Tsinghua Üniversitesi'nden Profesör Deng Zhidong: Teknik rotadan sanayileşme uygulamasına kadar baştan otonom sürüş | CCF-GAIR 2017
"Otonom sürüş, yapay zekanın en ticari değeri ve karaya giden ilk dikey alan olabilir." Deng Zhidong, 10 Temmuz'da Çin Bilgisayar Topluluğu'nun (CCF) ev sahipliği yaptığı ve Lei Feng.com ile Hong Kong Çin Üniversitesi'nin (Shenzhen) ev sahipliği yaptığı CCF-GAIR Küresel Yapay Zeka ve Robotik Konferansı final gününün akıllı sürüş özel oturumunda bunu söyledi.
Deng Zhidong şu anda Tsinghua Üniversitesi Bilgisayar Bilimleri Bölümü'nde profesör ve doktora süpervizörüdür. Deng Zhidong, 2009 yılından bu yana, algı ve otonom karar verme işlevlerine sahip üç sürücüsüz araba geliştiren bir ekibi yönetti ve bu alanda çok şey biriktirdi. Günümüzde yapay zeka teknolojisinin evrimi ve gelişmesiyle birlikte yapay zeka, otonom sürüş endüstrisinin L4 (SAE) seviyesinin uygulanmasında yeri doldurulamaz bir rol oynuyor. Deng Zhidong'un açılış konuşması da bu konu etrafında dönüyordu.Leifeng.com Xinzhijia, orijinal niyetini değiştirmeden konuşmanın içeriğini düzenledi.
* Tsinghua Üniversitesi profesörü ve doktora danışmanı Deng Zhidong
1. Kısıtlanmış alan bir çukurdur
20 Eylül 2016'da ABD Ulaştırma Bakanlığı, insansız araçların sınıflandırma standardı (L0-L5) olarak SAE Seviye 6'yı kullandığını açıklığa kavuşturan en son yeni Otonom Sürüş Federal Yönetmeliklerini yayınladı. Artık herkes genellikle L3 ve L4 ile ilgileniyor, L3 sınırlı koşullar altında otomatik sürüş ve L4 son derece otomatik sürüş.
Spesifik olarak, otonom sürüşün ilk aşaması destekli ve yarı otonom sürüş (L0 ve L1), ikinci aşama geçişli insansız sürüş (L2 ve L3) ve üçüncü aşama gerçek insansız sürüş (L4). Ve L5).
Geçiş döneminin ikinci aşaması olarak, yani L2 ve L3'ü içeren insan yardımı ile insan-makine birlikte sürüş aşamasıdır.
-
L2 elleri ve ayakları serbest bırakmak içindir, ancak insan gözleri ve beyni de etkilenir;
-
L3, insan gözünü özgürleştirmektir.İnsan gözünü özgürleştirmenin anahtarı, makinenin aşırı ve acil durumlar da dahil olmak üzere çevreyi güvenli ve güvenilir bir şekilde algılamada insanların yerini alabilmesidir.
L4 ve L5 gerçekten insansız sürüş aşamalarıdır ve en ayırt edici özelliği, otonom sürüş güvenliğinin tamamen garanti edilmesidir.
-
L4, insan beynini özgürleştirmek içindir, ancak yine de alanı ve işlevi sınırlaması gerekir;
-
L5 herhangi bir kısıtlama gerektirmez, tıpkı insanlar gibi arabalar insanların gidebileceği yere gidebilir ve arabalar insanların gidebileceği yere gidemez.
Bu nedenle, L2 elleri ve ayakları serbest bırakır, L3 insan gözünü serbest bırakır ve L4 ve L5 insan beynini özgürleştirir Aracın otonom bir şekilde gidebileceğinden emin olabilirsiniz. L5'te direksiyon simidi, pedallar veya dikiz aynası bile yok.
L2'den L4'e kadar, dikkate alınması gereken temel bir konu, alanı sınırlamak ve işlevi sınırlamaktır.
1. Kapalı alanlarda otonom sürüş
Örneğin, hızı sınırlayın, açık ve görünür, seyrek trafik akışı gibi özel uygulama senaryolarını göz önünde bulundurun, özellikle kapalı alanlarda otomatik sürüşü izleme, sabit şeritlerde otomatik sürüş vb. Bu durumda, L3 ve L4 otonom sürüşü nispeten kolay bir şekilde elde etmek için yörünge izleme veya şerit çizgisi görsel izleme artı basit engel algılama teknolojisini kullanabiliriz. Maliyet düşürülebildiği müddetçe, bir iş modeli elde etmek kolaydır.Bu, birçok insanın şu anda dahil olduğu düşük hızlı otomobil ticarileştirmesidir ki bu, nispeten kolaydır.
2. Yapılandırılmış yollara ve sınırlı işlevlere sahip otonom sürüş
Sınırlı sürüş otoyolları ve bazı kentsel yol bölgelerinde otonom sürüş gibi. Bu yapısal ve yarı yapılandırılmış yol, nispeten basittir, otonom şerit değiştirme ve çok sert tetikleme koşullarında sollama gibi otonom sürüş işlevlerindeki kısıtlamalarla birleştiğinde, yalnızca yüksek hassasiyetli haritalar, engel algılama ve davranış tahmin teknolojisi kullanması gerekebilir Ve böylece, L3'ten L4'e otomatik sürüş kabiliyetini gerçekleştirmek nispeten kolaydır.
3. Karmaşık senaryolarda otonom sürüş
Örneğin, daha büyük kentsel alanlarda veya hatta tüm şehirlerde veya çeşitli yol koşullarında otonom sürüş. Uberin Pittsburghdaki ücretsiz taksi yol testi ve deneme operasyonu, tüm yol ağının yüksek hassasiyetli haritalarını, engel tespiti, davranış tahminini dikkate alması gerektiği için çok ileri bir aşamaya ulaşan gerçek şehir çapında otonom sürüştür. Arabada hala iki güvenlik mühendisi olmasına rağmen karmaşık kararlar vb. Şu anda L3 ve L4'ü fark etmek daha zor ama ticari değeri çok büyük, şimdi insansız sürüşten bahsediyoruz ki bu ileri aşamaya geçiyor.
Bu Baidu'nun Apollo projesine götürür. Amacı nedir?
Kısacası Baidu, açık yazılım platformunda Bosch gibi Tier1 (bir Tier 1 otomobil parçası tedarikçisi) ile işbirliği yapıyor. Otonom bir sürüş yapay zeka algoritması şirketi olmayı umuyor mu? Aynı zamanda veya bulut tabanlı veri hizmeti platformuna odaklanmak ve yüksek hassasiyetli haritalar ve büyük veriler dahil olmak üzere hizmet pazarına geri çekilmek mi istiyorsunuz?
2. Çevre algısı ve çevre modellemesi arasındaki anlaşmazlık
1. Tamamen çevresel modellemeye dayalı otonom sürüş
Nispeten kapalı bir alanda otomatik sürüşü ve tüm yol ağında sabit hatlı otomatik sürüşü izlemek, tamamen çevresel modellemeye dayalı teknik bir çözümdür.
-
Avantajları: RTK santimetre düzeyinde hassas yörünge takibini kullanarak, karayolu sürüşü kolayca yüksek hız ve yüksek hassasiyet elde edebilir;
-
Dezavantajlar: Çevresel uyum yok, özerklik eksikliği. Kullanılan RTK yüksek hassasiyetli entegre navigasyon ekipmanı, diferansiyel baz istasyonunun aldığı haberleşme menzili, çoklu yol etkisi ve uydu sayısından etkilenir ve maliyeti yüksektir. Örneğin, en ucuz ithal DGPS / IMU 200.000'den fazla ve daha pahalı olanı 500.000 ila 600.000'dir ve yalnızca geniş görüş açısına sahip açık ve kapalı sahneler için uygundur. Entegre navigasyon ekipmanının fiyatı düşürülürse, bir iş modeli de elde edebilir.
Dahası, yüksek hassasiyetli haritalar otomatik sürüşü gerçekleştirmek için kullanılabilir, yani navigasyon ekipmanının donanım maliyetini azaltmak için harita eşleştirme navigasyonunun kapsamlı kullanımı ve ayrıca tüm yol ağının otomatik sürüşünün gerçekleştirilmesi için daha elverişlidir.
Mevcut sürücüsüz arabaların çoğu bu türdendir.
2. Tamamen algıya dayalı otonom sürüş
Yani, sabit bir şerit veya yol boyunca otomatik sürüş.
-
Avantajlar: Yüksek otonom ve çevresel uyumluluk ile tüm yol ağında otonom sürüş; yalnızca kameralara veya lidara güvenerek, yüksek hassasiyetli haritalar yok, RTK yok ve düşük maliyetli;
-
Dezavantajlar: Şerit çizgileri ve bordürlerin kalitesinden etkilenen hız düşük ve güvenilirlik zayıf.
Bu yaklaşım, insanların sürüş şekline benzer ve tamamen algıya dayanır Açıkçası, bu tür bir teknik rota son derece aşırılıktır ve çevresel algı için çok yüksek gereksinimleri vardır, bu da son derece zorlayıcıdır ve çok fazla belirsizlik getirir.
Sonuç: Aynı zamanda yüksek performanslı karayolu sürüş kabiliyeti ve yerel özerklik elde etmek için çevre algısı çevre modellemesi ile birleştirilmelidir.
3. Görme mi yoksa lidar egemen mi?
Şu anda, otonom sürüş ortamı algısı için iki ana teknik yol vardır: biri Tesla tarafından temsil edilen, vizyona dayalı çoklu sensör füzyon şeması, diğeri ise Google Waymo gibi tipik bir temsilci olan düşük maliyetli Lidar tarafından yönetiliyor.
1. Tesla tarafından temsil edilen görüntü-led: kamera + milimetre dalga radarı + ultrasonik radar + düşük maliyetli lidar.
Kamera görüşü, ortam ışığından büyük ölçüde etkilenen pasif görüştür.Hedef tespiti ve SLAM nispeten güvenilmezdir, ancak maliyeti düşüktür. Şu anda Tesla, üretim arabalarına Autopilot 2.0 aygıt yazılımını kurmuş durumda ve maliyeti nispeten düşük, yalnızca yaklaşık 7000 ABD doları, 8 kamera monoküler bir çevre görünümü oluşturuyor, 1 milimetre dalga radarı ve 12 ultrasonik radar var. L2'den L4'e atlayın.
Yarım yıllık sıkı bir çalışmanın ardından Tesla, kısa süre önce Mobileye monoküler görüntü teknolojisinden Nvidia Drive PX2 bilgi işlem donanımı platformuna dayanan Tesla Vision yazılım sistemine yol testi büyük verilerinin geçişini tamamladı ve bu yılın Mart ayı sonunda 8.1 yazılımını piyasaya sürdü. Versiyon, daha önce hayal etmesi zor olan Mobileye'nin teknik seviyesine kısa vadede ulaşmak için derin öğrenme yöntemini kullanıyor. Tesla'nın otonom sürüş teknolojisi nedir? Önemli bir gözlem noktası, 2017'nin sonunda planlandığı gibi Los Angeles'tan New York'a gidip gelemeyeceğini ve insan müdahalesi olmadan 4,500 kilometre tam otonom sürüş sağlayıp sağlayamayacağını görmek.
2. Google Waymo tarafından temsil edilen Lidar hakimdir: düşük maliyetli Lidar + milimetre dalga radarı + ultrasonik sensör + kamera.
Lidar aktif görüştür.Hedef tespiti SLAM'den daha güvenilirdir, ancak rengini ve dokusunu kaybeder ve pahalıdır. Şu anda, Google Waymo, maliyeti% 90'dan fazla düşüren Lidar donanımını geliştirmek için kendi ekibini kurdu, bu da temelde yaklaşık 7000 ABD doları. Aynı zamanda, Amerika Birleşik Devletleri'nin Phoenix bölgesinde 500 L2 otomobilin sosyal olarak kamuya açık testine başladılar ve bu oldukça gelişti. Bu tür bir teknik rotanın iniş uygulaması.
Lidar liderliğindeki çözümler aşağıdaki iki yönde ticarileştirilmeye devam edebilir:
-
Birincisi, kamera ve lidarın donanım modüllerini geliştirmek ve ikisini birleştirmektir.Doğrudan renkli lazer nokta bulutu verisi elde edebilen hem lidar hem de renkli kameralar vardır.
-
Diğeri, katı hal lidarın geliştirilmesi ve gerçek sanayileşme gibi lidarın donanım maliyetini daha da azaltmaktır, bu durumda maliyet birkaç yüz dolara düşecektir.
Kısacası, otonom sürüş alanında çözülmesi gereken üç temel konu var: yani yapay zekanın kullanımı, özellikle hedef tanıma için derin öğrenmenin kullanımı, otonom navigasyon ve bilgi füzyonu Bu üç teknik başarı gerçekten ticari değer taşıyor.
-
Hedef tanıma: Örneğin, yoğun trafik akışına sahip karmaşık bir kentsel alanda çevredeki engellerin davranışının, özellikle de aşırı ve acil durumların algılanması ve tahmin edilmesi gibi güvenilir bir şekilde nasıl tespit edilip tahmin edilebileceği.
-
Otonom navigasyon: Lazer SLAM veya görsel SLAM ve düşük maliyetli entegre navigasyon ile hassas füzyonu;
-
Bilgi füzyonu: Birden fazla sensör bilgi füzyonunu nasıl gerçekleştirir?
Sonuç: Otonom sürüş, temel platform olarak bilgili araçları kullanmalıdır Bilgilendirme, dijitalleştirme veya yazılımlaştırmanın yanı sıra dahili iş ve dış ağ oluşturmayı da içerir. Bu, akıllılaştırmanın temeli ve koşuludur. Tel kontrolü gibi, OTA (havadan indirme), SDU (yazılım tanımlı yükseltme), temel platformun standart konfigürasyonu haline gelmelidir.
Dördüncüsü, yapay zeka, otonom sürüş endüstrisinin uygulanmasını hızlandırıyor
Otonom sürüş, yapay zekanın en ticari değeri olabilir ve yere inen ilk dikey alandır.
Otonom sürüş, trilyon dolarlık dev bir pazar. Sürücüsüz otomobillerin paylaşımının katma değerli hizmetlerin sağlanmasında daha önemli olduğu düşünülürse, katma değerli hizmet pazarına dahil edilirse, piyasa değeri 10 ile çarpılarak 10 trilyon ABD doları düzeyine ulaşabilir.
Kendi kendine giden araba çok özel bir ürün biçimidir, mutlak güvenlik ve düşük maliyetin yanı sıra endüstriyel bir ekoloji oluşturmak için genel bir çözümü dikkate almalı ve sonunda iş modelini bulmalıdır.
Derin öğrenme, orijinal gerçek büyük veriden türetilmiştir.Gerçek zamanlı performansı, GPU, TPU, FPGA, ASIC ve beyin benzeri yongaların hızlı gelişimi ile desteklenmiş ve otonom sürüş algısı, karar verme ve kontrolün temel teknolojisi haline gelmiştir.
Derin öğrenme, çevre algısı ve otonom karar verme için belirleyici bir teknolojidir. Otonom araçların, insan sürücülere benzer otonom sürüş becerilerini öğrenme ve geliştirme becerisine sahip olması beklenmektedir. Bunların arasında, büyük veri teknolojisi ve yol testi anahtar rol oynamaktadır. Bir insan olarak, bir öğretmenin gözetiminde öğrenmek için önce sürücü okuluna gidiyoruz, ardından sürücü okulundan ayrıldıktan sonra yüzbinlerce kilometre sürüş deneyimimiz oluyor, bu da deneme yanılma yoğun eğitimlerle oluyor. Makine ayrıca AlphaoGo gibi aynı derin denetimli öğrenme ve derin güçlendirme öğrenme yeteneklerine sahip olabilir mi?
Kısacası, derin evrişimli sinir ağları ve derin pekiştirmeli öğrenme, algılama, karar verme, kontrol, analiz ve öğrenme gibi otonom sürüşün tüm önemli yönlerinde yaygın olarak kullanılabilir.
1. Çevresel algı ve bilişsel haritalara dayalı hassas otonom navigasyon
Derin evrişimli sinir ağlarının yakın zamanda devrim niteliğindeki gelişimi, düşük maliyetli lidar, yüksek hassasiyetli haritalar, 5G iletişimleri, akıllı ağ oluşturma ve akıllı ulaşım sistemleri ve akıllı şehirlerin birleşik güçleriyle birlikte insan düzeyinde görsel algılama ve tanıma yetenekleri getirdi. Destek, ekstrem ortamlar ve acil durumlar ile düşük maliyetli, yüksek hassasiyetli otonom navigasyonu gerçeğe dönüştürmek ve L2'den L3'e otonom sürüşün gelişimini artırmak çok mümkündür.
Bununla birlikte, en derin evrişimli sinir ağının en büyük eksikliklerinden biri var, yani şu anda anlamsal anlayışa ulaşamıyor. Böyle bir ikilemde, yüksek hassasiyetli haritalar (ızgara ve bilişsel haritalar dahil) ve 5G iletişiminden ve NB-IoT mobil Nesnelerin İnterneti ve ITS'den oluşan Araçların İnterneti gibi diğer destekleri kullanabiliriz. Bu zorlu sorunu çözün.
2. Bağımsız öğrenme yeteneği ile bağımsız karar verme ve akıllı kontrol
AlphaGo tarafından güçlü bir şekilde desteklenen derin pekiştirmeli öğrenmedeki en son gelişmeler, otonom araçların insan benzeri otonom öğrenme yeteneklerine sahip olmasını ve acil durum tahmini ve veri odaklı akıllı kontrol sistemleri dahil olmak üzere uçtan uca otonom davranış karar verme işlevlerini elde etmesini sağlayabilir. , Otomatik sürüşü L3'ten L4'e yükseltin.
3. Yapay zekanın otonom sürüşü mümkün kılması bekleniyor
Otonom sürüş probleminde, zayıf yapay zeka temel olarak algoritmaları (derin evrişimli sinir ağları ve derin pekiştirmeli öğrenme), verileri (hedef büyük veri, hedef davranış büyük verileri, sürüş davranışı büyük verileri vb.), Hesaplamayı (mobil, bulut gibi) içerir. Çevrimdışı eğitim derin öğrenme hızlandırıcı), otonom sürüş segmentasyon senaryoları (hedef ve davranış niyet algısı, bilişsel harita ve navigasyon, bilgi füzyonu, otonom karar verme, akıllı kontrol vb.) Ve 5 boyut dahil dikey entegrasyon.
Otonom sürüşün inişini destekleyen derin öğrenme algoritmaları ve açık kaynak kod çerçeveleri
Otonom sürüşün geliştirilmesini destekleyen algoritmalar arasında çevre algısı, engel algılama, davranış tahmini, otonom navigasyon, otonom karar verme ve akıllı kontrol bulunur.
-
Çevresel algı: Esas olarak, yolda yağmur ve kar, yüksek yoğunluklu yansımalar, ciddi şerit çizgileri veya bordür eksikliği veya büyük miktarda engel gibi bazı aşırı koşulları dikkate alır.
-
Engel algılama: Şu anda, piksel düzeyinde algılama, bölümleme ve tanıma için yüzlerce derin evrişimli sinir ağı katmanı kullanılabilir.
-
Davranışsal niyet tahmini: Engel davranış tahmini, engel tespiti kadar önemlidir.
-
Otonom navigasyon: maliyetleri düşürmek için SLAM tabanlı çözümler gibi düşük maliyeti, yüksek hassasiyeti ve yüksek çevresel uyarlanabilirliği vurgulayan yöntemler.
-
Bilişsel harita: İnsanlar sürüş sırasında raster haritalar yerine bilişsel haritalar kullanır.
-
Otonom karar verme ve kontrol: Otonom karar verme, derin öğrenmeye dayanan uçtan uca özerk bir karar verme yöntemidir. Bir dizi video görüntü bilgisini girer ve ardından aktüatörü doğrudan kontrol etmek yerine otonom bir karar verir. İkincisi aynı zamanda aşırı bir teknik çözümdür. Aslında ciddi güvenlik riskleri var. Takviye öğrenmeye dayalı kontrol algoritması 1990'larda başladı ve veri odaklı ve bilgi odaklı modelden bağımsız akıllı kontrol teknolojisi üzerinde daha fazla araştırma yapılabilir.
* Derin öğrenme için açık kaynak kod çerçevesi
Otonom sürüşün inişini desteklemek için büyük veri
Otonom sürüş için büyük veri çok önemlidir. Şu anda Google, 5 milyon kilometreden fazla yol testi büyük verisi biriktirdi ve 2016'da 1 milyar mil analog büyük veri üretildi; Tesla, 357 milyon kilometre büyük veri biriktirdi.
Yukarıdaki şekilde gösterildiği gibi, şu anda Kaliforniya'daki 36 şirket yasal sürücü testi için onaylanmıştır. Otonom sürüş şirketleri arasındaki küresel rekabet şiddetli. Şu anda endüstriyel rekabetin odak noktası şu iki nokta:
-
Otonom sürüş büyük veri kilometre;
-
Acil durumlarda manuel müdahale sıklığı.
En son sıralama, mevcut teknoloji seviyesinden Google Waymo'nun 5 puanla en iyisini yaptığını ve Ar-Ge ekibinin veya yeteneğinin de 4.5 puanla en iyisi olduğunu gösteriyor. Uber'in iş modeli en iyisini yapıyor, çünkü Pittsburgh şehrinin her yerinde sürücüsüz taksileri test etti ve iş modeli puanı 5 oldu. Tesla'nın teknoloji puanı 3,5 olup, teknolojik ilerleme açısından dünyada ikinci sırada yer almaktadır.
Derin öğrenme yöntemleriyle ne kadar büyük veri toplanır ve beslenirse o kadar iyi sürüş sezgisi elde edilebilir ve bu nedenle teknoloji devleri büyük veriyi çılgınca takip ediyor. Sahip olan ve kullanan büyük veriyi ne kadar özerk yönlendirirse, kim olursa olsun teknolojik olgunluk o kadar yüksek veya sektöre olan mesafe o kadar yakın denebilir.
Büyük veriyi derin evrişimli sinir ağlarında kullanmak için, büyük verinin bütünlüğü çözülmelidir. Ancak eksiksizliğe ulaşmak çok zordur ve tüm aşırı ve acil durumlardan kaçınılmalıdır. Çin'deki karayolu trafik durumu dünyadaki en karmaşık durumdur ve aşırı ve acil yol koşullarına eğilimlidir, bu nedenle mümkün olan en iyi yol testi ortamına ve otonom sürüş için büyük veriye sahibiz. Ayrıca, otonom araçların engel tanıma oranını% 99.999'dan% 99.99999'a çıkarmak için ihtiyaç duyulan şeyin, büyük kaynaklar gerektiren sözde uzun kuyruk etkisi nedeniyle katlanarak büyük veri büyümesi olduğu belirtilmelidir. Ödemek.
Otonom sürüşün inişini destekleyen bilgi işlem motoru
Yüzlerce katmana kadar büyük ölçekli derin öğrenme modelleri, süper GPU / TPU küme sunucuları kullanılarak çevrimdışı olarak eğitilebilir. Şu anda, küresel çip devleri tamamen yapay zeka çipleri kullanıyorlar.Özellikle, otonom sürüş araçları ve bulut için derin öğrenme çipleri askeri uzmanlar için bir savaş alanı haline geldi. Artık Google'ın TPU'sunu küresel AI çip savaşına katılmak için kullandığı görülüyor.
* Nvidia çip kampı
Otomobil OEM'leri, otonom sürüş teknolojisi şirketleri ve Tier1 ile çeşitli çip devleri şu anda dikey ve yatay olarak tanımlanabilecek kendi AI çip endüstrisi ekolojisini veya kamplarını ortaya koyuyor. Şu anda, Nvidia en büyük çip kampına sahip.Çoğu otomobil şirketi ve internet şirketi Nvidia donanım platformlarını kullanıyor ve ikincisi yakında yeni nesil Xavier platformunu açık kaynaklı hale getirecek. Diğer AI çip kampları, Intel ve Intel tarafından satın alınan Mobileye tarafından oluşturulan Intel / Mobileye ittifakını ve Google Waymo'yu çevreleyen AI çip kampını içerir.
Otonom sürüşün inişini desteklemek için diğer temel koşullar
Otonom sürüşün inişini destekleyen diğer temel koşullar açısından, yüksek hassasiyetli ızgara haritaları ve derin öğrenmeye dayalı yüksek hassasiyetli bilişsel haritalar büyük bir endüstri oluşturabilir. Dijital, ağ bağlantılı ve akıllı ulaşım altyapısı aşamalı olarak inşa edilecektir.
Ek olarak, derin öğrenme şu anda anlamsal anlayışı gerçekleştirememe kusuruna sahip olduğundan, akıllı ağ teknolojisi (bulut ve yol test ekipmanı iletişimini destekler), akıllı ulaşım sistemi ve akıllı şehir vb. Temeli olarak 5G ve NB-IoT'ye güvenmelidir. Aşırı ve acil durumlarda güvenilir algılama sorununu çözmek için birlikte çalışın.
Nihai hedef, paylaşılan insansız sürüş ve yapay zeka katma değerli hizmetleri gerçekleştirmektir.
Sonuç
Kısıtlı alan bir çukurdur ve her şey yüklenebilir. Teknoloji seviyesinin L3'e ve hatta L4'e ulaşması inanılmaz değil. Anahtar nokta, ister liman, havaalanı, park, otoyol, şehrin bir bölümü, ister şehrin tamamı, hatta tüm ülke olsun, bu seviyenin hangi kısıtlı alan için olduğudur. Bu nedenle, alan dikkate alınmalı ve tabii ki aynı zamanda sürüş fonksiyonunun sınırlandırılması da dikkate alınmalıdır. Tersine, sınırlı alan aynı zamanda otonom sürüş iş modelinin kademeli evriminin gerçek bir tezahürüdür, yani kademeli olarak basitten karmaşığa ilerletilmelidir.
Ekstrem ortamlarda ve acil durumlarda güvenilir algı elde etmek ve L2'yi artırmak için çevresel algı çevresel modelleme (yüksek hassasiyetli haritalar) ile birleştirilmeli ve 5G iletişim, NB-IoT, Araçların İnterneti, ITS ve akıllı şehirlerin desteğiyle bir sinerji oluşturmalıdır. L3'e atlamak, otonom sürüş endüstrisinin uygulanması için en önemli adımdır.
Yüksek güvenilirlik ve düşük maliyet, görme veya lidarın önde gelen teknoloji yollarının ortak gereksinimleridir ve çoklu sensör bilgi füzyonu, ele alınması gereken ortak bir çekirdek teknolojidir.
Derin öğrenme, çevre algısı ve otonom karar verme için belirleyici bir teknolojidir. Otonom araçların, yol testleri ve büyük verinin anahtar olduğu, insan benzeri otonom sürüş öğrenme yeteneklerine sahip olması beklenmektedir.
Son olarak, yeni bir yapay zeka rönesansı turu, L4 ve üstü sürücüsüz endüstrilerin ticari uygulamasını kesinlikle hızlandıracaktır.
Lei Feng tarafından önerilen okuma: Tsinghua Üniversitesi'nden Profesör Deng Zhidong: Yerel araştırma ortamı aceleci ve çok az orijinal algoritma var
