侵權(quán)投訴
訂閱
糾錯
加入自媒體
當前位置： OFweek 智能汽車網(wǎng)   >   自動駕駛   >  正文

Waymo首席科學家在MIT自動駕駛課上開講：如何解決自動駕駛的長期挑戰(zhàn)

那我們?nèi)绾蝸眍A判呢？

預測的影響因素有過去的動作、高度的場景語義、物體屬性和出現(xiàn)提示。我們考慮周圍的任何事物，比如有一個自行車想要通過，那么我們需要停下或者放慢速度讓它通過，這就需要提前計劃設計，做出安全的解決方案。同時，我們也要向周圍的人和物發(fā)出信號。

學校周圍的場景，這是一個非常復雜的問題。機器學習是一個非常好的工具用以應對復雜的情況。所以我們要學習出一個系統(tǒng)，以此優(yōu)化現(xiàn)實存在的各種場景問題。

傳統(tǒng)的學習模式：用工具構(gòu)建，改造和進化難以實現(xiàn)。

機器學習：更像是一個工廠，我們僅僅需要把數(shù)據(jù)輸入進去，就能得到正確的模型。

關(guān)于如何創(chuàng)建更智能的機器學習模型的周期如圖中所示。

因為Waymo隸屬于Google，有用強大的數(shù)據(jù)中心，所以他們用TensorFlow和TPU，做出準確的標注，而且分布均勻。

數(shù)據(jù)收集：這是一個非常重要的環(huán)節(jié)，這是解決“長尾巴情況”的重要因素。數(shù)據(jù)收集是激發(fā)主動學習的重要環(huán)節(jié)，也是是機器學習周期運行良好的重要基礎。

Google AI和DeepMind都在關(guān)注自動駕駛。機器學習自動化已經(jīng)部署好，幾乎所有的事情都接近自動化。

NAS cell是一種小網(wǎng)絡，反復用作構(gòu)建神經(jīng)網(wǎng)絡體系結(jié)構(gòu)的高級構(gòu)件。

首先是用NAS cell進行激光雷達分割。在這一過程中，延遲也很重要。

穩(wěn)定平衡的體系結(jié)構(gòu)本身也可以自動化，這是很靈捷并且很強大的。

這條藍色的線，延遲最小且分割情況最好。

解決機器學習限制問題。但是在某些情況下還是存在限制，需要我們增強魯棒性。

這幅圖片描述的問題是存在冗余和互補的傳感器和傳統(tǒng)的邏輯。

混合系統(tǒng)：這是將傳統(tǒng)AI和機器學習相結(jié)合的系統(tǒng)，這樣可以保證系統(tǒng)魯棒性，保證自動駕駛安全性。

隨著時間的推移，如上圖機器學習的范圍可能會擴大，甚至完全掌控。


<上一頁  1  2  3  下一頁>  
聲明： 本文由入駐維科號的作者撰寫，觀點僅代表作者本人，不代表OFweek立場。如有侵權(quán)或其他問題，請聯(lián)系舉報。

發(fā)表評論

共0條評論，0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁，請輸入驗證碼繼續(xù)

暫無評論

暫無評論

    智能汽車網(wǎng) 獵頭職位 更多
    文章糾錯
    x
    *文字標題：
    *糾錯內(nèi)容：
    聯(lián)系郵箱：
    *驗 證 碼：

    粵公網(wǎng)安備 44030502002758號