Apollo buzdağının ucunu açıklamayı planlıyor: Baidu, CES Asia'da otonom sürüşe hangi başarıları getirdi?
Lei Feng'in web sitesine göre: Baidu'nun akıllı araba bölümünün genel müdürü Gu Weihao, 8 Haziran'da CES Asia'ya "Yeni Otonom Sürüş Dalgası" temasını getirdi.
Gu Weihao konuşmasında Baidu'nun otonom sürüş alanındaki iki önemli noktasını ayrıntılı olarak açıkladı: Uçtan uca otonom sürüş modeli Road Hackers ve Desay SV ve United Automotive Electronics ile geliştirilen ilk yerli seri üretilen model. Otonom bir sürüş bilgi işlem platformu olan BCU (Baidu Computing Unit).
* Great Wall Motor şasi kontrol teknolojisi sağlar, NVIDIA DRIVE PX2 bilgi işlem platformu sağlar ve Baidu otonom sürüş teknolojisi sağlar
Baidu, mekanın dışında otonom bir araçta da bir test gerçekleştirdi.Aracın en önemli özelliği, monoküler kamera tabanlı, uçtan uca derin öğrenmeli otonom sürüş çözümünün kullanılması oldu.
Baidu'dan bir mühendis Leifeng.com'a, Great Wall Motors ile işbirliği içindeki iki modele ek olarak, bu yılın Ağustos ayında Baidu'nun kendi kendine konumlandırma, çevre bilinci ve karar verme kontrol yeteneklerine sahip üçüncü sürücüsüz arabasını da sergileyeceğini açıkladı.
Bu yılın Mart ayında, Baidu dahili e-postalar aracılığıyla mevcut işletmeleri ve kaynakları entegre edeceğini ve Otonom Sürüş İş Birimi (ADU), Akıllı Araç İş Birimi (L3) ve Araçların İnterneti işinden oluşan bir Akıllı Sürüş İş Grubu (IDG) kuracağını duyurdu ( Car Life vb.) Birlikte.
Baidu'nun akıllı sürüş iş grubunun iş birimlerinden biri olan bu yılki CES Asia, akıllı otomobil iş biriminin (L3) genel geliştirme sonuçları için bir vitrin olarak görülebilir.
Şu anda, Baidu'nun "Apollo Projesi" ne önemli bir haber duyurulmadı. 45 dakikalık bu konuşmada, "Apollo Projesi" nin tanıtımı sadece son 5 dakika içindi: "Apollo Projesi, açık, eksiksiz ve güvenli bir ekosistem ve mimaridir. Seviye: Araç katmanına, donanım katmanına, yazılım platformu katmanına ve bulut hizmeti katmanına bakın. "
Gu Weihao, konuşmanın içeriğinin tüm "Apollo Projesi" için buzdağının sadece görünen kısmı olduğunu söyledi. Yine de Gu'nun konuşması hala çiğnemeye değer.Baidu'nun otonom sürüş çözümüne dair başka bir fikri temsil ediyor: düşük maliyetli, olgun sensörler ve uçtan uca derin öğrenme ile otonom sürüşün nasıl gerçekleştirileceği.
Aşağıdakiler Gu Weihao'nun CES Asia'daki konuşmasıdır. Leifeng.com orijinal niyetini değiştirmeden onu düzenledi ve sildi:
Otonom sürüş simülasyon teknolojisi
Bu fuarda yüksek hassasiyetli haritalara ek olarak akıllı arabalar, otonom sürüş veya akıllı sürüş için daha fazla yeni ürün getirdik.
Standımıza gelirseniz, esas olarak otomatik sürüş testi sorununu çözen otomatik sürüş simülasyon teknolojisini gösteren interaktif bir geniş ekran bulacaksınız.
Gelecekte otonom sürüşün yeteneklerinin insanları geçeceğine inanıyoruz. Ama insanları nasıl geçebiliriz? İnsan seviyesine ulaşmak için gerçek yollarda ve ortamlarda ne kadar pratik yapmamız gerekiyor?
Bu konuyu inceleyen birçok makale var. Bunların arasında iyi bilinen bir makale gördüm: Çeşitli güvenilirlik ve güven hesaplamalarıyla, ideal koşullar altında, bir arabanın insan seviyesine ulaşmak için 200 milyon mil gitmesi gerekiyor. Ve Tesla'nın kendi hesaplamalarıyla 600 milyon mile ihtiyacı var.
Çin için yol koşulları daha karmaşık.Otonom araçların insan seviyelerini yakalaması veya aşması için ne kadar mesafe test etmemiz gerekiyor?
Bu çok zor bir görev. Bu yüzden simüle edilmiş bir ortam gösteriyoruz: yüksek hassasiyetli haritayı simüle edilmiş ortama doldurun ve ardından sanal gerçeklik 3D ortamı oluşturun.
Aynı zamanda simülatöre otomatik sürüş algoritması ve araç kontrol dinamik modelini de ekledik - her an ve durmadan test edilebilir.
Bu simülatör ile, otomatikleştirilmiş sürüş testi sürecini daha hızlı ve daha iyi bir şekilde hızlandırabiliriz.
Derin öğrenme
Yapay zeka derken iki kilit nokta olduğunu düşünüyorum:
Birincisi, yeterli veri var mı? Yapay zekanın temeli budur;
İkincisi, bu verileri bilgiye dönüştürme yeteneği var mı?
Konuşma tanıma, sesi bir tür bilgi dönüşümü olan metne dönüştürür.Kedileri, köpekleri ve arabaları görüntülerden tanırız, bu da bir bilgi dönüşümüdür. Bu nedenle, yalnızca veriler ve verileri bilgiye dönüştürme yeteneği ile yapay zeka denilebilir.
Geçtiğimiz on yılda, en iyi Çin arama motoruyuz ve büyük miktarda metin yapısı verisi biriktirdik. Mevcut internette veya son on yılda internette bulunan her web sayfasında verilerimiz saklanmaktadır.
Bu kadar büyük miktarda veriyle, bu veriler, arama motorlarının sıralama algoritması aracılığıyla farklı arama yapanlara nasıl daha iyi gösterilebilir?
İnsanların arama gereksinimleri arttıkça, arama motoru algoritmaları için de daha fazla gereksinim ortaya koyduk. Baidu, arama motorunun ana algoritması olarak makine öğrenimi algoritmalarını sunan ilk şirkettir ve aynı zamanda kişiselleştirmeyi de ekler - "ayarlamak için tıkla" dediğimiz yetenek, böylece herkes görür ve arama sonuçları kişisel özelliklere göre farklı sıralamalara sahip olur. .
Geçtiğimiz dönemde tanıma etkisinin veya arama algoritmasının iyi olmadığını söylememizin nedeni, çünkü sınırlı bilgi işlem kaynaklarıyla karşı karşıya kaldığımızda çok fazla değiş tokuş yapmamız gerekiyor: budamak için inisiyatif al, arama alanını daha küçük ve daha hızlı hale getir Doğru sonuçlar elde edin, ancak bu şekilde bazı iyi sonuçları kaybedebiliriz.
FPGA, GPU ve CPU'nun geliştirilmesi de dahil olmak üzere bilgi işlem gücünün iyileştirilmesiyle, bu arama alanı daha büyük hale gelebilir. Şu anda, iyi sonuçların kesilme olasılığı azalacak ve daha alakalı sonuçlar ilk sırada yer alacaktır.
Bu nedenle arama motorlarındaki birikimimiz artık otonom sürüş alanında da kullanılmaktadır.
Otonom sürüş yeni algoritmalar gerektirir
Arama, yapılandırılmış bir metin verileriyle karşı karşıyadır, ancak otonom sürüşün karşılaştığı ortam daha karmaşıktır ve tamamen farklı verilerle karşılaşır: daha fazla görüntü, sensörler tarafından döndürülen daha karmaşık veriler.
Örneğin, lazer nokta bulutu olan Lidar (lidar); radar (radar) algılama sonuç verilerini döndürür; kamera (kamera) görüntü verilerini döndürür.
Daha fazla gerçek dünya verilerinin sunulması, tüm verileri daha karmaşık, ölçek olarak daha büyük hale getirir ve daha fazla bilgi işlem kaynağı gerektirir. Şu anda daha fazla, daha yeni ve daha hızlı yeni derin öğrenme algoritmalarına ihtiyacımız var.
Geçtiğimiz bir veya iki yılda, otonom sürüş için gerekli olan veri, algoritma ve hesaplama yeteneklerinin sürekli olarak geliştiğini gördük, bu da otonom sürüşün bu çağa daha hızlı girmesine izin veriyor.
Otonom sürüş için, ortaya çıkan birçok yeni algoritma var ve yüzlerce düşünce okulu yarışıyor. Ancak otonom sürüşün hala nispeten erken bir aşamada olduğunu düşünüyorum.
Bu sektöre dikkat ederseniz, bunun bir başlangıç şirketi mi yoksa olgun bir şirket mi olduğunu görebilirsiniz, otonom sürüş teknolojilerini göstermişlerdir.
Arabada taşıdıkları sensörler farklıdır: Lidar, milimetre dalga radarı, ultrasonik radar, ön görüş kamerası, çevre görüş kamerası, siyah beyaz kamera, renkli kamera vb. Çeşitli sensörler farklıdır ve sayı da farklıdır.
Bu kendi kendine giden arabaların gerçek dünyadaki arabalardan çok farklı olduğunu göreceksiniz. Elbette, farklı senaryolar farklı sensörler, gerekli algoritma karmaşıklığı veya algoritma türleri gerektirir.
Örneğin, görüntü tabanlı çözümler için görüntü verilerini işlemek için, görüntü şekillendirme hesaplaması, hedef tanıma ve anlamsal bölümlemede nispeten iyi olan daha genel bir evrişimli sinir ağını seçeceğiz.
Lidar ve radar gibi daha fazla veri gerektiren sensörler için kesinlikle farklı derin öğrenme algoritmalarına ihtiyacımız var. Ancak amacımız otonom sürüşün mümkün olan en kısa sürede gerçekleşmesini ummaksa, çok gerçekçi bir soruyu düşünmeliyiz: Ne tür sensörler otonom sürüşü daha hızlı hale getirebilir?
Cevaplarımızdan biri: daha ucuz ve daha olgun sensörler kullanmak ve otonom sürüşe ulaşmak için daha gelişmiş derin öğrenme algoritmaları kullanmak.
Yol Hackerları: Apollo Projesinin Parçası
Bu alandaki uygulamamız: Derin öğrenmeye dayalı otonom bir sürüş çözümü olan Road Hackers.
Amacımız, tüketici sınıfı bir kamera ve derin öğrenme algoritması aracılığıyla otonom sürüşü gerçekleştirmektir. Tabii ki, bu bizim en zorlu uygulamamız. Otonom sürüş için bu tek çözüme güvenemeyiz.Gelecekte radar veya diğer sensörlere ihtiyacımız olacak.
Ancak bugün en zorlu ortam için gittikçe daha katı gereksinimleri uygularsak, gelecekte otonom sürüş, tüm otomobilin güvenliği ve ölçeklenebilirliği için daha uygun olacaktır.
Bu yüzden tanıttığım uygulama, geçmişte biriktirdiğimiz bir sensör, derin öğrenme algoritması ve büyük veriler aracılığıyla otonom sürüşü gerçekleştirmektir.
Bu fikirle geçen yıl bir dizi araştırma çalışması başlattık. Bu süreçte geçmiş birikimimizde çok dikkat çekici bir şey yaptığımızı gördük.
2013 yılında, hala Baidu'nun harita departmanındayken, tüm harita toplama araçlarını, tüm harita toplama araçlarının en gelişmiş sensör ekipmanlarını kullanması için geliştirdik.
Harita toplama sürecinde, toplanan arabadaki sürücünün direksiyonu çevirme, gaza basma ve frene basma davranışları dahil tüm görüntülerini ve tüm sürüş davranışlarını kaydettik. Geçen yıl bu hazineyi keşfettik.
* Kırmızı çizgi, direksiyon simidinin açısını temsil eder. Yeşil çizgi, algoritma tarafından tahmin edilen sürücünün direksiyon dönüşünü temsil eder
Her gün ülke çapında seyahat eden yüzlerce toplama aracımız var ve toplam toplama kilometresi her yıl milyonlarca kilometreye ulaşıyor.
Bu verileri ve davranışları araştırmak için derin öğrenme ve makine öğrenimi algoritmalarını kullanmaya başladık. Bu, bu yıl Ocak ayında ABD, Las Vegas'taki CES'te resmi olarak yayınladığımız video (yukarıda resmedilmiştir). Bu resimde, bizim tahmin ettiğimiz davranış ve sürücünün gerçek sürüş davranışı, direksiyon simidi köşesine nispeten yakındır.
Elbette, bu tür hazinelerin sadece bizim tarafımızdan kazmak ve gerçekleştirmekle sınırlı olduğunu ve hızımızın yeterince hızlı olmadığını da biliyoruz.
Bu yüzden bu veri setini açtık: Bu yılın Ocak ayında, toplama aracında toplanan tüm veriler ve karşılaşılan tüm hava durumu dahil olmak üzere 10.000 kilometrelik Road Hackers ham verilerini açtık: ister güneşli, ister yağmurlu, ister bulutlu, Karlı hava; ister uzun bir yolda, ister virajlı bir yolda, manzaralı bir alanda ya da zeminin her yerinde çamurlu bir yolda olsun.
Açık veri yeterli değil Baidu teknolojiye inanan bir şirket.Teknolojinin her şeyi değiştirebileceğine inanıyoruz.
Her çeyrekte Baidu'da bir teknoloji yarışması oluyor, biz buna geliştirme maratonu diyoruz: Sınırlı bir süre içinde herkes en iyi ürün ve algoritmaya sahip olmak için rekabet etmek için sınırlı bir sahne ve ortam kuruyor.
Bu yıl Ocak ayında CES'ten döndükten sonra bir iç teknik yarışma düzenledik. Kimin algoritmasının yakınsamasını daha belirgin hale getirebileceğini ve kimin algoritmasının otonom sürüşün eğitim hızını artırabileceğini görmek için bu platformda birlikte rekabet edelim.
Sonunda toplam 50 takım kayıt oldu ve bir aylık bir teknik yarışmamız oldu. Elbette bu tür bir teknik rekabetin en önemli yanı iletişim ve paylaşımdır. Bu kazanan ekiplerin, algoritmayı geliştirmek için ekip mühendislerimizle tamamen iletişim kurmasına izin veriyoruz.
Böylesine teknik bir rekabet sayesinde, dikey kontrol veya daha iyi yatay kontrol elde etmek için zaman hafızalı yeni bir algoritma sunabileceğimizi gördük.
Bu ağ yapısında, altta yatan görüntü özelliklerinden otomatik olarak ayıklayabiliriz ve otomatik işleme için hala evrişimli sinir ağlarını kullanır. Ancak boylamsal kontrol açısından, yeni bir model tanıttık: sadece bu resim aracılığıyla değil, son on, yirmi ve hatta bir sonrakini tahmin etmek için son on, yirmi ve hatta yüz resme dayanan bir sinirsel hafıza işlevine sahip. Nasıl yapılır.
Bu teknoloji ilk olarak konuşma tanıma araştırmasında kullanıldı: LSTM (uzun kısa süreli bellek).
Tahmin sürekli davranış için olduğu sürece, bu derin hafıza modelini ele alacağız ve onu boylamsal kontrole dahil edeceğiz.Yeni atılım, arabanın hızlanması ve yavaşlamasının daha yumuşak ve daha rahat hale gelmesidir.
Bu, algoritmayı optimize ettikten sonra Pekin'de test ettiğimiz bir videodur (yukarıdaki resim).
Atışın başlangıcında aslında sürücü kursu şoförü olan bir şoför gördük, bizim belirlediğimiz rotada dolaşıyordu.Birkaç kez sürdükten sonra sürüş davranışını tamamen kaydettik ve derin bir sinir eğittik. Öğrenmenin ağ yapısı. Daha sonra budama, budama ve optimizasyondan sonra bu ağ yapısını arabaya koyuyoruz.
* Great Wall Motor, Nvidia ve Baidu, yalnızca bir kamera ve uçtan-uca derin öğrenmeye dayalı otonom bir sürüş gösterisi geliştirdi
BCU: Baidu Hesaplama Platformu
Son iki yılda, meslektaşlarım ve ben Çin'deki veya yurt dışındaki hemen hemen tüm ana OEM'leri ziyaret ettik. Geçen yıla kadar bir OEM arkadaşım bana, "Söylediğiniz teknoloji çok iyi. Şu anda iyi bir iş çıkardığınızı da biliyorum ama nasıl kullanacağımı bilmiyorum" dedi.
Bir arkadaşım bunu söyledi ve neden böyle bir sorunun olduğunu düşünüyorum, ancak birden fazla OEM arkadaşım benimle aynı sorun hakkında konuştuğunda, düşünmeye başladık: Teknolojimiz otonom sürüşe nasıl uygulanmalı?
Otomotiv endüstrisi zinciri çok uzun Bu alana girdikten sonra OEM'lerin Tier1 ve Tier2'ye sahip olduğunu öğrendik. Öyleyse konumlandırmamız nedir? Bu endüstri zinciri ile nasıl entegre olunur? Teknolojimizi seri üretilen arabalara nasıl uygularız?
Bunları düşündükten sonra, BCU (Baidu Hesaplama Birimi) adında yeni bir konsept tanıttık.
Yapay zeka çağında tüm algoritmaların ve yazılımların donanımla donatılması gerekiyor, ancak bu yetenekler donanıma yerleştirildiğinde yeteneklerimiz serbest bırakılabilir.
OEM'lerle daha fazla iletişim kurduğumuz ortaya çıktı ve ardından otomotiv sektöründe Tier1 ve Tier2 ile iletişim kurmaya başladık. Onlarla iletişimde, algoritmanın donanım gereksinimlerini de ortaya koyduk: ne kadar bilgi işlem gücüne ihtiyaç var, ne kadar depolama alanı, ne kadar güç tüketimi vb.
OEM'lerle daha fazla iletişim kurduğumuz ortaya çıktı. Bundan sonra sektörde Tier1 ve Tier2 ile iletişime geçmeye başladık. Onlarla iletişimde, algoritmanın donanım gereksinimlerini de ortaya koyduk: ne kadar bilgi işlem gücüne ihtiyaç var, ne kadar depolama alanı, ne kadar güç tüketimi vb.
Kendinden konumlandırma, otonom sürüş için çok önemli bir temeldir ve aracın kendisinin nerede olduğunu söylemesi gerekir. Konumlandırma yöntemimiz, eşleştirme için fiziksel işaretçiler, görüntü çıkarma ve yüksek hassasiyetli haritalara dayanmaktadır.
Yatay konumlandırma doğruluğu 0,2 metredir. Bu konumlandırma doğruluğu, aracın kendi şeridinde gidebilmesini sağlayabilir. Artık neredeyse% 98 veya% 99 doğruluk elde edebiliyoruz. Boyuna konumlandırma doğruluğu 2 metredir ve şimdi neredeyse% 80 ila% 90 doğruluk oranındayız. Yüksek hızlı otonom sürüş için, bu konumlandırma doğruluğu aslında yeterlidir.
Konumlandırma yeteneklerini, algılama yeteneklerini ve rota planlama yeteneklerini Tier1 ile ilettikten sonra, otonom sürüşün seri üretimine uygun bir BCU donanımı geliştirdik.
BCU donanımı üç türe ayrılır: BCU-MLOC (yüksek hassasiyetli konumlandırma), BCU-MLOP (yüksek hassasiyetli konumlandırma + çevre bilinci) ve BCU-MLOP2 (yüksek hassasiyetli konumlandırma + çevre bilinci + karar planlama).
Bu somut donanımla, otomotiv endüstrisine, tüm sektörün hızlı bir şekilde gerçekleştirilmesi fikrini hızlandırması için güç veriyoruz.
Apollo Projesi hakkında
(Bugün) tanıttığım her şey, Nisan ayında Şanghay Otomobil Fuarı'nda açıklanan Apollo planına kıyasla aslında nadir.
Apollo projesi, açık, eksiksiz ve güvenli bir ekosistem ve mimaridir. Dört seviye içerir: referans araç katmanı, referans donanım katmanı, yazılım platformu katmanı ve bulut hizmet katmanı.
Referans donanım tasarımımıza ve referans araç tasarımımıza göre, herhangi bir şirket veya birey beceriye sahip olduğu sürece, Baidu ile aynı yeteneklere sahip otonom bir araba geliştirebilirler.
Otonom sürüş tamamen yeni bir pazar.Sektöre kendi temel yeteneklerimizi sağlamayı, tüm endüstrinin gelişimini hızlandırmayı ve otonom sürüşü daha hızlı hale getirmeyi umuyoruz.
Not: Gu Weihao'nun konuşmasının tam videosu için lütfen izlemek için bu bağlantıyı tıklayın.
Leifeng.com'da önerilen okuma:
Palm boyutunda, 20W güç tüketimi olan Baidu, Çin'deki ilk araç içi otonom sürüş bilgi işlem platformunu seri üretecek | CES Asia 2017
