仿真训练自动驾驶汽车 - 汽车的未来

丹尼尔Faggella
《阿凡达》

Daniel Faggella是Emerj的研究主管。他受到联合国、世界银行、国际刑警组织和领先企业的呼吁,是一位全球广受欢迎的专家,研究人工智能对企业和政府领导人的竞争战略影响。

模拟训练自动驾驶汽车——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。

我们大多了解模拟视频游戏当然,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?

我们当然,我们需要在物理道路和物理环境中喝一条物理车,但是可以将一些数字车分裂到模型物理学的数字环境中,这是一种模型的行人。模型风险,看看他们在所有这些不同的环境中取得了成功没有实际的物理风险损坏实际的车辆或道路上的实际人物?

事实证明,这是有价值的。

我们和兰格的联系是由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的负责人。在他们公布之前,他们给了我一个有趣的人的名单,让我可以和他们交谈,这也给了我这个星期和兰格交谈的机会。

订阅我们的人工智能行业播客您最喜欢的播客服务:

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

来宾:丹尼·兰格,AI和机器学习的副总裁 -统一的技术

专业知识:计算机科学/ AI和机器学习

短暂的识别:1993年,兰格在丹麦技术大学获得计算机科学博士学位。在加入Unity Technologies之前,他曾在Uber担任机器学习主管,在亚马逊担任机器学习总经理,在微软担任Hadoop大数据分析首席开发经理。

采访亮点

(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元素的3D世界中;你与物体碰撞,你摔倒,你努力求生,诸如此类。

再想想汽车世界,我现在可以开着一辆虚拟的汽车在路上行驶,你可以开着它穿过一座城市。我可以看到环境如何推断出车辆的决定,假设它是a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:游戏中有很多所谓的“世界建筑”,你需要建造城市、建筑、树木和人行道等。而且还不止于此;你还必须建立我们所谓的“情节动态”,也就是行人、自行车、其他车辆、红绿灯……一天中的不同时间……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,你可以让那辆车在不同的环境和天气下同时行驶2000种交通方式如果我们做的足够多,我们就可以在所有正常的道路条件下训练一款新型汽车,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进入虚拟世界因为就像你说的我们可以有2000种平行的驾驶体验。好吧,2000实际上是比较低的,1万或2万吧,不同的云服务中有很多服务器,我们已经让Unity能够在云服务中运行,所以你可以真正地扩展。

其次,你不再需要按照挂钟的时间运行。想想所有的游戏都是为人们设计的,人们在人类的时间内玩游戏,但如果我想训练一辆汽车,我可以加速它,让它在虚拟的时间内行驶,这比挂钟快得多。

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。

在虚拟空间中,有哪些部分我们可以模拟得非常接近现实?哪些部分比较难呢?

DL:我们发现,今天正在发生一种转变,我们开始意识到制作越来越精确、越来越精确的物理模型……试图尽可能接近真实世界,但似乎出现了另一种趋势。这是在用很多噪音为世界建模。

而不是精度,我们只是把一个很大的噪音,所以摩擦,我们让它有很多变异,重力,我们让它有变化,然后我们做的是坡道的训练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,所以当你把它带入现实世界时,现实世界很有可能就在你的分布范围内。因此,我们不需要在精度上加倍,我们需要加倍的数据量,在其中添加噪音,然后基本上得到更可靠的系统,这是一个相当新的趋势。

这种尝试已经持续了很久,几乎已经持续了几十年,我们试图用非常确定的代码和非常有限的条件来实现东西,if语句,真和假等等。

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。

你在统计世界,当你看客户,当你看到无人驾驶车辆,当你看机器人,还有其他所有这些环境中的事情,如果你试图模型太准确,你就会错过它,你不能预测。

所以我们一直看到这种术语“大数据”一词的大规模转移。我不会走下那条道路,但那是一种大模拟。噪音中有很多噪音......你有一个系统,基本上已经看到了大部分可能的可能性。

(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。

现在你戴上虚拟现实的护目镜,你的耳机,你可以坐在椅子上,但你可以看到你面前的汽车内部,你可以试着弄清楚你是否可以伸出触摸所有带有它的按钮,有意义它是否太远了。因此,在您将一件套装携带之前,您实际上正在模拟车内体验的经验。

[值]实际上是一个相当宽的数组。有些是视觉上的,基本上可以训练摄像机后面的计算机视觉技术。我们称其为认知方面,即看到车辆周围的情况并导航。但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。在街上开车太危险了,而且大多数时候并没有什么东西在动,你只是跟着前面的车。

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)你认为未来的汽车技术会是什么?

DL:那显然是车辆能够合作的时候。当车辆可以相互合作时,它们就可以与红绿灯合作,它们就可以与它们驶入的城市合作。这不仅适用于汽车,也适用于整个世界。

我们将会看到这些AI系统最初是专门针对特定需求,但是当他们之间能够沟通和协调解决问题,我们没有实现,所以你可以说多个AI系统协作解决的任务,这是当我们真的会看到变化,是否自动驾驶汽车或其他方面的社会。

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行业播客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。了解更多关于触及我们的人工智能关注的高管观众Emerj广告页面

标题图像信用:创新工作- IEEE

保持AI曲线的领先地位

发现在未来商业中区分赢家和输家的关键AI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
订阅镜像
走在机器学习曲线的前面

加入超过20,000名专注于AI的商业领袖,每周接收我们最新的AI研究和趋势。

感谢您订阅Emerj的“人工智能优势”通讯,请查看您的电子邮件收件箱确认。