北大AI公開課 第四講 無人駕駛

北大AI公開課 第四講 無人駕駛

來自專欄 AI— From Zero to Hero

主講人:吳甘沙 馭勢科技創始人&CEO,

智能駕駛,有多少個AI可以重來。

為什麼要做智能駕駛:(經得起數次考驗的問題值得去做)

城市中存在的一系列問題:交通事故,堵車,違規駕駛等問題。

三數據:停車難,96%的時間是停車的;35%的航程來找停車位;15%的土地是停車位。

存在的這些問題,導致了中國上下班浪費時間嚴重。限行等各種解決方案不能從根本上解決問題,系統的解決問題依靠無人駕駛。

通過無人駕駛,未來私家車數量降低計程車數量增加計程車費用降低,計程車根據大數據分布

滴滴,峰值2100萬單/,再增加,需要通過無人駕駛突破提供服務的車和人成本的局限。未來無人駕駛後,全國可達到5億單/天。

時來天地皆同力,運去英雄不自由」,大場面值得賭上20年,即使是現在起步依然不晚,後發優勢,可以實現非線性加速。

無人駕駛離我們多遠

  • 無人駕駛三種技術:新司機(懂規則,感知和認知),認路的司機(地圖和定位),老司機(決策)

  1. 感知和認知的理解

激光雷達,幾何世界的全面回憶,成本的降低是關鍵;替代方案:基於視覺、毫米波雷達和超聲波等輔助感測器像素世界的理解和預測。

案例:Tesla,1個單目攝像頭(主要),12個超聲波感測器(車周圍),1個毫米波雷達,超聲波感測器。

  • 存在了缺陷:受到光照的影響,晨曦形成的強逆光;Detection by Recognition,與資料庫中的障礙物相匹配,未能認出側面,認出柵欄。

  • 解決方案

1.重新通過攝像頭構建一個幾何世界。雙目立體攝像頭,可以用來識別動態和靜態的障礙物。2.更好的計算機視覺,語音分割,視覺演算法的角度(更好的分割方法,發現障礙物和可行駛區域的檢測)。訓練模型進行魯棒,然後檢測出大貨車和普通車的區別。

  • 未來機會

第一:深度學習的不足,車輛識別率90%左右,自行車行人識別率70%多。解決辦法:使用更多標註數據,獲得更高準確率的模型。大量數據的標註方法:機器學習實現半自動標註,預訓練,遷移學習,在線學習+自監督學習。

第二:嵌入式部署,需要考慮實時性、模型的大小和計算量。辦法:圖像壓縮(down sampling,encoding),模型壓縮,級聯演算法(region proposal)。

第三:多任務網路,檢測人車、交通標誌和車道線等;檢測分類,語義分割一體。

2.認路的司機,地圖和定位技術

高精度定位系統(RTK,依靠多天線的差分計算,獲得厘米級的定位,但是容易受到外接環境的影響。

視覺里程計(記錄圖像幀與幀之間的視覺特徵點的位移),可以實現相對定位。

二維碼:XJBD,通過二維碼確定相對的舉例和角度。

SLAM:同步的建圖和定位。基於視覺的SLAM,結合高精地圖的定位,可以做得更好。

未來機會:SLAM技術的魯棒性,多感測器的融合,基於基礎高精地圖的地圖學習和更新。

3.老司機,開的好、平穩,有社會性、競爭性:

判斷態勢,評估他方動機,預測行為。

監督學習:給一個狀態,然後對它進行預測,而這個預測對外界環境不會由影響。

強化學習:需要與環境互動,包括馬爾科夫決策過程,循環神經網路。

  • 未來機會

融合基於深度學習的車感和背景知識,基於遷移學習的舉一反三,基於貝葉斯的邏輯/因果推理。

從動態的角度理解視頻,而不是一些幀,從中推導運動狀態,動機,因果關係。

預測學習:predictive learning,無監督學習的重要方法。

如何處理未知情況,開的萬無一失:

關於虛擬世界,真實世界,是否是關鍵是任務的劃分。

比代碼更難的shi 數據以及上面的隨機演算法和機器學習。

案列:

谷歌,訓練神經網路識別啞鈴,出現的肉色胳膊的數據集。

谷歌,左右兩幅圖,像素級的差別,機器學習認不出來,引出對抗。

系統需要可預期的置信度,高置信度下的自動駕駛的可靠性,模擬模擬和強化學習,虛擬環境里不斷訓練。

基於模擬器的測試:成本低、靈活性高,基於大數據,可無限生成測試模型,可通過人工智慧演算法(eg強化學習)自動訓練和測試無限里程。

深度學習,黑盒子,可解釋性。對抗訓練,生成性對抗網路。

穿越迷霧,從demo到deploy

成功的次數:做demo,100次成功1次就可以。部署需要100次成功100次。

成本,拍demo可以用多個激光雷達,落地就需要考量成本因素。

從演算法能力到系統能力,演算法+魯棒性+實時性+軟硬體垂直整合。對需求和場景的理解。

對話環節:

1. 0-5級的無人駕駛系統,1級偶爾輔助,2級相當長時間可以駕駛,自動泊車,3級,駕駛員不需要關注駕駛,4級幾乎無人駕駛,場景的限制。

2. 無人駕駛的實現速度,3年商業化,5年量產,場景控制,做出約束。

3. 5級的實現,人容易高估短期影響力,低估長期影響力。5級到底需不需要????

4. 未來主導技術,感測器的空前豐富,360無死角,車聯網,超視距。任何無人駕駛分車道。

5. 雲和端的配合進行計算,無人駕駛,現在只在端上。雲上便於知識的傳播。

6. Intel收購,零部件的組合化,供應商的整合,從control到computing,軟體硬體化,SDK,開放還是封閉的環境。

7. 專門定製晶元,而不是通用晶元,具有一定的可編程性,不能作死,保證日後一定得更新。

8. 未來發展方向,車廠具有一定話語權,製造利潤降低,汽車廠和互聯網公司聯合。特定場景的無人駕駛汽車,景區園區等等。

9. 堵車情況下,各種手段的融合,來準確絕對定位,慣性導航。

10. 無人駕駛的安全性,黑客問題。邊緣化創新,不選擇主流的創新。尋找不同而不是更好,

推薦閱讀:

對於自動駕駛行業的未來,你怎麼看?
50歲陝汽邁向高端再提速 無人駕駛正上路
通用的自動駕駛的發展之路
自動駕駛的5個頂層法律問題:寫在全球首例無人車致死事件後
未來最有可能被人工智慧取代的十大行業

TAG:人工智慧 | 無人駕駛車 |