Głęboka jazda

Kiedy około dekadę temu rozpoczęto projekt Google autonomicznego samochodu, firma podjęła strategiczną decyzję, aby oprzeć swoją technologię na drogim lidarze i szczegółowym mapowaniu. Nawet dzisiaj technologia autonomicznej jazdy Google nadal opiera się na tych dwóch filarach. Chociaż takie podejście jest do pewnego stopnia świetne — mamy dobre algorytmy do wykorzystywania danych z lidaru i kamer do lokalizacji samochodu na mapie — nadal nie jest wystarczająco dobre. Jazda po skomplikowanych, stale zmieniających się ulicach wymaga percepcji i umiejętności podejmowania decyzji, które są z natury niepewne (patrz Twój samochód bez kierowcy nadchodzi ).

Obecnie do rozwiązania tego problemu wykorzystywana jest technologia sztucznej inteligencji zwana głębokim uczeniem. Zamiast używać starej metody ręcznie kodowanych algorytmów, możemy teraz używać systemów, które same się programują, ucząc się na przykładach tego, jak system powinien zachowywać się w odpowiedzi na dane wejściowe. Głębokie uczenie jest obecnie najlepszym podejściem do większości zadań percepcyjnych, a także do wielu zadań kontrolnych niskiego poziomu.

Samoprowadzący się samochód potrzebuje systemu percepcji, aby wyczuć rzeczy, które się poruszają (samochody, ludzie), a także rzeczy, które nie są (latarnie, krawężniki). Pojazdy autonomiczne wykrywają dynamiczne obiekty za pomocą czujników, takich jak kamery, skanery laserowe i radar. Z tych trzech kamer są najtańsze, ale są też najmniej używane, ponieważ trudno jest przełożyć obrazy na wykryte obiekty. Korzystając z głębokiego uczenia, widzimy radykalną poprawę zdolności samochodu do rozumienia i wykorzystywania takich obrazów.

Widzimy również znaczące korzyści z czegoś, co nazywa się wielozadaniowym głębokim uczeniem, w którym system szkolony jednocześnie do wykrywania oznaczeń pasów, samochodów i pieszych radzi sobie lepiej niż trzy oddzielne systemy szkolone w izolacji — ponieważ pojedyncza sieć może udostępniać informacje między osobnymi zadaniami .

Zamiast polegać wyłącznie na wstępnie obliczonej mapie, samochód może używać mapy jako jednego z wielu strumieni danych, łącząc ją z danymi z czujników, aby pomóc w podejmowaniu decyzji. (Sieć neuronowa, która na podstawie danych mapy wie, gdzie znajdują się na przykład przejścia dla pieszych, może dokładniej wykrywać pieszych próbujących przejść niż ta, która opiera się wyłącznie na obrazach).

Głębokie uczenie się może również złagodzić jeden z największych problemów identyfikowanych przez wiele osób, które jeździły samodzielnym samochodem — niestabilny styl jazdy, który czasami prowadzi do choroby lokomocyjnej. Ale samochód wyszkolony na przykładach prowadzenia przez ludzi może zaoferować jazdę, która jest bardziej naturalna.

Wciąż jest wcześnie. Ale podobnie jak głębokie uczenie się z wyszukiwaniem obrazów i rozpoznawaniem głosu, prawdopodobnie na zawsze zmieni kurs autonomicznych samochodów.

Carol Reiley jest współzałożycielką Drive.ai.

ukryć