Waymo首席科學家在MIT自動駕駛課上開講：如何解決自動駕駛的長期挑戰
那我們如何來預判呢？
預測的影響因素有過去的動作、高度的場景語義、物體屬性和出現提示。我們考慮周圍的任何事物，比如有一個自行車想要通過，那么我們需要停下或者放慢速度讓它通過，這就需要提前計劃設計，做出安全的解決方案。同時，我們也要向周圍的人和物發出信號。
學校周圍的場景，這是一個非常復雜的問題。機器學習是一個非常好的工具用以應對復雜的情況。所以我們要學習出一個系統，以此優化現實存在的各種場景問題。
傳統的學習模式：用工具構建，改造和進化難以實現。
機器學習：更像是一個工廠，我們僅僅需要把數據輸入進去，就能得到正確的模型。
關于如何創建更智能的機器學習模型的周期如圖中所示。
因為Waymo隸屬于Google，有用強大的數據中心，所以他們用TensorFlow和TPU，做出準確的標注，而且分布均勻。
數據收集：這是一個非常重要的環節，這是解決“長尾巴情況”的重要因素。數據收集是激發主動學習的重要環節，也是是機器學習周期運行良好的重要基礎。
Google AI和DeepMind都在關注自動駕駛。機器學習自動化已經部署好，幾乎所有的事情都接近自動化。
NAS cell是一種小網絡，反復用作構建神經網絡體系結構的高級構件。
首先是用NAS cell進行激光雷達分割。在這一過程中，延遲也很重要。
穩定平衡的體系結構本身也可以自動化，這是很靈捷并且很強大的。
這條藍色的線，延遲最小且分割情況最好。
解決機器學習限制問題。但是在某些情況下還是存在限制，需要我們增強魯棒性。
這幅圖片描述的問題是存在冗余和互補的傳感器和傳統的邏輯。
混合系統：這是將傳統AI和機器學習相結合的系統，這樣可以保證系統魯棒性，保證自動駕駛安全性。
隨著時間的推移，如上圖機器學習的范圍可能會擴大，甚至完全掌控。
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
圖片新聞
最新活動更多
-
精彩回顧立即查看>> 【線下會議】恩智浦創新技術峰會·深圳
-
精彩回顧立即查看>> 【在線直播】可視化神器！VisionSym 賦能汽車光學原型開發
-
精彩回顧立即查看>> 12月16-17日 AMD 嵌入式峰會
-
精彩回顧立即查看>> 恩智浦創新技術峰會
-
精彩回顧立即查看>> 【工程師系列】汽車電子技術在線大會
-
精彩回顧立即查看>> Works With 開發者大會深圳站
推薦專題
