Dziļa braukšana

Kad Google pašbraucošo automašīnu projekts sākās apmēram pirms desmit gadiem, uzņēmums pieņēma stratēģisku lēmumu balstīt savu tehnoloģiju uz dārgu lidaru un detalizētu kartēšanu. Pat šodien Google pašpiedziņas tehnoloģija joprojām balstās uz šiem diviem pīlāriem. Lai gan šī pieeja zināmā mērā ir lieliska — mums ir labi algoritmi lidara un kameras datu izmantošanai, lai kartē lokalizētu automašīnu, tā joprojām nav pietiekami laba. Braukšana pa sarežģītām, pastāvīgi mainīgām ielām ietver uztveres un lēmumu pieņemšanas prasmes, kas pēc būtības ir neskaidras (skatiet sadaļu Jūsu brauciens bez vadītāja).

Tagad problēmas risināšanai tiek izmantota mākslīgā intelekta tehnoloģija, ko sauc par dziļo mācīšanos. Tā vietā, lai izmantotu veco manuāli kodētu algoritmu metodi, mēs tagad varam izmantot sistēmas, kas programmējas pašas, mācoties no piemēriem par to, kā sistēmai vajadzētu rīkoties, reaģējot uz ievadi. Padziļināta mācīšanās tagad ir labākā pieeja lielākajai daļai uztveres uzdevumu, kā arī daudziem zema līmeņa kontroles uzdevumiem.

Pašbraucošai automašīnai ir nepieciešama uztveres sistēma, lai sajustu lietas, kas kustas (automašīnas, cilvēki), kā arī lietas, kas nekustas (lampu stabi, apmales). Pašbraucošie transportlīdzekļi nosaka dinamiskus objektus, izmantojot sensorus, piemēram, kameras, lāzerskenerus un radarus. No šīm trim kameras ir lētākās, taču tās arī tiek izmantotas vismazāk, jo attēlus ir grūti pārvērst atklātos objektos. Izmantojot dziļu mācīšanos, mēs redzam dramatiskus uzlabojumus automašīnas spējā izprast un izmantot šādus attēlus.

Mēs redzam arī ievērojamus ieguvumus no daudzuzdevumu dziļās mācīšanās, kurā sistēma, kas ir apmācīta vienlaicīgi noteikt joslu marķējumus, automašīnas un gājējus, darbojas labāk nekā trīs atsevišķas sistēmas, kas apmācītas atsevišķi, jo vienotais tīkls var koplietot informāciju starp atsevišķiem uzdevumiem. .

Tā vietā, lai pilnībā paļautos uz iepriekš aprēķinātu karti, automašīna var izmantot karti kā vienu no daudzajām datu plūsmām, apvienojot to ar sensoru ieejām, lai palīdzētu pieņemt lēmumus. (Neironu tīkls, kas no kartes datiem zina, kur atrodas gājēju pārejas, piemēram, var precīzāk noteikt gājējus, kas mēģina šķērsot, nekā tas, kas paļaujas tikai uz attēliem.)

Padziļināta mācīšanās var arī atvieglot vienu no lielākajām problēmām, ko identificējuši daudzi, kuri ir braukuši ar pašbraucošu automašīnu, — braukšanas stila saraustīšanu, kas dažkārt izraisa kustību slimību. Bet automašīna, kas apmācīta, izmantojot cilvēku braukšanas piemērus, var piedāvāt braukšanu, kas šķiet dabiskāka.

Vēl ir agri. Bet tāpat kā dziļa mācīšanās ar attēlu meklēšanu un balss atpazīšanu, tā, iespējams, uz visiem laikiem mainīs pašbraucošo automašīnu gaitu.

Kerola Reilija ir Drive.ai līdzdibinātāja.

paslēpties