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(zhàn)
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(fā)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(tǒng)，以此優(yōu)化現實存在的各種場景問題。
傳統(tǒng)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(chuàng)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(huán)節(jié)，這是解決“長尾巴情況”的重要因素。數據收集是激發(fā)主動學習的重要環(huán)節(jié)，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(wěn)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(tǒng)的邏輯。
混合系統(tǒng)：這是將傳統(tǒng)AI和機器學習相結合的系統(tǒng)，這樣可以保證系統(tǒng)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
-
11月19日立即報名>> 【線下論壇】華邦電子與恩智浦聯合技術論壇
-
12月19日立即報名>> 【線下會議】OFweek 2024（第九屆）物聯網產業(yè)大會
-
精彩回顧立即查看>> 蔡司新能源汽車三電質量解決方案
-
精彩回顧立即查看>> 蔡司新能源汽車三電質量解決方案
-
精彩回顧立即查看>> 2024（第五屆）全球數字經濟產業(yè)大會暨展覽會
-
精彩回顧立即查看>> 【線下會議】全數會2024電子元器件展覽會
推薦專題
- 銷售經理(汽車新能源行業(yè)) 廣州瑞松智能科技股份有限公司
- IE工程師（汽車智聯） 惠州碩貝德無線科技股份有限公司
- 產品工程師（汽車） 易思維（杭州）科技股份有限公司
- 項目經理（汽車內飾&汽車電子） 伯恩光學（惠州）有限公司
- 銷售總監(jiān)-汽車電子方向 深圳市智立方自動化設備股份有限公司
- 結構工程師-汽車電子事業(yè)部(J10116) 深圳奧尼電子股份有限公司
- 高級軟件工程師 廣東省/深圳市
- 自動化高級工程師 廣東省/深圳市
- 光器件研發(fā)工程師 福建省/福州市
- 銷售總監(jiān)（光器件） 北京市/海淀區(qū)
- 激光器高級銷售經理 上海市/虹口區(qū)
- 光器件物理工程師 北京市/海淀區(qū)
- 激光研發(fā)工程師 北京市/昌平區(qū)
- 技術專家 廣東省/江門市
- 封裝工程師 北京市/海淀區(qū)
- 結構工程師 廣東省/深圳市
