Zhejiang Üniversitesi'nden Qian Wei: Otonom Sürüşte Yapay Zeka Zorlukları AI Araştırma Topluluğu 86. Ders
Lei Feng.com AI Technology Review Editörün Notu: Yapay zeka teknolojisinin gelişmesiyle birlikte sürücüsüz sürüş yavaş yavaş mümkün hale geldi. Yapay zekanın gelişimi insansız sürüşe pek çok kazanç getirmiş olsa da, bu alanda hala bazı yapay zeka teknik zorlukları var.
Son zamanlarda, Leifeng.com AI Araştırma Enstitüsü'nün açık sınıfında, Zhejiang Üniversitesi Bilgisayar Bilimi ve Teknolojisi Okulu'ndan Ph.D. Qian Wei, insansız sürüşle ilgili çalışmasını paylaştı. Açık sınıf oynatma video URL'si:
Qian Wei: Zhejiang Üniversitesi, Bilgisayar Bilimi ve Teknolojisi Okulu'ndan Doktora.Onun danışmanı Profesör He Xiaofei'dir. Uzun yıllara dayanan makine öğrenimi ve derin öğrenme araştırma deneyimine sahip ve en iyi yapay zeka konferansı IJCAI'de birçok makale yayınladı. Ayrıca görsel algoritma araştırma ve geliştirme konusunda zengin deneyime sahip, çekirdek üye olarak bir yıldız start-up şirketinin derin öğrenme platformunun inşası ve algoritma araştırma ve geliştirme çalışmalarına katıldı.Ayrıca, tanınmış bir yerli şirketin insansız sürüş ekibinin ilk üyesi olarak görsel algı modülünün tasarımına katıldı. Ve Ar-Ge. Şimdi Feibu Technology'nin algı algoritmasının başıdır.
Konuyu paylaş: İnsansız sürüşte yapay zeka zorlukları
Ana hatları paylaşın:
1. İnsansız sürüş vizyonu
2. Yapay zekanın geliştirilmesinin getirdiği fırsatlar
3. İnsansız sürüşteki zorluklar
Leifeng.com AI Araştırma Enstitüsü paylaşım içeriğini şu şekilde düzenler:
Bugün sizlerle sürücüsüz sürüşte yapay zekanın zorluklarını paylaşacağım. Önce neden sürücüsüz yapmamız gerektiğini anlatayım?
Dünyada ortalama olarak her dakika trafik kazalarında 2,5 kişi hayatını kaybediyor. 2015 yılında dünyada ilk on ölüm sebebi arasında sadece trafik kazaları fiziksel koşullarla ilgili olmayıp önlenebilmelidir. Trafik kazalarının nedenlerine özel olarak, bunların% 94'ü araç ve sürüş ortamıyla ilgili değil, sürücünün hatasından kaynaklanıyor.Hataların çoğu, engellerin yanlış tanınması ve sürücünün yanlış kararından kaynaklanıyor. Çıkmazları olmayan 360 derecelik bir sensör kombinasyonu kurun ve belirlemek ve kararlar almak için bilgisayar programları kullanın.Sürüş hataları olasılığı neredeyse sıfıra indirilebilir.
Kara taşımacılığı araçları sürekli yenilik yapıyor ve sürücüsüz araçların herkes için daha güvenli bir ortam sağlayacağını ve sürücüleri yorgun sürüşün potansiyel tehlikelerinden kurtarabileceğini umuyoruz. Bu nedenle Google, 2009'dan beri sürücüsüz otomobiller geliştiriyor. Son yıllarda sektör sürücüsüz araçlara giderek daha fazla yatırım yapıyor ve herkes sürücüsüz teknolojinin uygulanmasının yaklaştığını düşünüyor.
Şirketimiz ayrıca tam yığın sürücüsüz bir çözüm sunar:
(Tam yığın sürücüsüz çözümün açıklaması için lütfen videoyu 00:01:55, adresindeki videoyu inceleyin)
Yapay zekanın gelişimi, en önemlisi derin öğrenme ve akıllı çipler olmak üzere insansız sürüşe birçok avantaj sağladı.
Derin öğrenmenin ortaya çıkmasından önce, geleneksel makine öğrenimi yöntemlerini aşağıdaki resimler karşısında resmin kategorisini yargılamak zordu. İlk olarak, renk ve doku kullanan görüntüler, perde ve ses yüksekliği kullanan ses ve metin kullanan metin gibi yapay özellikler oluşturdu. Ve böylece, sonuçları yargılamak için onları sığ sinir ağına, lojistik regresyona ve diğer ayrımcılara girin. Oluşturulan yapay özelliklerin kalitesi, büyük ölçüde ayırıcının sonucunu belirler.
Bu amaçla, araştırmacılar SIFT ve SURF gibi mükemmel yapay özellikler inşa ettiler.Bu özellikler 2012'den önce çok iyi performans gösterdi, ancak derin öğrenme kadar iyi değillerdi. 2006 yılında Hinton ve arkadaşları, derin öğrenme kavramını önerdiler ve insan beyni gibi derin bir yapıya sahip bir sinir ağı kurdular.İnsan beyninin nöronları hiyerarşiktir ve sinyaller katman katman iletilir. Örneğin, görüntü görevlerinde, derin öğrenme yapay olarak oluşturulmuş özellikler yerine orijinal görüntüyü doğrudan girecek ve daha sonra model hiyerarşik soyut özelliklere ve ifadelere sahip olacak ve son üst düzey özellikler, model çıktısı ile yüksek oranda ilişkilendirilecek ve iyi sonuçlar elde edilebilecek.
Derin öğrenmeyle karşılaştırıldığında, geleneksel makine öğrenimine sığ öğrenme diyoruz. Yüzeysel öğrenmenin aksine, derin öğrenme çok büyük miktarda veriyi etkili bir şekilde kullanabilir Eğitim verilerinin sayısı arttıkça, derin öğrenme yöntemleri daha yüksek doğruluk sağlayabilir.
Derin öğrenme için gerekli unsurları bir roket olarak değerlendirirseniz, o zaman veri derin öğrenmenin yakıtıdır.Örneğin, ImageNet yarışmalarında sınıflandırma için milyonlarca görüntü elde edilebilir; hesaplama gücü motordur.Büyük verinin on yıllar önce sınırlandırılması nedeniyle, İnsanlar verileri iyi eğitemez.Teknolojinin gelişmesi ve GPU sunucularının, kümelerinin ve bulut bilişimin ortaya çıkmasıyla, veriler büyük ölçekli hesaplamaları destekleyebildi.Ayrıca, yeteneklerin eklenmesiyle bilgi işlem gücünün güncellenmesi de hızlanıyor; CNN, RNN gibi temel bileşendir; platform, Tensorflow, Caffe, Pytorch gibi temeldir.
Genel olarak, derin öğrenme, daha iyi çevresel algılama sonuçları ve çevresel özelliklerin daha iyi ifade edilmesini sağlayarak daha doğru kararlar verir.
Derin öğrenme çok iyi hesaplama gücü gerektirir Sürücüsüz arabanın CPU + GPU'su çok pahalı olan 2000-3000 W'a ihtiyaç duyar. Ancak neyse ki, birçok yonga artık yüksek performans ve düşük güç tüketimi yönünde hareket ediyor. Örneğin, FPGA'ların güç tüketimi sıradan CPU'lar ve GPU'lardan çok daha düşük. NVIDIA TX2, Google'ın TPU ve diğer çiplerini piyasaya sürdükten sonra Daha düşük güç tüketimi, daha güçlü bilgi işlem gücü.
Bu sebeple sürücüsüz araçların uygulanmasını hızlandırmak için araç modelinin ihtiyaç duyduğu bilgi işlem gücünü karşılayabilen ve 10w'den daha az tüketen bir çip tasarladık. Derin öğrenme için özel bir MPV mimarisine öncülük ettik. 1,3 milyardan fazla (tüm Çin nüfusu) nano ölçekli transistörleri (bir insan saçının 1 / 3000'i) entegre etmenin yanı sıra verileri okuyup yazabilir ve paralel olarak hesaplayabilir ve sürücüsüz sürüş için özelleştirilebilir. Büyük hesaplama modülü.
(Bu MPV mimarisinin daha ayrıntılı bir açıklaması için lütfen videoyu 00:09:30, adresindeki videoyu izleyin)
Akıllı çipler, insansız sürüşe daha düşük güç tüketimi ve daha yüksek bilgi işlem gücü sağlar.Aracın yardımıyla acil durumlara F-1 yarışçılarından daha hızlı yanıt verir ve bu da insansız sürüşü büyük ölçüde iyileştirir. Güvenlik derecesi.
Yapay zekanın gelişimi çok fazla yardım getirmiş olsa da, insansız sürüşte hala birçok zorluk var. Herkesle yakın ilişkisi olan ama kolayca gözden kaçan bir problemden bahsedeyim - problemi anlayabilirim.
Aşağıda, insansız sürüşün zorluğunu göstermek için, "İyi derin öğrenme modellerimiz olmasına rağmen, bu modellerin doğrudan kullanımı problemlerimizi gerçekte hala çözemiyor", görsel engel tespiti, vizyon kullanıyorum Şerit algılamayı ve karmaşık sahne konumlandırmayı örnek olarak alın:
(Görsel engel tespiti, görsel şerit tespiti ve karmaşık sahne konumlandırmanın üç vakasının açıklaması için, lütfen 00:11: 55, adresindeki videoya tekrar bakın)
Bu zorluklara yanıt olarak, benimsediğimiz yöntem de çok basittir geleneksel SLAM (eşzamanlı yerelleştirme ve haritalama, aynı zamanda CML (Eşzamanlı Haritalama ve Yerelleştirme) çözümü olarak da bilinir, gerçek zamanlı konumlandırma ve harita oluşturma veya eşzamanlı haritalama ve konumlandırma. Sahnenin yapısını anlamak ve çevredeki ortamdaki göreceli konumlarını elde etmek için insan sürüşünde insansız araçlar için temel teknoloji. Santimetre düzeyinde, tüm hava koşullarında karmaşıklık elde etmek için lidar, görsel sensörler ve sağlanan verileri GPS ve IMU ile birlikte kullanıyoruz. İnsansız sürüşte hala çok önemli olan sahne konumlandırma.
Geleneksel SLAM genellikle özellik tabanlı modu kullanır, ancak bu mod insansız sürüş senaryolarına pek uygulanamaz.
İlk olarak, sahne tekrarlı olduğundan ve görsel özellikler monoton olduğundan, çok sayıda özellik noktası uyumsuz olabilir;
İkincisi, zayıf aydınlatma ve kötü sahne görsel özellikleriyle sınırlıdır ve özellik noktaları olmayan geniş alanlara eğilimlidir;
Üçüncüsü, insansız sürüş koşullarında çok sayıda dinamik sahne olacak ve dinamik nesnelerde çok sayıda özellik noktası tespit edilecek ve bu da kolaylıkla genel SLAM sisteminin zayıf çözüm doğruluğuna yol açacaktır.
Yukarıdaki nedenlere dayanarak, özellik noktalarını terk edip sahne yapısına dayalı SLAM çözümünü benimsiyoruz, böylece zayıf görsel özellik sahnelerinde (zayıf aydınlatma koşulları, sahne görsel özellikleri monoton ve çok sayıda tekrar vb.) SLAM sisteminin tamamını önemli ölçüde iyileştiriyoruz. Doğru konumlandırma ve haritalama etkisi.
Geleneksel SLAM ile karşılaştırıldığında, aşağıdaki avantajlara sahiptir:
İlk olarak, SLAM sisteminin doğruluğunu sağlamak için dinamik nesneler üzerinde çok sayıda görsel özellik bulma sorunundan önemli ölçüde kaçının;
İkincisi, görsel özellikleri zayıf olan alanlarda sahne yapısı şeklinde zengin sahne özellikleri de çıkarılır;
Üçüncüsü, karşılaştırma noktası eşleştirmesine kıyasla, yapısal eşleştirme, uyumsuzluk olasılığını büyük ölçüde azaltabilir.
Derin öğrenme sürekli gelişiyor olsa da, görsel tanımanın yeterli anlamsal bilgi ile üst düzey soyut özellikler elde edebileceğini düşünüyoruz.Ancak, sadece bu özellikleri kullanmak SLAM'in etkisini iyileştiremez. Problemin baş etmemiz gereken acı noktalarını bulmamız gerekiyor.
Son olarak İnovasyon Atölyesi tarafından düzenlenen AI Challenger 2018 Global AI Challenge'ı tanıtacağım.Bu yarışmada çok güçlü bir model, çok sayıda model entegrasyonu kullanacak ve sorunu daha fazla açıdan anlamak için bir düşünme yolu elde edebileceksiniz.
(AI Challenger 2018 Global AI Challenge'ın özel tanıtımı için lütfen 00:32:41 adresindeki videoya tekrar bakın,
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 edinebilirsiniz.
AI Challenger hakkında
"AI Challenger Global AI Challenge", küresel yapay zeka yetenekleri için açık kaynaklı bir veri seti ve programlama yarışması platformudur. Bu yılki AI Challenger 2018, Innovation Workshop, Sogou, Meituan Dianping ve Meitu tarafından ortaklaşa düzenleniyor.Etkinliğin para ödülü 3 milyon RMB'yi aşıyor.Ayrıca, katılımcılar ortak organizatör tarafından sağlanan iş, staj ve yatırımı alma fırsatına sahip.
AI Challenger 2018 veri seti ve yarışma 29 Ağustos'ta açıldı ve 11 Kasım'da sona erecek.Yarışmanın son savunması ve ödülleri 18-19 Aralık'ta yapılacak. Etkinlik hakkında özel bilgiler için, ayrıntılar için lütfen tıklayın.
