Waymo首席科学家在MIT自动驾驶课上开讲：如何解决自动驾驶的长期挑战
那我们如何来预判呢？
预测的影响因素有过去的动作、高度的场景语义、物体属性和出现提示。我们考虑周围的任何事物，比如有一个自行车想要通过，那么我们需要停下或者放慢速度让它通过，这就需要提前计划设计，做出安全的解决方案。同时，我们也要向周围的人和物发出信号。
学校周围的场景，这是一个非常复杂的问题。机器学习是一个非常好的工具用以应对复杂的情况。所以我们要学习出一个系统，以此优化现实存在的各种场景问题。
传统的学习模式：用工具构建，改造和进化难以实现。
机器学习：更像是一个工厂，我们仅仅需要把数据输入进去，就能得到正确的模型。
关于如何创建更智能的机器学习模型的周期如图中所示。
因为Waymo隶属于Google，有用强大的数据中心，所以他们用TensorFlow和TPU，做出准确的标注，而且分布均匀。
数据收集：这是一个非常重要的环节，这是解决“长尾巴情况”的重要因素。数据收集是激发主动学习的重要环节，也是是机器学习周期运行良好的重要基础。
Google AI和DeepMind都在关注自动驾驶。机器学习自动化已经部署好，几乎所有的事情都接近自动化。
NAS cell是一种小网络，反复用作构建神经网络体系结构的高级构件。
首先是用NAS cell进行激光雷达分割。在这一过程中，延迟也很重要。
稳定平衡的体系结构本身也可以自动化，这是很灵捷并且很强大的。
这条蓝色的线，延迟最小且分割情况最好。
解决机器学习限制问题。但是在某些情况下还是存在限制，需要我们增强鲁棒性。
这幅图片描述的问题是存在冗余和互补的传感器和传统的逻辑。
混合系统：这是将传统AI和机器学习相结合的系统，这样可以保证系统鲁棒性，保证自动驾驶安全性。
随着时间的推移，如上图机器学习的范围可能会扩大，甚至完全掌控。
分享
图片新闻
发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论