主講人:吳甘沙 馭勢科技創始人&ceo,智慧型駕駛,有多少個ai可以重來。城市中存在的一系列問題:交通事故,堵車,違規駕駛等問題。
三資料:停車難,96%的時間是停車的;35%的航程來找停車位;15%的土地是停車位。
存在的這些問題,導致了中國上下班浪費時間嚴重。限行等各種解決方案不能從根本上解決問題,系統的解決問題依靠無人駕駛。通過無人駕駛,未來私家車數量降低,計程車數量增加,計程車費用降低,計程車根據大資料分布。滴滴,峰值2100單/天,再增加,需要通過無人駕駛突破提供服務的車和人成本的侷限。未來無人駕駛後,全國可達到5億單/天。
時來天地皆同力,運去英雄不自由,大場面值得賭上20年,即使是現在起步依然不晚,後發優勢,可以實現非線性加速。
無人駕駛三種技術:新司機(懂規則,感知和認知),認路的司機(地圖和定位),老司機(決策)
雷射雷達,幾何世界的全面回憶,成本的降低是關鍵;替代方案:基於視覺、公釐波雷達和超聲波等輔助感測器,畫素世界的理解和**。
案例:tesla,1個單目攝像頭(主要),12個超聲波感測器(車周圍),1個公釐波雷達,超聲波感測器。
存在了缺陷:受到光照的影響,晨曦形成的強逆光;detection by recognition,與資料庫中的障礙物相匹配,未能認出側面,認出柵欄。
解決方案:1.重新通過攝像頭構建乙個幾何世界。雙目立體攝像頭,可以用來識別動態和靜態的障礙物。2.更好的計算機視覺,語音分割,視覺演算法的角度(更好的分割方法,發現障礙物和可行駛區域的檢測)。訓練模型進行魯棒,然後檢測出大貨車和普通車的區別。
第二:嵌入式部署,需要考慮實時性、模型的大小和計算量。辦法:影象壓縮(down sampling,encoding),模型壓縮,級聯演算法(region proposal)。
第三:多工網路,檢測人車、交通標誌和車道線等;檢測分類,語義分割一體。
認路的司機,地圖和定位技術:
高精度定位系統(rtk),依靠多天線的差分計算,獲得厘公尺級的定位,但是容易受到外接環境的影響。
視覺里程計(記錄像象幀與幀之間的視覺特徵點的位移),可以實現相對定位。
slam:同步的建圖和定位。基於視覺的slam,結合高精地圖的定位,可以做得更好。
未來機會:slam技術的魯棒性,多感測器的融合,基於基礎高精地圖的地圖學習和更新。
老司機,開的好、平穩,有社會性、競爭性:
判斷態勢,評估他方動機,**行為。
監督學習:給乙個狀態,然後對它進行**,而這個**對外界環境不會由影響。
強化學習:需要與環境互動,包括馬爾科夫決策過程,迴圈神經網路。
未來機會:
融合基於深度學習的車感和背景知識,基於遷移學習的舉一反三,基於貝葉斯的邏輯/因果推理。
**學習:predictive learning,無監督學習的重要方法。
如何處理未知情況,開的萬無一失:
關於虛擬世界,真實世界,是否是關鍵是任務的劃分。
比**更難的是資料以及上面的隨機演算法和機器學習。
案列:
谷歌,訓練神經網路識別啞鈴,出現的肉色胳膊的資料集。
谷歌,左右兩幅圖,畫素級的差別,機器學習認不出來,引出對抗。
系統需要可預期的置信度,高置信度下的自動駕駛的可靠性,模擬**和強化學習,虛擬環境裡不斷訓練。
基於模擬器的測試:成本低、靈活性高,基於大資料,可無限生成測試模型,可通過人工智慧演算法(eg強化學習)自動訓練和測試無限里程。
深度學習,黑盒子,可解釋性。對抗訓練,生成性對抗網路。
穿越迷霧,從demo到deploy,
成功的次數:做demo,100次成功1次就可以。部署需要100次成功100次。
成本,拍demo可以用多個雷射雷達,落地就需要考量成本因素。
從演算法能力到系統能力,演算法+魯棒性+實時性+軟硬體垂直整合。對需求和場景的理解。
對話環節:
1. 0-5級的無人駕駛系統,1級偶爾輔助,2級相當長時間可以駕駛,自動泊車,3級,駕駛員不需要關注駕駛,4級幾乎無人駕駛,場景的限制。
2. 無人駕駛的實現速度,3年商業化,5年量產,場景控制,做出約束。
3. 5級的實現,人容易高估短期影響力,低估長期影響力。5級到底需不需要????
4. 未來主導技術,感測器的空前豐富,360無死角,車聯網,超視距。任何無人駕駛分車道。
5. 雲和端的配合進行計算,無人駕駛,現在只在端上。雲上便於知識的傳播。
6. intel收購,零部件的組合化,**商的整合,從control到computing,軟體硬體化,sdk,開放還是封閉的環境。
7. 專門定製晶元,而不是通用晶元,具有一定的可程式設計性,不能作死,保證日後一定得更新。
8. 未來發展方向,車廠具有一定話語權,製造利潤降低,汽車廠和網際網路公司聯合。特定場景的無人駕駛汽車,景區園區等等。
9. 堵車情況下,各種手段的融合,來準確絕對定位,慣性導航。
10. 無人駕駛的安全性,黑客問題。邊緣化創新,不選擇主流的創新。尋找不同而不是更好,
北大AI公開課筆記整理
2017年是正經的人工智慧元年,也是在這一年,人工智慧穿上華麗的外衣,正式走到了所有人的面前,幾乎每個學校的計算機學院都在搞人工智慧,每個計算機專業的學生都在訓練模型 調參。自然而然地,從去年開始,所謂演算法工程師 ai研究員這些崗位也成為意料之中的當紅炸子雞,今年更是直接給出30萬起步年薪,簡直喪...
北大AI公開課 嵌入式人工智慧筆記
看的直播,標題是 北大公開課 雷鳴對話余凱 嵌入式人工智慧 cs121 introduction to artificial intelligence.晶元,架構,驅動,演算法,系統.全棧dl.專用化,低功耗,軟硬結合.高斯架構,伯努利架構,泊松架構的區別?與馮諾依曼架構,哈弗架構,麥克斯韋架構的區...
演算法協會公開課第二講
在判斷素數的基礎上運用快速冪判斷是否 a p a mod p 是則輸出yes,不是輸出no。include include define ios ios sync with stdio false cin.tie 0 cout.tie 0 using namespace std typedef lo...