仿真训练自动驾驶汽车 - 汽车的未来

丹尼尔Faggella
头像

Daniel Faggella是Emerj研究的首脑。丹尼尔呼吁由联合国,世界银行,国际刑警组织和龙头企业,丹尼尔是AI对商业和政府领导者竞争战略影响的全球追捧。

仿真训练自动驾驶汽车 - 汽车的未来

Danny Lange在仿真和计算机图形方面致力于团结的努力,统一,是一个更好的知名公司。他们在几个不同的行业工作,但本周我们大多讲述汽车

这是一个人在AI游戏中以来一直在酷,现在他正在致力于一些具有统一的尖端项目。在这次采访中,我们与Danny发表讲话,其中模拟环境变得有价值。

我们听到的模拟大多是在视频游戏当然,Unity确实在该领域应用了他们的技术,但是汽车等空间呢,在环境中导航很重要?

当然,我们需要有实体车在路上行驶,以吸收来自实体道路和实体环境的数据,但是否有可能将一些数字汽车分割成数字环境,以模拟物理,模拟道路,模拟相同数量的行人风险,看看它们在这些不同的环境中是如何成功的没有真正的身体风险损坏实际的车辆或道路上的实际人物?

事实证明,那里有价值。

我们与兰格接触的人Bootstraabs应用AI会议2019年4月19日在旧金山。我去年在那里做过演讲,我认识BootstrapLabs组织这个活动的人。在他们发布之前,他们给了我一个有趣的谈话对象名单,这给了我这个星期和Lange谈话的机会。

订阅我们的人工智能产业播客使用您最喜欢的播客服务:

iTunes-podcast.
soundloud-podcast.
Google-Podcast.
stitcher-podcast

客人:Danny Lange.,人工智能和机器学习副总裁Unity Technologies

专业知识:计算机科学/ AI和机器学习

简要认识:Lange在1993年赢得了丹麦技术大学的计算机科学博士学位。在Unity Technologies之前,他是亚马逊机器学习总经理Uber的机器学习主管,以及Hadoop在微软的大数据分析主管经理.

采访中强调了

(04:30)你能告诉我们模拟世界环境和物理力量在汽车中发挥作用的感觉吗?

DL:如果你退一步想想游戏,当你玩游戏时,你是在一个带有物理的3D世界中;你会撞到东西,你会摔倒,你会努力求生,诸如此类。

然后再想想汽车的世界,我现在可以驾驶一辆虚拟汽车在道路上行驶,你可以驾驶它穿过一座城市。我可以看到环境如何推断车辆的决定,假设它是自驾驶车辆这基本上是一个游戏规则改变者,这基本上是今天正在发生的事情,你基本上可以模拟交通中的车辆,并从中学习。

(05:30)是什么可能的?

DL:我们称之为“世界建筑”中有很多东西,所以你必须建立城市,建筑物,树木和人行道和这样的人行道。它不会阻止那里;您还必须建立我们称之为“剧集的动态”,这是行人,骑自行车的人,其他汽车在周围移动,交通灯......一天中的时间......不同的天气。

然后快速您拥有一个虚拟世界,其中您的车辆现在必须通过流量和使用机器学习来训练车辆,使用机器学习实际生成环境的动态来挑战自驾驶车辆。

(07:00)所以这个想法是,如果你有计算能力,你可以在不同环境和天气的情况下通过2000年的交通排列,如果你有计算能力,那么如果我们做的足够多,我们可以在所有正常的道路条件下训练一种新型汽车,而且比在现实世界中有200辆汽车行驶的时间要快。我想这就是承诺,对吧?

DL:是的。以这种方式思考它。如果您拿到字母表的Waymo公司,他们正在建立一个自动驾驶车辆。截至今天,他们在真正的道路上驾驶了大约1000万英里的车辆。在美国,我们每亿英里的一个死亡人数,所以刚刚开车1000万英里实际上并不会告诉我们这是如何安全的车辆。

所以我们要做的就是尝试进入虚拟世界,因为正如你所说,我们可以拥有2000年的平行驾驶经历。嗯,2000实际上是低,使它10或20千,不同的云服务中有许多服务器,我们已经使能够在云服务中实际执行的统一,因此您可以真正扩展。

其次,你不再需要在挂钟上运行时间。想想所有游戏都是为人制作的,人们在人类的时间里玩游戏,但如果我想要训练一辆汽车,我可以让它在虚拟时间里加速,让它在比挂钟快得多的时间里行驶。

这就是那么多的训练有助于AI系统的一个方面概括的能力,因此,如果系统没有看够了,疯了,不可能事件……然后疯狂真的很难把一个真实的事件,没有见过这样的虚拟空间。

(10:30)在虚拟空间中,哪些部分是我们可以模拟得非常接近现实的?哪些部分比较难?

DL:我们发现,今天发生了一种转变,我们开始意识到,越来越精确的物理模型……试图尽可能接近真实世界,但似乎有另一种趋势(相反)。这是……用许多噪音来模拟这个世界。

所以而不是精确度,我们只是在那里扔了很多噪音,所以像摩擦一样的东西,我们让它有很多变化,重力,我们让那个有变化,然后我们所做的就是我们所做的培训数据的数量基本上现在火车...机器学习模型。

他们看到了更多的变化,所以当你将其带入现实世界时,现实世界就更有可能出现在你的分布中。因此,与其在精度上加倍努力,我们必须加倍努力数据量,在其中加入噪声,并从根本上得到更健壮的系统,这是一个相当新的趋势。

这种尝试已经持续了很长时间,几乎已经有几十年了,我们试图在非常确定的代码和非常有限的术语中实现东西,如果在那里陈述…真和假,以及所有这些东西。

世界实际上是,如果你在原子水平上真的深入下来,那么它就会转向基本上统计的力学。所以在任何地方都没有100%,我认为一堆公司......今天真的是成功的,因为他们意识到客户不是那种决定性的。

您在统计世界中运营,当您查看客户时,当您查看自动驾驶车辆时,当您查看机器人时,环境中还有所有这些事情,如果您尝试过于准确,那么you’re just gonna miss it, you’re not going to be able to predict that.

所以我们看到人们一直在使用“大数据”这个词。我不会走这条路,但这是一种很大的模拟。在噪音很大的情况下,你的系统基本上已经看到了大部分可能的情况。

(15:30)我们想要运行模拟以获取价值的业务领域在哪里?

DL:最重要的是,涉及自动车辆或自动驾驶汽车。这是我们看到我刚才描述的那种模拟的人数。还有很多其他的模拟正在进行中,其中一些你可能不会想到它们只是严格仿真,但是...想象签名,车辆的内部,你有完全在软件中完成的。

现在你穿上你的虚拟现实眼镜,你的耳机,你可以坐在椅子上,但你可以看到内部的汽车在你的面前,你可以试着找出如果你可以伸手触摸所有的按钮,意义是否离你太远。所以实际上你是在模拟车内的体验在你把零件组装起来之前。

[值]实际上在一个相当宽的数组中。有些是视觉上的,基本上可以在摄像机后面训练计算机视觉技术。我们称之为认知方面,观察车辆周围的情况并导航。但是也有像激光雷达和雷达这样的东西。

我们还模拟了激光雷达和雷达,并且整体目的是实际上建立了这些机器学习模型,可以解释LIDAR信号,雷达信号和视觉信号,并将其全部放在一起并建立最完美的感知世界各地的世界。

这种事不能在街上发生。当你在街上开车时,那太危险了,而且大多数时候并没有太多的东西发生,你只是跟着你前面的车。

我可以告诉你98-99%的时间没有什么有趣的,因为你真的只是在你面前落后车。

(19:30)您认为这项技术在汽车中的未来可能是什么?

DL:这显然是当车辆可以合作的时候。当车辆可以互相配合时,他们可以与交通灯合作,他们可以与他们开车的城市合作。这不仅仅适用于汽车车辆,这只是全世界。

We’re going to see these AI systems initially be very tailored towards specific needs, but when they are able to communicate between themselves and orchestrate solutions to problems that we don’t implement, so you can say multiple AI systems collaborate to solve a task, that’s when we’re really gonna see a change, whether its self-driving cars or many other aspects of society.

我们正在谈论不是很多聪明,非常感知的单个车辆,而是一种能够互动的智能网络,以使整个系统更好地移动人们。

订阅我们的人工智能产业播客使用您最喜欢的播客服务:

iTunes-podcast.
soundloud-podcast.
Google-Podcast.
stitcher-podcast

本文由BootstraBlabs赞助,并在与我们的透明方面进行了编写,编辑和发布Emerj赞助的内容指南.在我们的网站上了解更多关于达到我们专注于人工智能的执行用户的信息Emerj广告页面

标题图像信用:工作中的创新 - IEEE

保持领先于AI曲线

发现区分未来商业赢家和输家的关键人工智能趋势和应用。

注册“AI Advantage”时事通讯:

" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Thanks - check your inbox for a confirmation email">
" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Error - There was some problem.">
订阅
subscribe-image
保持在机器学习曲线的前面

加入超过2万名专注于人工智能的商业领袖,并接收我们每周发布的最新人工智能研究和趋势。

感谢您订阅EMERJ“AI Advantage”时事通讯,请检查您的电子邮件收件箱进行确认。