当前位置:首页 > 智能新能源汽车 > 正文

自动驾驶的“另类”研究:让汽车能模仿人类

2021-08-12 15:07
【新能源汽车网】

只有拥有大量的训练数据,才气到达无需人工过问的完全自动驾驶水平。由于现在的自动驾驶系统对其环境缺乏更普遍的领会,平安性仍有一些灰色地带,尚未成熟的手艺与人类驾驶者相比,在明白意外事宜方面依然逊色不少。

文︱立厷

图︱网络

若何让自动驾驶汽车能像人类一样?在人工智能时代,自动驾驶汽车能不能像人一样自主学习并掌握驾驶手艺?现在看,还远远不能。

现在,主流自动驾驶手艺主要接纳种种传感器加神经网络系统和机械学习的模式,需要极大数目的数据来训练车辆系统。就是这样,希望也就是L2 。一些有志之士也在另辟蹊径,举行一些“另类”研究,试图让自动驾驶汽车能模拟人类。

L5自动驾驶为什么遥不能及?

2018年,谷歌旗下Waymo称,行使神经网络手艺自动驾驶汽车能够像人脑一样思索,母公司Alphabet和谷歌手艺将神经网络系统和机械学习法等人工智能手艺引入自动驾驶汽车,将大大降低自动驾驶的失足率。

2019年,特斯拉要求用户上传静止和移动物体的图像,还针对汽车行驶历程中发生的一些情景举行测试,以训练网络能够准确识别这些情景,辅助其车辆展望蹊径上的未来流动。在举行路径设计时,特斯拉也接纳了同样方式,观察人类驾驶者在种种蹊径情形下所选择的路径,汇总特定情形下典型人类行动。

原本,特斯拉的马斯克曾说2020年底完成L5级别自动驾驶功效,厥后又改口称,要到2021年底,现在2021过半,人人可能又要失望了。此前犹豫满志的许多自动驾驶公司前仆后继,不停烧钱向L5疯狂挺进,但大多已杳无音信。

特斯拉的看法获得了绝大多数从事自动驾驶研究人士的认同:只有拥有大量的训练数据,才气到达无需人工过问的完全自动驾驶水平。由于现在的自动驾驶系统对其环境缺乏更普遍的领会,平安性仍有一些灰色地带,尚未成熟的手艺与人类驾驶者相比,在明白意外事宜方面依然逊色不少。

美国加州汽车治理局(CDMV)指出,人类驾驶者在明白意外事宜方面显示精彩,他们通常可以接纳需要的预防措施来阻止事故的发生。然而,由于现在的自动驾驶系统对其所处环境缺乏更普遍的领会,很难接纳类似的预防措施,问题的要害是能否开发出一种能够在遇到意外事宜时降低风险的系统。

7月的2021天下人工智能大会上,华为智能驾驶产物线总裁、首席架构师苏箐语出惊人:“L5级别自动驾驶是一个牵引目的,永远不能能到达。”他说:“由于从界说来看,L5是要在任何时间、任何地址、任何天气都能够笼罩所有的情形和场景,天下上没有一小我私人类驾驶者能够做到这点。”

人类驾驶者不能做到的事情,自动驾驶手艺能不能做到呢?没有谜底。照样看看人们的起劲吧。

模拟他人训练自己

自动驾驶汽车由机械学习算法驱动,需要大量的驾驶数据才气平安运行,数据为王,但它也是一个瓶颈。现在,自动驾驶汽车是随着已有的驾驶数据来学习若何平安驾驶,学习需要很长时间;出于竞争目的,全球头部汽车公司和大型科技企业都将大量数据据为己有,不能能拿出来与他人分享。

那么,若是自动驾驶汽车能够像婴儿通过考察和模拟周围的人来学习走路那样学习驾驶,所需要的驾驶数据就少得多了。基于这一想法,波士顿大学的工程师Eshed Ohn-Bar正在开发出一种全新的方式,让自主汽车通过考察蹊径上的其他汽车来学习平安驾驶手艺,展望其自己若何对环境做出反映,并行使这些信息来做出自己的驾驶决议。

Ohn Bar是波士顿大学工程学院电气和盘算机工程助理教授,也是教职研究员。他最近在2021年盘算机视觉与模式识别集会上先容了他们的研究功效。他们提出的训练模式的想法出于增强该领域研究职员之间数据共享和互助的愿望。

他说:“每家公司都要履历同样的历程,包罗开车、安装传感器、付钱让驾驶者开车、网络数据以及教汽车若何驾驶。”他以为,分享驾驶数据可以辅助公司更快地制造平安的自动驾驶汽车,让社会上的每小我私人都能从互助中受益。Ohn Bar说,人工智能驾驶系统需要云云多的数据才气正常事情,以至于没有一家公司能够独自解决这个问题。

“数十亿英里(在路上网络的数据)只是现实天下事宜和多样性海洋中的一小部门,”Ohn Bar说,然而,丢失数据样本可能会导致不平安行为和潜在的溃逃。”

他提出的机械学习算法是通过估量周围其他汽车的视点和盲点来确立周围环境的鸟瞰图。这些舆图有助于自动驾驶汽车像其他汽车或行人一样检测障碍物,并领会其他汽车若何转弯、通过路口和让路而不会撞到任何器械。

通过这种方式,自动驾驶汽车通过将周围车辆的动作转化为自己的参考框架来学习,并融入机械学习算法和神经网络。学习的工具车辆可能是没有任何传感器的人驾驶的车辆,或其他公司的自动驾驶车辆。由于对场景中所有周围车辆的考察是算法训练的焦点,这种“考察和学习”模式激励数据共享,从而提高自动驾驶车辆的平安性。

Ohn Bar和同事测试了他们的“考察和学习”算法,让算法“驾驶”的自动驾驶汽车在两个虚拟城镇中行驶,一个是与其训练环境类似的直截了当的转弯和障碍,另一个是意外的转弯,如五路交织口。在这两种情形下,研究职员发现他们的自动驾驶神经网络很少发生事故。只有一小时的驾驶数据来训练机械学习算法,自动驾驶车辆在92%的时间平安到达了目的地。

Ohn Bar说:“虽然以前最好的方式需要几个小时,但我们惊讶地发现,我们的方式只需要10分钟的驾驶数据就能学会平安驾驶。”

他说,这些效果是有希望的,但在处置庞大的都会环境方面仍然存在一些显著的挑战。”他说:“还很难对被监视车辆、传感器丈量中的噪音和遮挡以及种种驾驶者的视角举行注释。”

展望未来,该团队示意,他们教授自动驾驶汽车自动驾驶的方式也可以用于其他方面。运送机械人甚至无人机都可以通过考察环境中的其他人工智能系统来学习充实自己。

狭路重逢的“会车”算法

在美国宾夕法尼亚州匹兹堡,车辆经常要在拥挤的街道上会车,同时在某一地址交织通过。在拥挤狭窄的街道上开车的人都很熟悉这种情形:双方都是停着的车,没有足够的空间让双向行驶的车辆相向通过。一辆车必须躲进停着的车的清闲中,或者减速并尽可能地靠边停车,让另一辆车挤已往。

卡内基梅隆大学的研究职员试图使自主车辆能够驾驭这种情形,让自动驾驶车辆的行为更像人类,在高冲突驾驶场景中稳健地协商双向车道使用权。人类驾驶者解决问题的方式并不是靠双方的亲热联系。编程自主汽车(AV)遇到这种情形也不知道对方车辆会做什么,这是卡内基梅隆大学的ARGO AI中央自主车辆研究研究职员面临的一个怪异挑战。

盘算机科学机械人研究所的接见学者,现在是慕尼黑工业大学自主空中系统实验室一员的Christoph Killing说:“这是蹊径上不成文的规则,这正是我们正在处置的问题。这有点难。车辆必须学会在不知道另一辆车是要停照样要走的情形下协商这种情形。”

Killing与研究科学家John Dolan博士和学生Adam Villaflor互助试图解决这个问题。在机械人手艺和自动化国际集会上,该团队先容了他们的研究功效:“学会在高冲突驾驶场景中稳健地协商双向车道使用”。

该团队以为,他们的研究是第一次进入这种特定的驾驶场景。它要求驾驶者在不知道对方在想什么的情形下,通过人与人之间的互助,平安地行驶已往。驾驶者必须平衡“负气”与互助。一个过于激进的驾驶者,一个掉臂其他车辆的驾驶者,可能会把自己和其他人置于危险之中。一个过于互助的驾驶者,一个总是在迎面而来的车辆眼前靠边停车的驾驶者,可能永远也无法在上路行驶。自动驾驶车辆也是这样。问题是怎么能让自动驾驶车辆更像履历老练的人?

Dolan说:“我一直以为在匹兹堡开车时,这是一个有趣的方面,有时也是一个难题的方面。”

自动驾驶汽车被以为是解决交付和运输最后一英里挑战的潜在解决方案。然则,要让AV将比萨饼、包裹某人送到目的地,它们必须能够在狭窄的空间和未知的驾驶者意图中导航。

该团队开发了一种方式来模拟差异类型驾驶者的互助性,即一名驾驶者靠边让另一名驾驶者通过的可能性,并使用这些模子来训练一种算法,该算法可以辅助自动驾驶车辆平安有用地在这种情形下实现导航。现在该算法仅用于仿真,未用于现实车辆,但效果令人知足。研究小组发现,他们的算法比现在的模子显示得更好。

驾驶充满了这样庞大的场景。在自主驾驶研究职员解决这些问题的历程中,他们正在寻找方式,以使为一种场景开发的算法和模子(如在高速公路上并线)适用于其他场景,如在十字路口变道或左转。

Dolan说:“普遍的测试展现了最后百分之十的案例。我们不停发现这些极端情形,并不停想出处置这些情形的设施。”

老道的短距离平安跟车

Robbin van Hoek是埃因霍温科技大学机械工程系动力学与控制小组的研究员,他为自动化车辆设计了一个新平台,集成了互助型车辆和自动车辆的优点。该框架是实现自动驾驶汽车的主要一步,让自动驾驶汽车能够在较小的车间距离内平安驾驶,同时防止在高速公路上常见的人类驾驶车辆的“口琴效应”。

近年来,车辆自动化已成为一个主要课题。其目的是缓解驾驶者引发的交通事故,提高现有基础设施的蹊径通行能力,同时降低燃油消耗。自动化车辆可以区分为两大类。

第一类是互助型车辆,它使用车对车通讯或车对基础设施(V2I)通讯来交流运动数据,从而可以在很短的距离内追随前面的车辆,同时防止口琴效应,而口琴效应通常会导致交通堵塞。然而,这种类型的车辆通常只能执行单个义务,因此其应用仅限于在公路上追随前面的车辆。

第二类是自动驾驶车辆。这类车辆使用车载传感器,如雷达、激光雷达和盘算机视觉系统,以识别蹊径、其他交通介入者和其他相关特征或障碍物。这些车辆上的控制算法行使轨迹展望的显式设计。通过设计种种轨迹,车辆可以凭证当前情形选择最合适的轨迹类型。与互助型车辆相比,它能够处置更普遍的交通场景。

Robbin van Hoek的研究(NWO资助的i-CAVE项目的一部门)旨在将这两类自动化车辆集成到一个平台中。这种新型车辆得益于来自其他车辆的通讯运动数据,可以在异常近的距离内跟踪车辆,同时防止交通堵塞,同时保持了自动驾驶车辆的多功效性。例如,不仅可以追随前面的车辆,还可以自动决议超车,以防主车辆行驶速渡过慢。

除了数学方式的开发,该框架在两辆雷诺Twizy中实现,能够实现自动驾驶。通过开发的互助轨迹设计方式,Van Hoek能够以0.3秒平安跟踪前面的车辆。这是个什么看法?0.3秒的速率距离相当于在80km/h的速率下车辆间距保持在7米。别小看这0.3秒,这已经是现在领先的数据了。

这项研究是实现自动驾驶汽车的主要一步,自动驾驶汽车能够在较小的车间距离内平安驾驶,同时防止在高速公路上常见的人驾驶车辆的口琴效应有助于提高交通的流动能力和平安性。

性感可爱丝袜女郎高清写真/High definition photo of sexy and lovely stockings girl
标签