Tsinghua Üniversitesi'nden Profesör Deng Zhidong: İkinci otonom sürüş eylemi başladı
Leifeng.com'un yeni akıllı sürüş presi: Haziran ayından itibaren Xinzhijia, Leifeng.com · AI MOOC Academy ve Netease Cloud Classroom Enterprise Edition ile birlikte, sektördeki ve akademideki en iyi uzmanları otonom sürüşün bugünü ve geleceği hakkındaki çeşitli görüşlerini paylaşmaya davet eden bir dizi akıllı sürüş dersi düzenledi. 13 Haziran'da, Tsinghua Üniversitesi Bilgisayar Bilimleri Bölümü profesörü ve doktora öğretmeni Deng Zhidong, "Geleceğin Arabaları" Konferans Salonu: Otonom Sürüşün Anahtarı üzerine bir buçuk saatlik bir ders verdi. Leifeng.com Yeni Akıllı Sürüş Kursun içeriği sıralandı ve orijinal niyet değiştirilmeden ayarlamalar yapıldı.
Dostluk bildirimi: Bu ders dizisinin ikinci aşamasında, Autonavinin yüksek hassasiyetli harita ürünlerinin ürün direktörü Gu Xiaofeng'i otonom sürüşte yüksek hassasiyetli haritaların rolünü paylaşmaya davet ettik. Daha sonra Horizon Robotics Intelligent Driving İş Direktörü Li Xingyu ve Silikon Vadisi Otonom Sürüş Teknolojisi Şirketi Vector.ai CEO'su Andrew Tsai de öğrencilere daha heyecanlı paylaşımlar getirecek. Kurs içeriği 28 Haziran ve 12 Temmuz tarihlerinde de yapılacak. Birbiri ardına çevrimiçi olacak, lütfen Leifeng.com'a dikkat edin.
Konuk tanıtımı
Deng Zhidong, Tsinghua Üniversitesi Bilgisayar Bilimleri Bölümü'nde profesör ve doktora süpervizörüdür. Şu anda Çin Otomasyon Derneği'nin direktörü ve Çin Otomasyon Derneği Akıllı Otomasyon Profesyonel Komitesi'nin direktörüdür. Ulusal 863 Programının (1998-2001) akıllı robot konu uzmanları grubunun liderinin eski asistanı. 8 yıllık ulusal otonom sürüş projesine başkanlık etti ve Tencent'in otonom sürüş laboratuvarı da dahil olmak üzere üst düzey yerli ekipler için çok sayıda yetenek yetiştirdi.
2009'da başlayan Çin Ulusal Doğa Bilimleri Vakfı'nın kilit projesi, "İnsansız araçların yapay olarak tanınması için anahtar teknolojiler ve entegre doğrulama platformu" ve yetiştirme projesi "İnsansız araçlar için anahtar teknolojiler ve entegre kentsel çevre için test prototiplerinin geliştirilmesi Profesör Deng Zhidong, geçtiğimiz 8 yıl içinde, "THU-IV1 ilke deneysel prototip aracı ve THU-IV2 teknik doğrulama prototip aracı olmak üzere doğal çevre algısı ve otonom karar verme yeteneklerine sahip üç sürücüsüz aracın geliştirilmesine başkanlık etmiştir. Ve THU-IV3 tam hat kontrol testi prototip aracı.
Güncel araştırma yönleri şunları içerir: yapay zeka, derin sinir ağları, hesaplamalı sinirbilim, gelişmiş robotlar, sürücüsüz arabalar vb. Önceki araştırma alanları: sanal gerçeklik (1998-2001), kablosuz sensör ağı (2001-2009), hesaplamalı biyoloji (2002-2010).
İkinci otonom sürüş eylemi başladı
1. Bilimsel araştırmaların hakim olduğu ilk otonom sürüş eylemi temelde sona erdiOtonom sürüşün gelişiminin ilk aşamalarında, tipik olaylar, Amerika Birleşik Devletleri'nde DARPA tarafından finanse edilen Grand Challenge (2004, 2005) ve Urban Challenge (2007) ve İtalya'daki Parma Üniversitesi'nin Yeni İpek Yolu (2010) idi.
Google Waymo, 2009 yılında yola çıktığından bu yana, 10.000 kilometrede yalnızca 1.25 manuel müdahale ile 3 milyon milden (483 kilometre) daha güvenli ve otonom bir şekilde yol kat etti.
2011 yılında, Almanya Berlin Özgür Üniversitesi'nin sürücüsüz MIG arabası şehirde otonom olarak 20 kilometre yol kat etti, 46 trafik ışığını, iki kavşağı geçti ve herhangi bir müdahaleye gerek kalmadan güvenli bir şekilde hedefe geri döndü.
2013 yılında, İtalya Parma Üniversitesi'nin otonom aracı BRAiVE, Parma'nın kentsel bölgesinde otonom bir şekilde sürdü ve yoldan geçen yayalar, trafik ışıkları, suni yükseltilmiş kaldırımlar, yaya alanları, keskin dönüşler vb. İçeren tek yönlü iki şeritli yollar gibi dar banliyö yollarından başarıyla geçti. Ve aynı zamanda tüm süreci manuel müdahale olmadan gerçekleştirin.
Çin'de, 2009'dan başlayarak, Çin Ulusal Doğa Bilimleri Vakfı, "görsel-işitsel bilgilerin bilişsel hesaplaması" üzerine büyük bir araştırma projesi başlattı ve Çin'in kendi kendine giden otomobil araştırma ve geliştirme seviyesinin iyi bir örneği olan, arka arkaya sekiz "Çin Akıllı Araba Gelecek Yarışması" düzenledi. İyileştirme, tanıtımda büyük rol oynadı. Bu, Çin'deki takip aşamasıdır ve birçok yerli üniversite ve araştırma birimi bu plana katılmıştır. 8 yılda büyük değişiklikler oldu ve bu, Çin'in akıllı otomobillerinin gelişiminde bir kilometre taşı olarak kabul ediliyor.
2016 yılında, 18 adet Baidu "Yunxiao" insansız aracı Wuzhen'deki Ziye Yolu'nda göründü ve açık şehir içi yollarda 3,16 kilometre yol kat etti. Baidu, NHTSA L4 seviyesinde tamamen kendi kendine giden bir araba diyor.
Genelde bu dönem, maliyete bakılmaksızın bilimsel araştırmanın hakim olduğu bir dönemdir (bir arabanın maliyeti iki milyondan fazla, üç milyondan fazla olabilir) yalnızca teknik bir yol gerektirir, ancak ikinci perdede tüm durum Bu farklı.
2. Pazar öncülüğündeki otonom sürüşün ikinci eylemi başlıyorİkinci eylem, lider olarak piyasaya ve otonom sürüşün geliştirilmesini teşvik etmek için ana yapı olarak işletmeye dayanmaktadır. Ekipman maliyeti, iniş uygulaması ve iş modeli faktörleri dikkate alınmalıdır. Üç önemli bileşen vardır:
-
Yeni otomobil şirketleri: Tesla, Weilai, Singularity, Xiaopeng, LeTV, Chehejia vb.
-
Eski araba şirketleri: Ford, Renault-Nissan, Daimler, Volkswagen, BMW, yerli Changan, Chery, Great Wall, BAIC, BYD vb.
-
Sınır ötesi teknoloji şirketleri: Google Waymo, Uber, Apple, Baidu, Tencent, Huawei ve diğer devler; Uisee Technology, Smart Traveller, Horizon, Tucson, SenseTime vb. Gibi start-up şirketler
Sözde yeni "dört modernizasyon" elektrifikasyon, enformasyon, istihbarat ve paylaşımdır.
1. Elektrik
Alman hükümeti, dizel lokomotiflerin 2030'dan sonra yollarda yasaklanacağını duyurdu; 8 Ekim 2016'da, Danıştay yürütme toplantısı prensip olarak Çin'in artık yeni geleneksel yakıtlı araç üreticilerini onaylamayacağına karar verdi.
2. Bilgi
Bilişim, dijitalleştirme veya yazılımlaştırma ve (dahili) veri yolu veya (harici) ağ oluşturmayı içerir. Bu, zekanın temeli ve koşuludur. Birçok yeni enerji aracı ağ oluşturmayı başardı. OTA ve yazılım tanımlı yükseltmeler artık başlıyor Standart olun.
3. Akıllı
İstihbarat bugün yaptığımız şeydir - otonom sürüş veya insansız sürüş.
Şu anda, bu yön için iki seçenek var: Birincisi, temelde yapay zeka ve büyük veri tarafından yönlendirilen ve esas olarak monoküler görüş olan vizyona dayalı bir çözümdür.Tipik temsilci Tesla'dır. İkinci perde artık görsel bir yol olmadığından, düşük maliyetli, yüksek güvenilirlikli ve gerçek anlamda ticari inişe ulaşmak gerekir.Bunu başarmak için, ancak ana yapı olarak ve pazar liderliğindeki işletmelerle başarılabilir. Başka bir şema lidar tarafından yönetilir ve tipik temsilci Google Waymo'dur.
4. Paylaşım
Sürücüsüz ve akıllı katma değerli hizmetleri paylaşmak, otomotiv endüstrisinin nihai hedefidir. Akıllı mobil terminallerin veya akıllı ağların bir düğümü olarak paylaşılan sürücüsüz arabalar, ekonomiyi ve akıllı şehirleri paylaşmanın gelişimini teşvik edecek ve temelde insan seyahatini alt üst edecek.
Otomobil daha geniş bir alana ve daha güçlü bir taşıma kapasitesine sahip, büyük veriye olan talebi oluşturup gerçekleştirebiliyor ve daha çeşitli katma değerli hizmetler sunabiliyor Akıllı telefondan daha büyük bir mobil terminal haline gelecek ve paylaşılan bir ağ oluşturacak. İnsansız bir sürüş ekolojisi oluşturmaya çalışın. İnsansız araçlar güvenliği, paylaşımı, yeşilliği ve enerji tasarrufunu en üst düzeye çıkaracak.
-
daha güvenli
İnsan araba kazalarının% 80'i duygudurum dalgalanmaları, yorgun sürüş ve alkollü araç kullanımı ile ilgilidir.Otonom sürüş bu konudaki riskleri azaltır.Kaza sıklığı 100.000 kilometreden 10 milyon kilometreye büyük ölçüde azaltılabilir.
Geçen yıl yaşanan iki Tesla kazası, birçok kişinin sürücüsüz araçların güvenliği konusunda endişelenmesine neden olurken, Dünya Sağlık Örgütü'ne (WHO) göre dünya genelinde her yıl 1,25 milyon trafik kazası ölümü oluyor, günde ortalama 3.425 kişi. Bir araba kazasında öldü. Bu verilere bakıldığında, sürücüsüz arabalar şüphesiz daha güvenlidir.
-
Araç paylaşımı
İnsansız araçlar, şehrin araç sahipliğini mevcut% 5-% 10'a düşürebilir ve bu da trafik sıkışıklığı gibi sorunları temelden çözebilir.
-
Yeni enerji yaygın olarak kullanılır ve bu onu daha çevre dostu yapar
-
İnsansız araçların sevkıyatını ve küresel yolunu optimize ederek enerji tüketimini azaltabilir
Otonom sürüşün sanayileşme hızı artıyor.Birçok insan 2021'i otonom sürüş endüstrisinin ilk yılı olarak görüyor. Tipik bir örnek Tesla'nın Otopilot 2.0'ıdır.
Şu anda, Tesla'nın tüm yeni seri üretilen arabaları, "tamamen otonom sürüş işlevlerine" sahip bir donanım sistemi olan Auopilot 2.0 ile kurulabilir ve ECU yazılımı OTA aracılığıyla yükseltilebilir.Otomatik sürüş işlevi doğrudan L2'den L4'e ve üstüne atlar. Bu gerçek olabilir mi? Sonuçların bir kısmı bu yılın sonunda gözlemlenebiliyor Musk, Tesla'nın Los Angeles'tan New York'a tam otonom sürüş modunda 2017'nin sonundan önce en zor çıkış ve giriş ve 4500 kilometre dahil olacak şekilde gideceğini açıkladı. Baştan sona müdahale yok.
Birçok şirket şu anda halka açık sürüş testleri gerçekleştiriyor. 25 Ağustos 2016'da nuTonomy, Singapur'da dünyanın ilk sürücüsüz taksisiz yolcu hizmetini başlattı, ancak kapsam 2,5 mil kare ticari yerleşim alanlarıyla sınırlı; Uber, 14 Eylül'de Pittsburgh şehir merkezinde hizmete girdi Büyük ölçekli sürücüsüz taksiler ücretsiz yolcu hizmeti veriyor. Ve Google Waymo, Volvo, Ford, BMW, Baidu, Intel vb. Gibi 20 küresel şirketin tamamı, 2021'in dört yıl sonra sürücüsüz otomobillerin ilk yılı olacağını ve bazı SAE L4'lerin seri üretileceğini açıkladı.
Aynı zamanda sektör rekabeti de yoğunlaşıyor. Burada iki ana gösterge var, biri büyük veriye dayalı otonom sürüş kilometre sayısı, diğeri bin mil içindeki manuel müdahale sıklığı. Geçen yıl, California Taşıtlar Bakanlığı birkaç otomobil şirketinin verilerini yayınladı. Google Waymo ilk sırada yer aldı. Otonom sürüş mesafesi 3 milyon mil ve müdahale sayısı bin mil başına 0.2 kattı. İkinci genel amaçlı yolculuk, bin mil başına 18,5 kattır.
Amerika Birleşik Devletleri'ndeki bir dergi, küresel otonom sürüş şirketlerini üç kademeye ayıran ve onları teknoloji, yetenek ve iş modeli olmak üzere her biri 5 puan ve maksimum 15 puan olmak üzere üç boyuttan puanlayan bir sıralama duyurdu. İlk kademe Google Waymo, teknolojisi tam puan, yetenek 4,5 puan ve iş modeli sadece 3,5 puan; onu Uber takip ediyor.Uber'in teknolojisi çok iyi olmasa da iş modeli en iyisi. Mükemmel 5 puanla Pittsburgh'da sürücüsüz ücretsiz yolcu servisi başlattı; üçüncü ve dördüncü Daimler ve Delphi.
1. Aktif yapay zeka girişimleri. Zoox, drive.ai, General Motors, Comma.ai, Japonya'nın Tercih Edilen Ağı, ZMP vb. Tarafından satın alınan Cruise Automation dahil.
2. Hırslı yeni otomobil şirketleri. Örneğin Tesla, altı ay süren sıkı bir çalışmanın ardından, kısa süre önce Mobileye sürücü test verilerinin Nvidia Drive PX2 üzerinde çalışan Tesla Vision yazılım sistemine geçişini başarıyla tamamladı ve bu yılın Mart ayı sonunda Autopilot 8.1 yazılım yükseltmesini piyasaya sürdü.
Tesla ticarileşmeye daha yakın. Birincisi, yeni bir enerji otomobili şirketidir; ikincisi, yazılımı yükseltebilen OTA'ya sahiptir; üçüncüsü, dünyadaki en zengin büyük veriye (300 milyon milden fazla yol testi verisi) sahiptir; son olarak, Tüm donanım, üretim arabaları için standart donanım haline geldi. Bu nedenle, tamamlanan her bir otopilot işlevi zorlu yol testlerine tabi tutulduğu ve olgunlaştığı sürece, bir OTA yazılım yükseltmesi tamamlanabilir.
3. Çabalarını hızlandıran sınır ötesi teknoloji devleri. Örneğin, Google, otonom sürüş departmanını geçen yıl Google Waymo'yu oluşturacak şekilde böldü. Bağımsız araştırma ve geliştirme ekibinin kurulmasıyla lidar maliyeti% 90'dan fazla azaldı. Şu anda yaklaşık 7.000 ABD doları. Seri üretimden sonra bu maliyetin daha düşük olacağına inanıyorum. Waymo şimdi, Amerika Birleşik Devletleri'nin Phoenix bölgesinde 500 Chrysler Pacifia MPV plug-in hibrid sürücüsüz otomobil üzerinde halka açık bir test gerçekleştirdi ve bu da onun ticarileştirilmesinin bir başlangıcı olarak kabul edildi. Buna ek olarak Baidu, otonom sürüş kodunu açık kaynak kodlu açmayı planlayan Apollo projesini ve Toyota ile işbirliği içinde Xavier platformu girişini bu yıl Temmuz ayında açmayı ve Eylül ayına kadar tam açık kaynağa ulaşmayı planlayan NVIDIA'nın Xavier açık kaynak projesini başlattı.
4. Hala avantajları olan geleneksel otomobil şirketleri. Ford, General Motors, Renault Nissan, Daimler, Volkswagen, BMW ve diğerleri gibi geleneksel otomobil şirketleri, otonom araç ürünlerinin geliştirilmesini ve test edilmesini hızlandırdı.Changan, Chery, Great Wall, BAIC, BYD gibi yerli şirketler de aktif olarak gelişiyor. Kendi kendine giden otomobil teknolojisi.
Bu, otonom sürüşün ikinci eylemidir. SAE L4 otonom sürüş döneminin 2021 civarında geleceğine inanıyorum, ancak işlevleri ve alanları tek adımda yerinde değil, ancak kademeli olarak yinelenecek.
Sanayileşmenin anahtarı
1. Teknik zorluklar
İki ana zorluk vardır: L2'den L3'e nasıl geçilir? L3'ten L4'e nasıl geçilir? Ekstrem ortamların algılanmasını ve acil durum kararlarının ön değerlendirmesini düşünün. Sanayileşmenin uygulanmasını ölçmek için iki ana gösterge vardır, yani otonom sürüşün büyük veri kilometre sayısı ve 10.000 kilometrede manuel müdahale sayısı.
2. Düşük hız ve yüksek hız seçenekleri dahil olmak üzere uygulama senaryolarının ve iş modellerinin seçimi
Otomatik sürüş için iki sınıflandırma standardı vardır: Biri, otomatik sürüş seviyesini L0, L1, L2, L3 ve L4'e bölen eski Amerikan Karayolu Trafik Güvenliği İdaresi'nin sınıflandırması; diğeri ise Otomotiv Mühendisleri Derneği'nin (SAE) sınıflandırmasıdır. , L0'dan L5'e.
SAE L0-L5 altı seviye aslında üç aşamada özetlenebilir, ilk aşama L0 ve L1 dahil olmak üzere destekli ve yarı otonom sürüş olarak adlandırılır. L0, tamamen insanlar tarafından yönlendirildiğimiz durumdur, ancak LDW, FCW, BSD vb. Gibi öne veya arkaya monte edilmiş alarm tipi açık döngü ADAS olabilir; L1, ACC, AEB, LKS gibi tek bir kapalı döngü ADAS'dir , IPAS, vb .;
İkinci aşama, otonom sürüşün ilk eyleminde ulaşılabilen aşamadır.L2 ve L3 dahil olmak üzere insansız sürüşün geçiş aşamasına aittir. Maliyetler dikkate alınmazsa, bu aşamaya genel olarak gelinmiştir. L2, güvenlik sürücüsünün ve izleme sürücüsünün insansız araçta olmasını gerektirir Güvenlik sürücüsü esas olarak sürüş ortamının algılanmasından ve izlenmesinden, aşırı ortamı algılamak ve müdahale etmek için ellerini direksiyon simidinde tutmaktan sorumludur.L2'ye kısmi otonom sürüş de denir. . L3, tüm algısal müdahaleleri iptal eder ve yalnızca koşullu otonom sürüş olan acil durumlar için öngörücü kararlar ve bilişsel müdahaleler yapar.
Üçüncü aşama, L4 ve L5 dahil gerçek insansız sürüştür. L4'te herhangi bir insan sürücü yoktur, ancak alan veya işlev sınırlıdır. Diğer bir deyişle, ekstrem ortamlarda ve acil durumlarda bile, son derece otomatik bir sürüş olan hiçbir insan ele geçirme veya müdahale sorunu yoktur. L5, insan sürüşünden farklı değildir, tam alan ve tam işlevlidir. Benzer şekilde, ekstrem ortamlarda ve acil durumlarda bile, insanın ele geçirmesi veya müdahalesi yoktur ve tamamen otomatik sürüş olan direksiyonlar, pedallar ve dikiz aynaları yoktur.
1. Uygulama senaryolarının ve iş modellerinin seçimi
Düşük hızlı L4 otonom sürüş, doğal noktalar, limanlar, havaalanları, geliştirme bölgeleri ve servis otobüsleri ve turist otobüsleri dahil diğer boş ve seyrek trafik akışları gibi nispeten kapalı ortamlarda sabit hatlarda otomatik sürüş uygulamasıdır. Ana endişenin bir kısmı iş modelidir. Açık bir ortamda L2'den L4'e teknolojik sıçramayı gerçekleştirmek sadece bir iş modeli değil, aynı zamanda teknolojik bir atılımdır. Genel olarak, düşük hız bir iş modelini takip ederken yüksek hız, yüksek güvenilirlik ve düşük maliyetli teknik rotaların seçimini içerir.Teknoloji çok daha zordur.
2. Zorluklar ve zorluklar
Her şeyden önce, L2'den L3'e nasıl kesişir? Bir kişi araç kullanırken çevredeki yol çevresine dair bir anlayışa sahiptir Gördüğü hedef sadece algılama, sınıflandırma ve tanımanın bir sonucu değil, aynı zamanda anlamsal anlamı, çağrışımı ve uzantısı da vardır. Yapay zeka anlamsal anlamada teknolojik atılımlara ulaşamazsa, insan algısını aşmak zor olacaktır. Aslında, L2'den L3'e kadar olan sorun, güvenilir algılama sorunudur.İster vizyona dayalı bir çözüm olsun, ister lidar liderliğindeki bir çözüm olsun, tamamen uç ortamlarda güvenilir algılama sorununu çözmekle ilgilidir.
İkincisi, L3'ten L4'e nasıl geçilir? Bu, bilişsel müdahale konusunu içerir. Acil durumlarda nasıl tahmin ve yargılama yapılır? İnsanları bilişsel müdahale için nasıl ikame edebilirim? Şimdi, derin öğrenmeye ve insan-makine hibrit zekasına dayalı uçtan-uca özerk davranış karar verme gibi acil ve aşırı durumları tahmin etmek için bazı yöntemler var.
Kısacası, bu iki sorun çok zor ve çok zordur çünkü aşırı ve acil durumlarla başa çıkmaları gerekirken, mutlak güvenilirlik gerektirir ve aynı zamanda insansız sürüşün de bir özelliği olan düşük maliyetli uygulamaları dikkate alırlar. Kamera ekipmanının maliyeti en ucuzudur Tesla'nın teknik çözümü, çevresel görüntülü monoküler kameraya odaklanmak, diğeri ise Waymo'nun düşük maliyetli lidar liderliğindeki teknik çözümüdür. Her ikisi de düşük maliyetli çözümlerdir.
Ayrıca hedef tespiti ve tanıma sorunu da var. Yoğun trafik akışına sahip karmaşık kentsel alanlar için, ekstrem ortamlarda çevredeki engeller, özellikle yayalar gibi küçük hedefler nasıl tespit edilir ve belirlenir? Yüksek maliyetli yüksek hassasiyetli entegre navigasyon sistemi nasıl değiştirilir? Maliyeti düşürmek için lazer SLAM ve görsel SLAM nasıl birleştirilir? Ancak ister hedef tanıma ister hassas navigasyon olsun, en büyük sorun bilgi füzyonudur. Vision-led veya lidar-led çözüm benimsenmesine rağmen, diğer heterojen algılama veya navigasyon cihazlarının hala entegre edilmesi gerekiyor. Bu bağlamda, derin öğrenme yöntemleri çoklu sensör bilgi füzyonu için kullanılabilir.
Son zorluk, mutlak güvenliği sağlama öncülüğünde maliyetleri olabildiğince düşürmek için ticari iniştir.Bu, şu anda büyük bir sorundur.Bu sorunun çözümü, teknik yolda köklü bir değişikliğe yol açabilir.
Yapay zeka, otonom sürüşe yeni atılımlar getiriyor
Birçok insan, otonom sürüşün, ilk inen olabilecek ticari açıdan en değerli dikey alanlardan biri olduğuna inanıyor. Ticari değerin tekrar vurgulanmasına gerek yok Paylaşılan sürücüsüz arabalar ileride trilyon dolarlık bir pazar olabilir ve insan seyahatinin tamamını altüst edebilir.Bu büyük önem taşımaktadır.Ancak inişe ulaşmak için mutlak güvenlik ve düşük maliyet garanti edilmelidir. İkinci olarak dikey entegrasyon gereklidir, eksiksiz bir çözüm gerekir ve endüstriyel bir ekoloji oluşturulur.
Derin öğrenme, orijinal büyük veriden elde edilir ve gerçek zamanlı performansı, GPU'ların, TPU'ların, ASIC'lerin, FPGA'ların ve beyin benzeri yongaların hızlı gelişimi ile de desteklenmektedir. Otonom sürüş algısı, karar verme ve kontrol için temel bir teknoloji haline gelmiştir. Şu anda, üç büyük çip devi de yapay zeka yönünde, özellikle askeri uzmanlar için bir savaş alanı olan otonom sürüşün konuşlandırılması yönünde dönüşüyor.
Derin öğrenme, otonom sürüş algısı ve karar vermenin ana yöntemi haline geldi ve esas olarak iki yönü içerir: biri derin evrişimli sinir ağı ve diğeri derin pekiştirmeli öğrenmedir.
Derin evrişimli sinir ağlarının şimdiye kadarki devrim niteliğindeki ilerlemesi, düşük maliyetli lidar, yüksek hassasiyetli haritalar, 5G iletişimleri, V2X, akıllı ulaşım sistemleri ve akıllı şehirlerin ortak desteğiyle birleştiğinde, ekstrem koşullar altında çevredeki sürüş ortamının güvenilir bir şekilde algılanmasını sağlayacaktır. Otopilotun L2'den L3'e geçmesine yardımcı olacak düşük maliyetli, yüksek güvenilirlikli ve hassas navigasyon ile gerçek oldu. Ve L2'den L3'e sıçramayı başarmak, insan seviyesindeki çevre algısını çözmek ve gerçek insansız sürüşe giden yolun yarısından fazlası.
Derin güçlendirme öğrenmeye dayalı AlphaGo, insan seviyesine ulaşabilir veya hatta insan seviyesini aşabilir. AlphaGo tarafından desteklenen derin takviye öğrenmedeki en son gelişmeler, otonom araçların insan benzeri otonom öğrenme yeteneklerine sahip olmasını ve acil durum tahmini ve veriye dayalı akıllı kontrol sistemleri dahil olmak üzere uçtan uca otonom davranış karar verme sistemleri elde etmesini sağlayabilir. , Böylece otomatik sürüşü L3'ten L4'e yükseltir.
Yapay zekanın, esas olarak algoritmalar (derin evrişimli sinir ağı + derin pekiştirmeli öğrenme), veriler (hedef ve davranışsal amaç görsel büyük veri / lazer nokta bulutu büyük verileri, sürüş davranışı büyük verileri vb.), Bilgi işlem içeren otonom sürüşü mümkün kılması bekleniyor. (Mobil terminal, bulut, çevrimdışı eğitim derin öğrenme hızlandırıcısı gibi), segmentasyon sahnesi (hedef ve davranış niyet algısı, bilişsel harita ve navigasyon, bilgi füzyonu, otonom karar verme, akıllı kontrol vb.) Ve dikey entegrasyon ve diğer 5 boyut.
-
Otonom sürüşün uygulanmasını destekleyen derin öğrenme algoritmaları ve açık kaynak kod çerçeveleri: Googleın TensorFlow'u, Berkeleyin Caffei, Bengionun Theanou, Facebookun Torchu, Microsoftun CNTKı, Amazonun MXNeti, Baidunun Paddle Paddle'ı;
-
Ortak anahtar teknolojiler: derin öğrenme + çevresel anlayış, derin öğrenme + bilgi füzyonu, derin öğrenme + karar / kontrol;
-
Son teknoloji temel teknolojiler: derin denetimli öğrenmeye dayalı hedef ve davranışsal niyet algılama ve tanıma; derin denetimli öğrenmeye dayalı yüksek hassasiyetli harita oluşturma; derin denetimli öğrenmeye dayalı çok modlu navigasyon bilgi füzyonu; derin pekiştirmeli öğrenmeye dayalı otonom karar verme ve kontrol;
-
İnsanların çevresel algı için nasıl ikame edileceği: HD haritasıyla birleştirilmiş derin CNN'ye dayalı çevre algısı; derin CNN'ye dayalı aşırı ortamlarda yol algısı \ şerit çizgisi ve sürülebilir yol algılama; derin CNN'ye dayalı engel algılama ve tanıma;
-
Kişileri öz algıyla nasıl değiştirilir: derin öğrenmeye dayalı, bilişsel haritalarla birleştirilmiş çok modlu otonom gezinme; bilişsel haritalarla birleştirilmiş derin pekiştirmeli öğrenmeye dayalı uçtan uca özerk karar verme; Derin pekiştirmeli öğrenmeye dayalı Aktör-Eleştirmen kontrolü, Bilgi odaklı ile birleştirin.
Ayrıca, tescilli büyük veri, yapay zeka endüstrisinin başarısı için anahtar ve sihirli silahtır. Derin öğrenme ile ne kadar büyük veri toplanır ve beslenirse, o kadar iyi sürüş sezgisi elde edilebilir.
Teknoloji devlerinin hepsi büyük veriyi çılgınca takip ediyor. Kim daha fazla büyük veriye sahip olursa ve onu kullanırsa, daha yüksek ürün olgunluğuna sahip olacak veya ticarileştirmeye daha yakın olacak. Ancak çözülmesi gereken şey, büyük verinin tamlığıdır.Örneğin, tanıma oranını% 99.999'dan% 99.99999'a çıkarmak için ihtiyaç duyulan şey, büyük kaynaklar gerektiren büyük verinin üstel büyümesidir.
-
Otonom sürüşün inişini destekleyen bilgi işlem motoru: süper GPU / TPU'ya dayalı çevrimdışı eğitim;
-
Bulut platformuna dayalı çevrimiçi uygulama: GPU / FPGA derin öğrenme işlemcisi;
-
Terminal uygulamaları: NVIDIA'nın derin öğrenme çipleri Tegra X1 ve Jetson TX2, derin öğrenme çipleri Tesla, derin öğrenme çipleri Drive PX2 ve açık kaynak Xavier DLA;
-
Yeni araba yongası üreticisi: Intel Apollo Lake A3900 "Smart Connected Cockpit Platform", Qualcomm Snapdragon 820A işlemci;
-
Beyin benzeri çipler: IBM TrueNorth, Qualcomn Zeroth gibi;
-
Otonom sürüşün uygulanmasını destekleyen diğer temel koşullar: hedef anlayışına dayalı bilişsel haritalar gibi, özellikle yüksek hassasiyetli (ızgara \ bilişsel) haritalar gelecekte büyük bir endüstri haline gelebilir. Ek olarak, 5G ve Mobil Nesnelerin İnterneti NB-IoT'ye (bulut ve yol test ekipmanı iletişimini destekleme gibi), akıllı ulaşım sistemleri (ITS) ve akıllı şehirler vb. Tabanlı akıllı ağ teknolojileri, otonom sürüş endüstrisinin uygulanmasını desteklemek için ortak bir güç oluşturur.
Sonuç
L2'den L3'e kadar olan zorluk, ekstrem koşullar altında çevredeki sürüş ortamının güvenilir bir şekilde algılanması için insanları değiştirmek için derin evrişimli sinir ağlarının nasıl kullanılacağıdır.
L3'ten L4'e kadar olan zorluk, acil durum tahmininde insanların otonom karar verme mekanizmalarının yerini alacak derin pekiştirmeli öğrenmenin nasıl kullanılacağıdır.
Derin öğrenmenin son devrim niteliğindeki ilerlemesi, yüksek hassasiyetli haritalar, 5G iletişimleri, akıllı ağlar ve ITS ve akıllı şehirlerin desteğiyle birleştiğinde, otonom sürüş endüstrisinin uygulanmasını artıracak bir sinerji oluşturuyor.
İnsansız sürüşü ve akıllı katma değerli hizmetleri paylaşmak, akıllı seyahatin nihai geliştirme hedefi olacak.
QA
Soru: İnsansız sürüşte acil bir duruma nasıl müdahale edilir?
Cevap: Uber ve Waymo tarafından test edilen araçlarda mühendisler var.Özellikle sürücünün oturduğu ve ellerinin direksiyondan çıkmadığı L2 otonom araçlarda acil durumlarda her an görevi devralabilir.
Bilişsel müdahale durumunda, sürücü aracı kontrol etmek için acil durum fren düğmesine basabilir. Arabanın dışında kablolu veya kablosuz olsun, insanlar karar verdikten sonra acil fren müdahalesi yapabilirler.
S: Bilişsel harita kavramı nedir?
Cevap: Bilişsel haritalar, sürüş sırasında çevredeki sürüş ortamındaki çeşitli trafik unsurları arasındaki zamansal ve mekansal ilişkilerdir.İnsanlar, sürüş için bilişsel haritaları kullanır. İnsan gözleri nesneleri ve onların zamansal ve mekansal ilişkilerini kolaylıkla ayırt edebilirken, makinelerin onları algılaması ve tanıması gerekir.Aslında bu kısım en zor olanıdır.
Soru: Paylaşılan bisikletlere verilen hasar artık çok ağır olduğuna göre, paylaşımlı sürücüsüz arabalar gelecekte bu utançtan nasıl kurtulabilir?
Cevap: Paylaşımlı sürücüsüz araçların bir firma veya işletme tarafından kullanılması gerektiğinden böyle bir problemi olmayabilir.Görece yüksek donanım maliyeti nedeniyle işletmenin de daha iyi bir operasyon ve organizasyon modeline sahip olacağına inanılmaktadır. Aslında bu problemin olduğunu söylemek için henüz çok erken ... Önemli olan önce geliştirmek, sonra problem ortaya çıktıktan sonra problemi çözmek.
Soru: Otonom sürüşün güvenliği nasıl kontrol edilir?
Cevap: Otonom sürüşün güvenliği, insan sürüşünden daha yüksek olmalıdır. Araba sürerken, insanlar yorgun sürüş, alkollü araç kullanma ve duygusal sorunlar yaşarlar, ancak sürücüsüz arabalar bunlardan kaçınır.
Şimdi endişelendiğimiz şey, insan algısı seviyesine ulaşıp ulaşamayacağıdır. Aslında şimdiye kadar değil Daha önce de belirtildiği gibi, derin evrişimli sinir ağının bir kusuru var, yani sadece bölümleme ve sınıflandırma problemini çözebilir ve anlamsal anlama yapamaz. Bununla birlikte, bu sınırlama, çoklu sensör füzyonu, yüksek hassasiyetli haritaların önceki bilgilerinin etkin kullanımı ve 5G, NB-IoT ve diğer akıllı ağlar ve ITS'nin kombinasyonu yoluyla aşılabilir. Genel olarak, otonom sürüş sürüş güvenliğini azaltır, azaltmaz.
S: Google, NVIDIA ve Intel'in otonom sürüş çipleri ve algoritmalarının avantajları nelerdir?
Cevap: Google başlangıçta algoritmalar yaptı, ancak şimdi TPU çipleri de var ve üç dev çipi sıkıştırmaya çalışıyor. Algoritması ve TPU'su iyi gidiyor ve avantajları ortada. Teknik olarak, Google kesinlikle bir numara. Nvidia'nın kendisi algoritma yapmaz ama esas olarak çip yapar.Yapay zeka çağında çipleri çok avantajlıdır. Intel ayrıca yapay zeka çiplerinin düzenini ve dönüşümünü de yapıyor.
Soru: Yapay zeka arabası nihayet bir tür robot mu?
Cevap: Evet, bir bakıma kendi kendine giden araba, dış mekan tekerlekli bir mobil robottur.
Soru: Otonom sürüş haritalara ve işaretlere dayalı olarak hesaplanır.Yani arazi coğrafi ortamları için yol yatağı ve işaret yoktur Otomatik sürüş nasıl gerçekleştirilir?
Cevap: Yüksek hassasiyetli harita yalnızca temel bir destek koşuludur, ancak gerekli değildir. Şerit çizgisinin olup olmadığı önemli değil.Arazi ortamında şerit çizgisi yok, ancak sürülebilen yollar var.GPS veya Beidou navigasyon bilgileri de sürüş sırasında yardımcı olmak için entegre edilebilir.
S: Baidu açık kaynağının yenilikçi şirketler için herhangi bir yol gösterici rolü var mı?
Cevap: Bu tam bir çözüm, ancak bence sadece ilk perdenin kodunu açık kaynaklı olacak. İlk eylem, sadece teknik yoldan geçmek, ancak maliyeti olmayabilir, bu nedenle ticari değer büyük değildir, ancak aynı zamanda otonom sürüş yapmaya yeni başlayan start-up'lar için bir rehberdir. İkinci perdede, Baidu gerçek ticari değeri olan programları açmayabilir.
