g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Lei Feng net basın: Lei Feng altyazı grubu, MIT kurs ekibi tarafından otonom sürüş kurslarını tercüme etme yetkisine sahiptir.

Her dersin ders notlarını sizin için sıraladık ve her dersin özünü geliştirdik. Daha iyi bir öğrenme etkisi için video içeriğini ders notlarıyla birlikte izlemeniz önerilir.

Orijinal başlık MIT 6.S094: Otonom Arabalar için Derin Öğrenme 2018 Ders 2 Notlar

Yazar | Sanyam Bhutani

Tercüme | tikboa, Yuanye, Ye Qing, Nie Lu bitirme | Fan Jiang

Bu makaledeki tüm resimler PPT kursuna aittir.

Aşağıdakiler, Lex Fridman tarafından yazılan MIT 6 S094 Ders 2: Otonom Sürüş Derin Öğrenme Kursu (2018) notları hakkındadır.

Kendi kendine giden araba

(Veya sürücüsüz arabalar veya Robocarlar)

İdeal görünüm:

• Kendi kendine giden arabalar hayatımızı nasıl değiştirir:

Dünya çapında trafik kazalarında 1,3 milyon insan öldü

Yalnızca ABD'de 35.000 ila 40.000 kişi var

Fırsat: hayat kurtaran yapay zeka sistemleri tasarlayın

Otomatik pilot, sarhoşluk, yorgunluk ve dikkat dağınıklığını önleme yeteneğine sahiptir.

• Özel ekonomiyi ortadan kaldırın:

Paylaşılan likiditeyi artırın

Para biriktir

Nakliye maliyetlerini büyük ölçüde düşürerek, maliyet düşürme mümkün hale gelir

• Araca yerleştirilen yazılım, daha kişiselleştirilmiş bir deneyim yaşamamızı sağlar

Gerçekçi görünüm:

• İşsizlik oranını artırmak: Gelişmekte olan teknolojiden insanlar her zaman korkar, çünkü mevcut teknolojiye dayanan işleri ortadan kaldırabilir. gibi:

• Ulaşımla uğraşan personel.

• Akıllı sistemlerin felsefi, teknik ve ahlaki düzeylerde başarısız olma olasılığını göz önünde bulundurmalıyız.

• Popüler kültürde yapay zeka (mühendisler hariç) önyargılı olabilir. "Kara kutunun" ahlaki kuralı nedir? Sosyal normlarımıza uyuyor mu?

• Güvenlik: Kodu kullanan araçlar hacklenebilir.

Bir mühendisin bakış açısı: Toplumumuzu değiştirmenin ve yaşamlarımızı iyileştirmenin uygun bir yolunu bulmak istiyoruz.

şüphecilik:

• Neyin zor neyin kolay olduğu hakkında sezgilerimiz var. Bununla birlikte, derin öğrenme için AI kusurludur.

• İnsanlar araba kullanmakta iyidir. Sezgimiz veri kaynaklarına, ek açıklamalara ve algoritmalara dayanır.

• Tahminler ve kararlar verirken idealizme mi yoksa gerçekçiliğe mi yöneldiğimize dikkat etmeliyiz.

• İki yıldan fazla bir süre içinde yeni bir araba geliştirme vaadi sorgulanabilir.

• İyi bir test, araçların kamuya açık yollarda yapılan büyük ölçekli bir testi olmalıdır.

• Rodney Brocks'ın (geniş çapta kabul gören) tahmini:

2032: Amerika Birleşik Devletleri'ndeki büyük sürücüsüz taksi şirketleri, coğrafi kısıtlı alanlarda bile yolcuları istedikleri zaman alıp bırakabilirler.

> 2045: Birleşik Devletler'deki çoğu şehir bunları onaylayacak.

Teknoloji benimseme oranı VS yıl:

• Toplum söz konusu olduğunda, yeni teknolojileri kabul etmeye hazırız.

• Her şey hızla değişebilir.

Genel Bakış:

Farklı otomasyon yöntemleri

Otomasyon seviyesi (SAE J 3016):

• Ön tartışmaların, politika geliştirmenin ve medya gönderilerinin faydalı bir şekilde sınıflandırılması.

• Altta yatan sistemin tasarımı ve genel sistem performansı için çok az faydalıdır.

Geleneksel düzeyin ötesinde: İki tür AI sistemi.

• Başlangıç noktası: Her sistem bir ölçüde insan gerektirir ve insanların aracı kontrol etmesini ve sisteme katılmasını gerektirir.

• A1: İnsan merkezli otomasyon. Tanım: Yapay zeka tam olarak sorumlu değildir, davranıştan insanlar sorumludur.

Ne sıklıkla kullanılabilir?

Sensör tabanlı mı?

Sürücünün görevi devralması için gereken saniye sayısı şu anda 0 saniyeye yakın. (Sistemi uyandırmak ve kontrol etmek için gereken süre)

Araç dışındaki personel tarafından uzaktan devralma kontrolü. İnsan merkezli otomasyondan insanların sorumlu olması gerekiyor. Sistem başarısız olursa, insanların kontrolü ele alması gerekir.

• A2: Yapay zeka tamamen sorumludur. Yasal olarak konuşursak, bu davranıştan araba tasarımcısı sorumludur.

Uzaktan kumanda içermez.

Yeterince iyi olmayan on saniye kuralı olmamalıdır.

Güvenli bir liman bulunmalıdır.

İnsanların kişisel bir seçim olarak görevi devralmasına izin verin. Yapay zeka, yalnızca tehlike altındayken (araba kazası gibi) insan manipülasyonunu görmezden gelir.

L0: başlangıç noktası;

L1, L2, L3: A1: İnsan merkezli;

L4, L5: A2: Tam otomatik.

İnsan merkezli yaklaşım: Eleştiri: İnsanlar bir sisteme sahip olduklarında, sisteme çok fazla güvenirler. Sistem ne kadar iyi olursa, o kadar az insan dikkat eder.

Otonom araçların içinde meydana gelen değişikliklere ilişkin halkın görüşleri nelerdir:

Mühendisin bakış açısı:

• Yoldaki çok sayıda araç, otopilotlarla donatılmıştır, bu da çok fazla veri anlamına gelir.

MIT AVT Doğal Sürüş Veri Seti

• Veri seti, üç yüksek çözünürlüklü kameradan gelen görüntüleri içerir

• GPS, IMU tarafından toplanan tüm veriler

• CAN Veriyolundan Veriler

• Konuşma, dikkat düzeyi, uyuşukluk, duygusal durum, vücut duruşu, aktivite vb. Dahil olmak üzere arabadan alınan veriler.

• 5B + çerçevesini açıklamak için inisiyatif alın.

• Karayolu seyahat verileri:

• İnsanların iç davranışlarını anlamak için verileri kullanın.

• Anlama ve kontrolü eğitmek için verileri kullanın.

• GPS haritası: Kırmızı manuel sürüş kilometre. Mavi otomatik kilometre.

• Kilometrenin% 33'ü otopilottur (otomatik pilot kullanılarak).

• Kısa sınıflandırma: Otopilot ve manuel sürüşün kullanıldığı iki durumda insanların dikkatini ayırt edin. Bağlılık: İnsan merkezli yaklaşım, sisteme aşırı güvenilmeyecek.

Tesla Otomatik Pilot:

• Amaç: güçlü (yüksek hız yüzdesi)

• Yol tipi: çoğunlukla yollar

• Ruhsal katılım: İnsanlar rahatsız olduklarında 8.000 kontrol geçişi gerçekleştirin. Anahtar nokta: Riskler var.

• Fiziksel katılım: Dikkat her iki durumda da aynı kalır.

• Anahtar noktaları:

Sisteme güvenin ve sistemin kusurlarını ortaya çıkarmasına izin verin. Hangi koşullarda etkili olduğunu ve ne zaman başarısız olduğunu bilin.

Sistemin sınırlarını kontrol edin: zorlu bir ortamda.

Kendi kendine giden arabalar: robotların perspektifi

• Beklenti geniştir: araç sayısı çok fazladır.

• Derin: Kontrolü yapay zekaya aktarın.

• Özel: Kilit nokta olarak insan-bilgisayar etkileşimi ile bir ilişki kurun.

• "Algısal kontrol" sistemi ile karşılaştırıldığında, daha çok "özel bir robot" gibidir.

• İnsanların ve makinelerin kusurları şeffaf olmalı ve ikisi arasında iletişim kurmalıdır.

• Anahtar nokta: Sistemi% 90 oranında etkinleştirin. Kusurları ortaya çıkararak, insanların gerektiğinde kontrolü ele almasına izin veriyoruz.

sensör

İşlenebilen ham veri kaynağı.

• Kamera: Görüş sistemi-RGB, kızılötesi

• Radar: Ultrasonik

• Lidar

Ultrason:

Yakın mesafeden iyi çalışır.

Ucuz.

Sensörün boyutu küçük olabilir.

Kötü hava ve görüş koşullarında çalışabilir.

Aralık çok küçük.

Çözünürlük düşük.

Hız tespit edilemiyor.

radar:

Belirli bir derecede otonomiye sahip araçlarda yaygın olarak bulunur.

Elektronik ve ultrasonik varyantlar çok ucuzdur.

Zorlu havalarda iyi performans gösterir.

Düşük çözünürlük.

Şu anda en güvenilir ve en yaygın kullanılanıdır.

radar:

Ultrasonun tüm avantajlarına sahiptir ve hızı algılayabilir.

Düşük çözünürlük.

Doku ve renk çözünürlüğü yok.

Lidar:

• pahalı.

• Çok yüksek çözünürlükle son derece doğru bilgi derinliği.

• 360 derece görüş aralığı.

• Güvenilir veri yoğunluğu daha yüksektir.

• Lidar görüntüsü: Mavi yarıçap ne kadar büyükse performans o kadar iyi olur.

Menzil tamam ama harika değil.

Karanlık ve parlak ışık koşullarında çalışabilir.

Kötü havalarda geçersiz.

Renk veya doku bilgisi yok.

Hızı tespit etme yeteneği.

Sensör boyutu büyük.

pahalı.

Ultrason için uygun değildir.

kamera:

• Ucuz.

• Yüksek çözünürlük: En yüksek bilgi yoğunluğu, bilgi öğrenilebilir ve çıkarılabilir.

• Diğer sensörlerle karşılaştırıldığında, daha fazla büyüklük verisi sırası elde edilebilir.

• İnsanlar genellikle benzer şekilde çalışır.

• Dezavantajlar: kötü derinlik tahmini, aşırı hava koşullarında güvenilmez.

• Menzil ve hassasiyetin karşılaştırılması. Durum 1: Berrak, iyi ışık koşulları

Kamera en geniş menzili sağlar.

Ultrason yüksek bir çözünürlüğe sahiptir, ancak sağlanan aralık çok küçüktür.

• Koşul 2: Açık, soluk koşul VS Koşul 3: Şiddetli yağmur veya sis veya kar:

• Her iki durumda da görsel olarak güvenilmezdir.

• Radar değişmeden kalabilir.

• Lidar geceleri iyi çalışır, ancak şiddetli hava koşullarında çalışamaz.

• kamera:

Ucuz.

Sensör boyutu küçük.

Yakın mesafede performans zayıf.

Maksimum mesafe.

Güçlü ışık altında iyi performans gösterir ve ışık koşullarına daha duyarlıdır (ancak her zaman değil).

Karanlık koşullarda çalışamaz.

Zayıf görüş koşullarında çalışamaz (kötü hava).

Zengin metin bilgisi sağlar (derin öğrenme için gereklidir).

Sensör füzyonu:

Ucuz sensörler: ultrasonik + kamera + radar.

Sensörlerin geleceği

Kamera ve lidarın karşılaştırılması

• Lidar

• Ucuz sensörlerin birleşmesi: Etiketli veriler büyüyor ve derin öğrenme algoritmaları sürekli olarak gelişiyor.

• Her ikisi de eşit derecede iyi performans gösterir. Lidar için zorluk şu şekilde yansıtılır: maliyet, aralık ve boyut.

Ucuz sensör füzyonu ve lidar karşılaştırması

şirket

Waymo

• Nisan 2017: Testi sona erdirmek ve ilk halka açık lansmana izin vermek.

• Kasım 2017: Bağımsız (not: bağımsızlığın tanımı tartışmalı) 4 milyon milden fazla yol kat etti.

• Aralık 2017: Sürücü yok.

Uber

• Aralık 2017: Otonom sürüş 2 milyon mili aştı.

Tesla

• Eylül 2014: Otopilot adı verilen otonom bir sürüş sistemi piyasaya sürüldü.

• Ekim 2016: İkinci nesil Otopilot sistemini sıfırdan geliştirin.

• Ocak 2018: Otonom bir sürüş sistemi olan Autopilot ile 1 milyar milden fazla yol kat edildi.

• Ocak 2018: 300.000'den fazla araç, otonom bir sürüş sistemi olan Autopilot ile donatılmıştır.

Audi A8 sistemi (2018'in sonunda piyasaya sürülecek):

• Seviye 3 otonom sürüş teknolojisine ulaşma sözü.

• Thorsten Leonhardt L3'ü şöyle tanımlıyor: Trafik sıkışıklığı varsa, araba saatte 60 km'den daha az hızla gidecek.

• Bir çarpışmadan sonra, araba yasal olarak sorumlu olacaktır (otonom sürüş modunda).

Kayda değer.

Yapay zeka ve makine öğrenimi fırsatları.

Konumlandırma ve harita yapımı:

Kendinizi uzayda konumlandırabilir.

Görsel kilometre sayacı:

• Ortamı anlamak ve aracı bulmak için kamera sensörlerini kullanın.

• SLAM: Konumlandırma ve harita yapımını aynı anda gerçekleştirin.

Sahnedeki özellikleri tespit edin, bu özellikleri zaman zaman veya kare kare izleyin ve kameranın konumunu ve yönünü tahmin edin.

Geleneksel yöntem:

• Sensörün beslemesini alın.

• (Stereo) Bozulma, düzeltme yok

• (Stereo) Eşitsizlik haritasını hesaplayın

• Özellik algılama (örneğin, SIFT ölçeğinde değişmez özellik dönüşümü, FAST) özellik izleme (örneğin, KLT (Kanade-Lucas-Tomasi) izleme algoritması, yörünge tahmini

• Kullanım senaryosu bölümü (harici ve dahili test gerektirir)

• Mono için, kamera konumu ve yerden yükseklik gibi daha fazla bilgiye ihtiyaç vardır

Derin öğrenme yöntemi uçtan uca yöntem:

• Evrişimli sinir ağı algoritması kullanarak videodan özellikleri ayıklayın.

• Yörüngeyi takip etmek için tekrarlayan sinir ağlarını kullanın.

• Duruşunuzu tahmin edin.

• Çünkü: Veriler yardımı ile daha iyi olacaktır.

• İçin: Bu "eğitilebilir"

Sahne anlayışı

• Ortamı anlamak için kamerayı kullanın.

• Kamerayı sürmek için ana sensör olarak kullanın.

Nesne algılama: geleneksel HAAR algoritması.

• Derin öğrenme, bu alanda baskın bir konuma sahiptir ve tanıma, sınıflandırma ve tespit için daha yüksek doğruluk sağlar.

• Yol dokusu ve ses koşulları: tekrarlayan sinir ağı algoritması kullanın. İçin: Aracın çekiş kontrolünü iyileştirin.

Hareket planlama

Sahneyi anladıktan sonra, A'dan B'ye nasıl gidilir?

• Gelenek: Kontrole dayalı optimizasyon: Optimal kontrolü belirleyin ve sorunu değiştirilebilir optimizasyona dayalı bir yöntem haline getirin.

• Derin pekiştirmeli öğrenme yöntemleri.

Sürüş durumu

• Sürüş durumunu kontrol edin.

• Sürücü ile etkileşim kurun.

• Bu ölçümler, uyuşukluğu, duygusal durumu tespit etmek ve bir bakışta kontrol etmek (sürücünün dikkatinin nerede olduğunu belirlemek) için çok önemlidir.

• "Kertenkele-baykuş etkisi": Kertenkelelerin gözleri (çoğu) başlarından daha fazla hareket ederken, baykuşların kafaları (küçük bir kısmı) gözlerinden daha fazla hareket eder.

• Sürücünün bilişsel yükünü tahmin edin.

• Vücut duruş tahmini.

• Ses etkileşimine dayalı sürücü duygusu.

• Bilişsel yük: Göz alanı ile tahmin edilir ve bir kişinin düşünme derinliği, 0-2 seviyesinde yanıp sönen dinamiklerle tahmin edilir.

Tekrarlamak gerekirse: otonom sürüşün geleceğinde iki yol

Argüman: A1 sistemi son yıllarda daha popüler hale geldi

A2 sisteminin zorlukları:

• Karmaşık durum.

"Yoğun bir bölgede" olduğunu iddia etmek.

Lei Feng Ağı Lei Feng Ağı

Zaobao: iOS 12.1.1 güncellemesi / oyun yönlendiricisi yayınlandı

Akıllı kapı kilitlerinin gelişimi hızlı bir gelişme dönemine girdi ve Hisense akıllı ev kullanıcıların beğenisini kazandı

Bağımsızlık Günü anma ayakkabıları önceden sergileniyor! Gelin ve bu yeni Nike tasarımının ne kadar farklı olduğunu görün

Apple BeatsX kulaklık bugün resmi olarak satışta: Eve götürmek için 1188 yuan

Beklenmedik bir şekilde, Ctrip ve Home Inns kurucuları aynı kişi.

Adayın refahı, Ping An Technology akıllı sınavlar oluşturur

"Eski Casus Erkek Arkadaşım" Avrupa'ya rehberlik etmek için tarihin en çok konuşulan kadın casusu olan bir ajana dönüştü.

Douyu, mastürbasyona başka bir açıklama yaptı: Yetenekleri seviyoruz, ancak onları sevmiyorsunuz ve diğer çapaları uyarıyorsunuz

Chevrolet Picassorod'un yurt içi çıkışı tam boyutlu devi

çok garip! Netizenler, OnePlus 5'in Apple 7'ye benzediğinden şikayet etti ve Liu Zuohu'nun cevabı yeni bir "Tucao Noktası" tetikledi

2018 İnovasyon Konferansı Önizlemesi

"Ateş Hattını Geçmek" kum denizinde hayatta kalma moduna, yeni yıl hediye paketlerine, özel aksesuarlara, heyecanlı mısınız?