ve bu algoritmalar etiketlemenin etkinliğini büyük ölçüde artırabilir ve etiketlemeye 0'dan başlamaya gerek yoktur;
Dördüncü adımda veriler, Momenta'nın model eğitimi için büyük veri platformuna bağlanır.
Eğitim süreci aslında depolama ve bilgi işlem kaynaklarını tüketir. Bu nedenle, veri taramaya yardımcı olmak için eğitim sonuç modelini kullanabilen ve verileri yarı otomatik açıklamaya yardımcı olmak için algoritmaları kullanan dahili bir çevrimiçi uzaktan kitle kaynaklı veri açıklama sistemi de vardır. Momenta'ya katılan öğrenciler de bu projelere maruz kalma ve kendi fikirlerinden bazıları uygulama ve doğrulama fırsatına sahip oluyor.
Bahsetmeye değer bir diğer şey de derin öğrenme algoritma modelidir.Momenta, iyi performansa sahip modelleri ürünlere daha iyi entegre edebilir. Model doğruluğunun neredeyse hiç zarar görmemesi durumunda, model hesaplama hızı 10-100 kat artırılırken, model boyutu 100 kat sıkıştırılır, böylece modelin zaman ve uzayda iki sıra büyüklük iyileştirmesi ve eğitilmiş model Araç içi gömülü platformlar gibi düşük bilgi işlem gücüne sahip, düşük güçlü platformlara daha iyi yerleştirilebilir ve ticarileştirmeyi kolaylaştırır.
Buna ek olarak, şirket içinde araç dinamiklerini simüle edebilen ve ayrıca yüksek seviyeli insansız sürüşe çevrimiçi olarak yardımcı olabilecek dinamik ve statik engellerin eklenmesini simüle edebilen çok profesyonel bir fiziksel simülasyon motoru kullanan bir simülasyon platformu bulunmaktadır. Ölçek.
Momenta'nın temel teknolojisinin uygulanması
Momenta'nın çevresel algılama yeteneklerine özel bir giriş, farklı engel türlerini algılar ve tanır.
Yoldaki en yaygın engel araçtır.Momenta artık çeşitli araç türlerini tanıyabilir ve bu bilgilerle yalnızca dış çerçeveyi değil, aracın 3D duruşuna, lastik konumuna vb. Yaklaşımını eski haline getirmek için bazı yöntemlerle de algılayabilir. , Araç ve çevredeki diğer araçlar arasındaki göreceli ilişkiyi daha iyi değerlendirmek için engelin göreceli hızını ve kameradan gelen konumu daha iyi tahmin edebilirsiniz.
Araçların yanı sıra insanlar da yolda çok yaygın engellerdir. Çevresel algı, insan vücudunun 17 ortak noktasını izleyebilir ve tespit edebilir ve yoldan geçen her kişinin duruşunu ve eylemlerini tanıyabilir, örneğin kişinin bisiklete biniyor mu yoksa yürüyor mu olduğunu belirleyebilir. Kişi yürüyorsa, şeride yürüdüğünü vb. Tespit etmelidir. Şimdi ilgili pozisyon; bir kişi bisiklete biniyorsa, hızını ve 3 boyutlu duruşunu algılayacaktır.
Bu dinamik engellere ek olarak, statik engeller, şerit çizgileri, kavşak kılavuz çizgileri, trafik işaretleri, trafik ışıkları vb. Dahil olmak üzere araçlar için de çok önemlidir. Örneğin, bazı dikey sokak lambası direkleri, tıkanma nedeniyle yalnızca kısmen tanınabilir, ancak çevresel algılama algoritması, uzunluklarını tahmin edecek ve sokak lambası direğinin 3B konumunu belirlemek için bazı önceki bilgileri kullanacaktır. Buna ek olarak, şerit çizgileri de çok yararlı anlamsal bilgilerdir.Bu bilgiler, artı trafik işaretleri ve diğer bilgiler temelinde, vizyona dayalı anlamsal bir harita oluşturabilir.
Momenta ayrıca Çin sahnesi için algılama algoritmasını optimize etti, yerli özelliklere sahip araçlar hakkında bazı veriler topladı ve yol koşullarına ve yoldaki farklı engel türlerine daha iyi uyum sağlamak için bu veriler üzerinde hedefli eğitimler gerçekleştirdi.
Şerit çizgileri ve işaretler gibi bilgilere dayanarak, Momenta yüksek hassasiyetli bir semantik harita oluşturabilir. Neden yüksek hassasiyetli bir semantik harita oluşturmalı? Geleneksel haritalarla karşılaştırıldığında, Momenta yüksek hassasiyetli anlamsal haritalar aşağıdaki avantajlara sahiptir:
Birincisi, daha hızlı güncellemeleri desteklemektir. Aynı yol türü için, araçların yolu toplamak ve mevcut durumu güncellemek için kitle kaynaklı cihaz üzerindeki kamerayı kullanması yeterlidir. Buna ek olarak, yol onarımları ve bazı değişiklikler varsa, araç da kamera aracılığıyla ilgili bilgileri toplayabilir ve iyi bir şekilde koruyabilir;
İkincisi yüksek sıkıştırmadır. Yüksek hassasiyetli anlamsal haritaların alan depolaması çok küçüktür ve ayrıca daha sağlamdır. Bazı düşük seviyeli özelliklerin, ışık ve gözlem açıları gibi faktörlerden dolayı 2B özelliklerin çıkarılmasında olumsuz bir etkiye sahip olması kaçınılmazdır ve yüksek hassasiyetli anlamsal haritalar bu faktörlerin etkisini azaltabilir;
Üçüncüsü, haritalama doğruluğu ve konumlandırma doğruluğu Yüksek hassasiyetli semantik harita, haritanın doğruluğunu en üst düzeye çıkarabilen farklı perspektiflerden, farklı zamanlardan ve birden çok kameradan veri toplar ve konumlandırma doğruluğunun doğruluğu gün içinde 10 cm'den az olabilir.
L4 seviyesinde otonom sürüşü gerçekleştirmek için ne tür teknoloji ve yeteneklere ihtiyaç var?
Şu anda Momenta, 1 milyar ABD dolarının üzerinde bir değerleme ile 200 milyon ABD dolarının üzerinde finansmanı tamamlamıştır. Sermaye piyasası tarafından geniş çapta tanınmanın yanı sıra, Momenta'nın teknolojik liderliği ve ürün çıkarma yetenekleri de endüstri ortakları tarafından derinden tanınmaktadır.
Daha sonra katılmak isteyenler için Momenta'nın büyüme alanını tanıtacağım.
Momenta çok açık ve paylaşımcı bir şirkettir Şirkete katıldıktan sonra herkes en iyi uluslararası konferanslara katılma ve sektör uzmanlarını dinleme fırsatına sahip olacak. Ek olarak, Momenta'nın eğitim mekanizması da çok sağlamdır:
Aşağıdakiler Momenta'nın sıcak işe alım pozisyonlarıdır.İlgileniyorsanız, özgeçmişinizi göndermek için doğrudan sağ alttaki QR kodunu tarayabilirsiniz.
Her şeyden önce, Momenta'nın çok genel konumu sürücüsüz bir yazılım geliştirme mühendisidir (C ++). Genel yazılım geliştirmeden farklı olarak, insansız sürüş sistemleri doğrultusunda algoritmalar ve yazılım geliştirme, veri yapısı ve algoritma optimizasyon yetenekleri için çok yüksek gereksinimlere sahiptir.İstek çok büyük olmakla birlikte gereksinimler de çok yüksektir. Ancak, bu pozisyonun sistem mimarisi ve algoritma optimizasyonu uygulamasına maruz kalmak için birçok fırsatı vardır.Bu projelerde, ilgili işi çok iyi yapmak için herkesin meslektaşları ile derinlemesine iletişim kurması ve alışveriş yapması gerekir.
Planlama algoritma mühendisi aynı zamanda, sürücüsüz arabaların davranış tahmininden, karar verme ve yolların planlanmasından sorumlu, nispeten büyük talep gören bir iştir, bu nedenle bazı otomasyon ve planlama öğrenme yöntemlerine ihtiyaç vardır. Farklı optimizasyonların ve algoritmaların kendi avantajları ve sınırlamaları vardır.Bu nedenle, bu pozisyonun, sürüş sisteminin farklı senaryoları daha iyi idare etmesini sağlamak için stratejileri iyi kullanması gerekir.
Sensör füzyonu ve çevresel modelleme algoritması mühendislerinin, dinamikleri ve çevresel bilgileri çevreleyen doğru araç oluşturmak için algıyı kullanması gerekir. Bu konum, statik ve dinamik engel konumlarının ve hızlarının tahmin doğruluğunu iyileştirmek için çoklu kamera, milimetre dalga radarı, ultrasonik ve lazer nesne algılama verilerinin birleştirilmesini ve böylece bir çevresel algılama modeli oluşturmayı gerektirir.
İnsansız sürüş simülasyon sistemi mühendisi.Simülatörle ilgili çalışmaların yanı sıra bu pozisyonda çok fazla veri çalışması vardır.Ayrıca insansız sürüş sisteminin simülatörde görülen sahneyi daha iyi restore etmesini sağlamak gerekir ki bu da güçlendirme öğrenmesi ve makine için önemlidir. Öğrenme yeteneği için bazı gereksinimler vardır. Bu pozisyon, daha gerçekçi simülasyon sistemi gelişimi elde etmek için simülasyon geliştirmede meslektaşlarla işbirliği yapacaktır.
Ar-Ge ile ilgili pozisyonlara ek olarak, Momenta'da sürücüsüz test mühendisleri gibi bazı test pozisyonları da bulunmaktadır. Umarım, sürücüsüz ürünlerin sistem seviyesinde nasıl daha iyi performans gösterebileceğini daha iyi anlamak için bu pozisyonda olanların ilgili arka plan bilgisine sahip olmasını umuyorum. Geliştirme ekibini ilgili sorunları iyileştirmeye daha iyi teşvik etmek için testler, farklı test yapılarını analiz edin ve modülleri bulun.
Herkes Momenta'ya katılabilir ve bir grup doğru insanla en iyi zamanda doğru olanı yapabilir.
Yukarıdakiler, bu sayıda davetliler tarafından paylaşılan tüm içeriklerdir. Daha fazla genel sınıf videosu için lütfen izlemek için Leifeng Net AI Araştırma Topluluğu Topluluğuna (https://club.leiphone.com/) gidin. WeChat genel hesabını takip edin: AI Araştırma Enstitüsü (okweiwu), en son genel sınıf canlı yayın süresi önizlemesini alabilirsiniz.
