Wie modernste Daten die KI für eine genaue Reaktion in Echtzeit trainieren

Schließen Sie sich vom 26. bis 28. Juli der Transform AI und der Edge Week an. Hören Sie hochrangige Führungskräfte, die Themen rund um AL/ML-Technologie, Konversations-KI, IVA, NLP, Edge und mehr diskutieren. Buchen Sie jetzt Ihren kostenlosen Pass!

Autonomes Fahren wird als die Zukunft der Mobilität angesehen, dank Unternehmen wie Tesla, die fortschrittliche KI-basierte Fahrerassistenzsysteme (ADAS) entwickeln, um Benutzern zu helfen, sich unter bestimmten Bedingungen auf der ganzen Welt fortzubewegen.

Der Fortschritt war für viele erstaunlich, aber Tatsache bleibt: Von wirklich autonomen Fahrzeugen sind wir noch weit entfernt. Um echte Autonomie zu erreichen, müssen selbstfahrende Fahrzeuge menschliche Fahrer unter allen Bedingungen übertreffen, sei es in einem dicht besiedelten Stadtgebiet, einem Dorf oder einem unerwarteten Straßenszenario.

„Meistens ist autonomes Fahren ziemlich einfach. Manchmal ist es so einfach, eine einsame Straße hinunterzufahren oder einem vorausfahrenden Fahrzeug zu folgen Das sagte das Amazon-Mobilitätsunternehmen Zoox auf der Transform 2022-Konferenz von VentureBeat.

Diese Extremfälle verursachen Probleme für die Algorithmen. Stellen Sie sich eine Gruppe von Menschen vor, die aus einem toten Winkel oder einem im Weg liegenden Trümmerhaufen auf die Straße kommen.

Vorfall

Transformation 2022

Melden Sie sich jetzt an, um Ihren kostenlosen virtuellen Pass für die Transform AI Week vom 26. bis 28. Juli zu erhalten. Hören Sie von den KI- und Datenführern von Visa, Lowe's eBay, Credit Karma, Kaiser, Honeywell, Google, Nissan, Toyota, John Deere und mehr.

hier registrieren Zoox-Trainingsbemühungen

Menschen sind ziemlich gut darin, fast jede Art von Grenzfall zu erkennen und darauf zu reagieren, aber Maschinen finden es schwierig, weil es so viele Möglichkeiten gibt, was später passieren kann. Um dieses Problem zu lösen, verfolgte Zoox, das vollständig autonome Fahrsoftware und ein speziell entwickeltes autonomes Robotaxi entwickelt, einen mehrstufigen Ansatz.

„Es gibt wirklich keine Einheitslösung, die alle diese Fälle löst, also versuchen wir, verschiedene Arten von Schadensbegrenzungen in unser gesamtes System zu integrieren, auf jeder Ebene, um das Beste zu erreichen Chance, mit diesen Dingen fertig zu werden“, sagte Wang.

Zuerst ermöglicht Zoox, wie der Geschäftsführer erklärte, die Wahrnehmung verschiedener Bedingungen/Objekte, indem es Daten von den Sensormodulen einbringt, die sich an allen vier Ecken des Fahrzeugs befinden.

Jeder Pod umfasst mehrere Sensormodalitäten (RGB-Kameras, Lidar-Sensoren, Radar und Wärmesensoren), die sich gegenseitig ergänzen. Beispielsweise können RGB-Kameras Details in Bildern erkennen, messen aber keine Tiefe, die von Lidar verarbeitet wird.

"Die Aufgabe unseres Wahrnehmungssystems besteht darin, alle diese Sensoren zusammen zu verwenden und sie zusammenzuführen, um eine einzige Darstellung aller Objekte um uns herum zu erstellen", sagte Wang.

Sobald umliegende Agenten erkannt werden, modelliert das System, wo sie in den nächsten Sekunden landen werden. Dies geschieht mit datengesteuerten Deep-Learning-Algorithmen, die eine Verteilung möglicher zukünftiger Trajektorien liefern. Danach berücksichtigt es alle dynamischen Einheiten und ihre vorhergesagten Trajektorien und trifft eine Entscheidung, was zu tun ist oder wie man sicher durch das aktuelle Szenario zum Zielort navigiert.

Fernführung

Während das System Grenzfälle effektiv modelliert und handhabt, kann es auf der Straße in einige nie zuvor gesehene Situationen geraten. In diesen Fällen stoppt das System und verwendet die Homing-Fähigkeiten, um einen menschlichen Experten zur Hilfe zu rufen (während gleichzeitig mit anderen Agenten nach Kollisionen und Hindernissen gesucht wird).

"Wir haben einen menschlichen Bediener, der mit der Situation verbunden ist, um einen Weg durch die Blockade vorzuschlagen. Bisher haben wir in komplexen Umgebungen für weniger als 1 % unserer gesamten Missionszeit eine Fernführung erhalten. Und das, während unser System an Dynamik gewinnt ...