211service.com
Djupkörning
När Googles självkörande bilprojekt startade för ungefär ett decennium sedan tog företaget ett strategiskt beslut att bygga sin teknik på dyrbar lidar och detaljerad kartläggning. Än idag är Googles självkörande teknik fortfarande beroende av dessa två pelare. Även om det tillvägagångssättet är bra upp till en punkt - vi har bra algoritmer för att använda lidar och kameradata för att lokalisera en bil på kartan - är det fortfarande inte tillräckligt bra. Att köra på komplicerade, ständigt föränderliga gator involverar uppfattning och beslutsfattande färdigheter som i sig är osäkra (se Din förarlösa resa kommer ).
Nu används en teknik med artificiell intelligens som kallas djupinlärning för att ta itu med problemet. Istället för att använda den gamla metoden med handkodade algoritmer kan vi nu använda system som programmerar sig själva genom att lära oss från exempel på hur ett system borde bete sig som svar på en inmatning. Djup inlärning är nu det bästa tillvägagångssättet för de flesta perceptionsuppgifter, såväl som för många kontrolluppgifter på låg nivå.
En självkörande bil behöver ett uppfattningssystem för att känna av saker som rör sig (bilar, människor) såväl som saker som inte gör det (lyktstolpar, trottoarkanter). Självkörande fordon upptäcker dynamiska objekt med hjälp av sensorer som kameror, laserskannrar och radar. Av dessa tre är kameror billigast, men de används också minst eftersom det är svårt att översätta bilder till upptäckta objekt. Genom att använda djupinlärning ser vi dramatiska förbättringar i bilens förmåga att förstå och använda sådana bilder.
Vi ser också betydande vinster från något som kallas multitask djupinlärning, där ett system som tränas samtidigt för att upptäcka körfältsmarkeringar, bilar och fotgängare gör bättre än tre separata system som tränas isolerat – eftersom det enda nätverket kan dela information mellan de separata uppgifterna .
Istället för att helt förlita sig på en förberäknad karta kan bilen använda kartan som en av många dataströmmar, kombinera den med sensoringångar för att hjälpa den att fatta beslut. (Ett neuralt nätverk som till exempel från kartdata vet var övergångsställen finns kan mer exakt upptäcka fotgängare som försöker korsa än ett som enbart förlitar sig på bilder.)
Djup inlärning kan också lindra ett av de största problemen som identifierats av många som har åkt i en självkörande bil – en ryckig känsla av körstilen, som ibland leder till åksjuka. Men en bil som tränas med exempel på att människor kör kan erbjuda en åktur som känns mer naturlig.
Det är fortfarande tidigt. Men precis som djupinlärning gjorde med bildsökning och röstigenkänning, kommer det sannolikt att för alltid förändra kursen för självkörande bilar.
Carol Reiley är medgrundare av Drive.ai.