211service.com
Dyb kørsel
Da Googles selvkørende bil-projekt begyndte for omkring et årti siden, tog virksomheden en strategisk beslutning om at bygge sin teknologi på dyr lidar og detaljeret kortlægning. Selv i dag er Googles selvkørende teknologi stadig afhængig af disse to søjler. Selvom den tilgang er fantastisk indtil et punkt - vi har gode algoritmer til at bruge lidar- og kameradata til at lokalisere en bil på kortet - er den stadig ikke god nok. Kørsel på komplicerede gader i konstant forandring involverer opfattelses- og beslutningsevner, der i sagens natur er usikre (se Din førerløse tur er på vej).
Nu bliver en kunstig intelligens-teknologi kaldet deep learning brugt til at løse problemet. I stedet for at bruge den gamle metode med håndkodede algoritmer, kan vi nu bruge systemer, der programmerer sig selv ved at lære af eksempler på, hvordan et system burde opføre sig som svar på et input. Dyb læring er nu den bedste tilgang til de fleste perceptionsopgaver såvel som til mange kontrolopgaver på lavt niveau.
En selvkørende bil har brug for et perceptionssystem til at fornemme ting, der bevæger sig (biler, mennesker) såvel som ting, der ikke er (lygtepæle, kantsten). Selvkørende køretøjer registrerer dynamiske objekter ved hjælp af sensorer som kameraer, laserscannere og radar. Af disse tre er kameraer de billigste, men de bruges også mindst, fordi det er svært at omsætte billeder til detekterede objekter. Ved at bruge deep learning ser vi dramatiske forbedringer i bilens evne til at forstå og gøre brug af sådanne billeder.
Vi ser også betydelige gevinster ved noget, der kaldes multitask deep learning, hvor et system, der er trænet samtidigt til at detektere vognbanemarkeringer, biler og fodgængere, klarer sig bedre end tre separate systemer, der trænes isoleret – da det enkelte netværk kan dele information mellem de separate opgaver .
I stedet for udelukkende at stole på et forudberegnet kort, kan bilen bruge kortet som en af mange datastrømme og kombinere det med sensorinput for at hjælpe den med at træffe beslutninger. (Et neuralt netværk, der fra kortdata ved, hvor fodgængerovergange er, kan f.eks. mere nøjagtigt registrere fodgængere, der forsøger at krydse, end et, der udelukkende er afhængigt af billeder.)
Dyb læring kan også afhjælpe et af de største problemer, der er identificeret af mange, der har kørt i en selvkørende bil - en rykkende følelse af kørestilen, som nogle gange fører til køresyge. Men en bil, der er trænet ved at bruge eksempler på, at mennesker kører, kan tilbyde en tur, der føles mere naturlig.
Det er stadig tidligt. Men ligesom deep learning gjorde med billedsøgning og stemmegenkendelse, vil det sandsynligvis for altid ændre kursen for selvkørende biler.
Carol Reiley er medstifter af Drive.ai.