Heim  >  Artikel  >  Technologie-Peripheriegeräte  >  Zehntausend-Wörter-Interpretation der Anwendung von Deep-Learning-Algorithmen bei der Regelung und Steuerung des autonomen Fahrens

Zehntausend-Wörter-Interpretation der Anwendung von Deep-Learning-Algorithmen bei der Regelung und Steuerung des autonomen Fahrens

WBOY
WBOYnach vorne
2023-04-04 12:55:01870Durchsuche

Obwohl „datengesteuert“ seit langem der Grundkonsens der autonomen Fahrbranche ist, werden datengesteuerte Deep-Learning-Algorithmen bisher hauptsächlich im Wahrnehmungsmodul verwendet, jedoch selten in der Regulierung und Steuerung.

Get zum Thema des Artikels Zuvor müssen wir kurz erläutern, was die in diesem Artikel erwähnte „Vorschrift“ ist.

Ich glaube, dass jeder in der autonomen Fahrbranche die wichtigsten Module der Wahrnehmung, Positionierung, Entscheidungsfindung, Planung und Kontrolle kennen muss. Obwohl jeder in der täglichen Kommunikation solche Unterscheidungen macht, wäre es ein kleines Problem, wenn sie es wären immer noch auf diese Weise in spezifische Arbeiten eingeordnet.

Das Problem liegt hier in der Entscheidungsfindung. Im Großen und Ganzen umfasst die Entscheidungsfindung die Vorhersage, und die Aufteilung der Vorhersage ist sehr umständlich – die Vorhersage selbst hängt stark mit der Wahrnehmung zusammen, aber die Vorhersage ist die Vorstufe der Entscheidungsfindung -Machen kann nur nach Vorhersage erfolgen.

Wir können alle etablierten Fakten, die bereits geschehen sind, als T0+ bezeichnen, und Wahrnehmung sind die etablierten Tatsachen, die bereits geschehen sind. Wie sich das Fahrzeug beispielsweise in Zukunft bewegen soll und was andere möglicherweise tun, ist alles, was in der Zukunft passieren wird. Wir können es T0- nennen.

Die Verwendung von T0 als Wendepunkt hat einen Vorteil: Die Wahrnehmungsverbindung muss sich nur um die etablierten Fakten kümmern, die auf der Straße passiert sind, und alle Schlussfolgerungen, die auf diesen etablierten Fakten basieren, können direkt in den Entscheidungsteil einfließen.

Eine solche Klassifizierung kann die Vorhersageergebnisse enger mit dem Entscheidungsteil kombinieren, wodurch die Beziehung zwischen Vorhersage und Wahrnehmung künstlich „geschwächt“ und die Beziehung zwischen Vorhersage und Entscheidungsfindung „gestärkt“ wird. Diese Aufteilung spiegelt sich in der tatsächlichen Arbeit wider und kann besser bestimmen, was vorhergesagt werden sollte und wie die Vorhersageergebnisse besser für die Entscheidungsfindung genutzt werden können. (Der obige Inhalt wurde vom Autor nach der Kommunikation mit Dr. Yang Wenli, CEO von Leadjun Technology, zusammengefasst.)

Basierend auf der obigen Logik haben Unternehmen für autonomes Fahren normalerweise eine PNC-Gruppe, und die Hauptaufgabe der PNC-Gruppe besteht darin, dies zu tun verantwortlich für die Regulierungsarbeit. Nachdem alle lange Zeit in der PNC-Gruppe gearbeitet haben, werden sie Vorhersage, Entscheidungsfindung, Planung und Kontrolle gemeinsam als „Regulierung und Kontrolle“ bezeichnen.

Dann wird diese „Regulierung und Kontrolle“ in diesem Artikel als „Regulierung und Kontrolle“ bezeichnet.

Als nächstes kombinieren wir „datengesteuert“ und „Regulierung und Kontrolle“.

Obwohl „datengesteuert“ längst zum Grundkonsens der autonomen Fahrbranche geworden ist, werden datengesteuerte Deep-Learning-Algorithmen bisher hauptsächlich im Wahrnehmungsmodul, aber selten in der Regulierung und Steuerung eingesetzt – Derzeit sind regulierungsbezogene Algorithmen in der Branche hauptsächlich regelgesteuert.

Obwohl sich die derzeit veröffentlichten Informationen zu Steuerungsalgorithmen für autonomes Fahren hauptsächlich auf regelbasierte Algorithmen beziehen, sehe ich beim Öffnen der Rekrutierungssoftware häufig, dass Unternehmen, die Steuerungsalgorithmen einstellen, von Kandidaten verlangen, dass sie Deep-Learning-Algorithmen verstehen Dies zeigt auch, dass viele Unternehmen derzeit auf dem Weg zu hybriden Entscheidungsalgorithmen sind.

Zehntausend-Wörter-Interpretation der Anwendung von Deep-Learning-Algorithmen bei der Regelung und Steuerung des autonomen Fahrens

Das Bild stammt aus den Rekrutierungsanforderungen eines autonomen Fahrunternehmens

Es gibt derzeit nur wenige Artikel, die die Anwendung von Deep-Learning-Algorithmen in der autonomen Fahrsteuerung vollständig und sorgfältig erläutern. In diesem Artikel werden daher die Einschränkungen von Regeln und die potenziellen Vorteile von Deep-Learning-Algorithmen erörtert, warum Deep-Learning-Algorithmen zum jetzigen Zeitpunkt noch nicht auf groß angelegte Steuerungsalgorithmen angewendet werden können und ob zukünftige Steuerungsalgorithmen auf Regeln oder Deep Learning basieren werden . Lassen Sie uns auf drei Aspekte näher eingehen.

01 Einschränkungen von Regeln und potenzielle Vorteile von Deep-Learning-Algorithmen

1. Regelbasierte Algorithmen haben Einschränkungen

Derzeit basieren regulierungsbezogene Algorithmen hauptsächlich auf Regeln, jedoch mit der Verbesserung und Anwendung autonomer Fahrstufen Mit der weiteren Ausweitung der Szenarien werden regelbasierte Steuerungsalgorithmen in tatsächlichen Tests an ihre Grenzen stoßen.

Die Mängel regelbasierter Regulierungs- und Kontrollalgorithmen werden hauptsächlich in den drei Kategorien von Eckfällen aufgedeckt: nicht deterministische Szenarien, starke Interaktionsszenarien und starke subjektive Szenarien:

(1) Nicht deterministische Szenarien

Nichtdeterministische Szenarien sind relativ zu deterministischen Szenarien. Das einfachste deterministische Szenario besteht darin, an einer roten Ampel anzuhalten und weiterzufahren. Sie können die Spur auf der weißen gepunkteten Linie wechseln, nicht jedoch auf der weißen durchgezogenen Linie. Abgesehen von dieser Art von Szene können Sie sie als „nicht deterministisches Szenario“ betrachten.

Zum Beispiel fahren Autos in den meisten Fällen auf Straßen mit Fahrspurlinien, aber in einem Fall besteht die aktuelle Straße aus drei Hauptstraßen und einer Nebenstraße, und zwischen den Nebenstraßen und der Nebenstraße gibt es nur Fahrspurlinien und keine Grüngürtel Hauptstraße, was bedeutet, dass Fahrzeuge auf der Nebenstraße unter allen Umständen in die Hauptstraße einmünden können. Dies ist ein typisches nichtdeterministisches Szenario. Da die durchgezogenen und gepunkteten Linien den meisten Autofahrern überhaupt nichts ausmachen, wissen Sie nicht, wann plötzlich ein Auto um Sie herum auftaucht und wie wahrscheinlich es ist, dass es direkt die Spur wechselt.

Da die Flugbahnen anderer Fahrzeuge auf der Straße probabilistisch sind, sind regelbasierte Algorithmen schwierig zu handhaben.

(2) Starke Interaktionsszene

Die typischste Szene ist die Kreuzung. Die Routen mehrerer Objekte in einer Szene interagieren und beeinflussen sich gegenseitig, sodass es ein gewisses Spiel in der Interaktion gibt.

In einer sehr komplexen Straßenszene kann die ständige Vorhersage der umliegenden Autos und die anschließende Anpassung des Plans basierend auf den Interaktionsergebnissen durch menschliche Regeln nicht klar beschrieben werden.

(3) Starke subjektive Szene

Einfach ausgedrückt: Unter unterschiedlichen Straßenbedingungen passen Menschen den Abstand zwischen ihrem eigenen Auto und dem vorausfahrenden Auto unbewusst an die Umgebung an. Denn es gibt zwar eine Reihe von Regeln, die das menschliche Gehirn steuern, aber diese Regeln sind sehr abstrakt und können nicht klar sein. Sie können nur das Unaussprechliche verstehen, wie den Zeitpunkt des Spurwechsels, die Reaktionen auf andere Fahrzeuge an Kreuzungen usw.

Obwohl in einigen Szenarien Regelalgorithmen verwendet werden können, um einige Verhaltensweisen und Fahrstile von Autobesitzern zu imitieren, sind menschliche subjektive Gewohnheiten mithilfe von Regeln schwer zu lösen, und selbst wenn sie gelöst werden können, ist viel Arbeitskraft erforderlich.

Der schwierigste Teil bei der Verwendung regelbasierter Algorithmen zur Behandlung von Eckfällen ist der Vorhersageschritt. Denn neben der Vorhersage der Flugbahn des eigenen Fahrzeugs müssen selbstfahrende Fahrzeuge auch die Flugbahn „anderer Verkehrsteilnehmer“ vorhersagen, und oft sind mehr als ein „anderer Verkehrsteilnehmer“ auf der Straße und diese interagieren miteinander, daher ist es schwierig, ihre Flugbahn vorherzusagen.

Bei Vorhersagen treffen menschliche Fahrer Entscheidungen auf der Grundlage von „Erfahrung“ und „Intuition“, indem sie die historische Flugbahn des Autos und den Fahrstil des Fahrers beobachten. Das heißt, sie können die Strategie ihres eigenen Autos basierend darauf wählen, ob andere Fahrzeuge dies tun konservativ Allerdings ist es für regelbasierte Algorithmen schwierig, ähnliche Vorhersageeffekte wie Menschen zu erzielen.

Wenn das Fahrzeug außerdem in Kurven gerät und bremsen muss, ist es für das regelbasierte Steuerungssystem schwierig sicherzustellen, dass die Kurve jederzeit glatt verläuft.

Wenn sich beispielsweise ein Auto vor Ihnen befindet, das mit sehr geringer Geschwindigkeit fährt, und das autonome Fahrsystem eine Anweisung zum „Spurwechsel nach rechts zum Überholen“ ausgibt, der Spurwechsel jedoch gerade erst in der Mitte erfolgt ist, Plötzlich befindet sich neben Ihnen ein Auto, das mit hoher Geschwindigkeit nach rechts abbiegt. Beim Überholen auf der Nebenspur bricht das Entscheidungssystem die Spurwechselentscheidung sofort ab und erzeugt eine sanfte Kurve, damit das Fahrzeug in die ursprüngliche Spur zurückkehren kann Fahrbahn.

Die Schwierigkeit besteht hier darin, Elemente wie Komfort, Sicherheit, Effizienz und Realisierbarkeit des Leistungsmodells in Einklang zu bringen und sicherzustellen, dass der zu diesem Zeitpunkt generierte Flugbahnplanungspfad reibungslos verläuft.

Nehmen Sie immer noch das obige Beispiel als Beispiel: Wenn nicht garantiert werden kann, dass der zu diesem Zeitpunkt generierte Pfad glatt ist, fährt das Fahrzeug sehr „hart“ und wird beim Fahren sehr unangenehm. Wenn der Fahrer/Beifahrer zu diesem Zeitpunkt einen Notfall um sich herum erkennen kann und das System ihm hilft, den Unfall rechtzeitig zu vermeiden, wird er denken, dass das System sehr zuverlässig ist. Selbst wenn er plötzlich bremst, wird der Beifahrer denken, dass die Automatik funktioniert Fahrsystem „hat mir geholfen, einen Unfall zu vermeiden.“

Aber die Realität ist, dass das System in den meisten Fällen das Problem bereits erkannt und eine Entscheidung getroffen hat, um es direkt „im Keim zu ersticken“. Das Problem besteht jedoch darin, dass die meisten Fahrer/Passagiere nicht wissen, dass ein „scheinbar gewöhnlicher“ Spurwechsel gerade „fast einen Unfall verursacht hat“ und dass sie möglicherweise nicht einmal bemerken, dass ein Auto von hinten kommt. Wenn das Steuersystem zu diesem Zeitpunkt keine sanfte Kurve erzeugen kann, wird der Fahrer/Beifahrer daher nicht nur denken, dass das System „mir geholfen hat, einen Unfall zu vermeiden“, sondern wird dem System auch die Schuld geben, dass es „zu steif“ ist und „herumschwingt“. beim Spurwechsel.

Obwohl diese Art von Problem auch mit regelbasierten Algorithmen gelöst werden kann, ist der Lösungsprozess sehr mühsam.

Obwohl theoretisch einige Long-Tail-Szenarien auch mit regelbasierten Algorithmen gelöst werden können, ist es für Ingenieure in der Praxis schwierig sicherzustellen, dass diese komplexen Codes das Problem lösen können, ohne zu viele Rechenressourcen zu beanspruchen . Diese Codes können problemlos auf einem Offline-System ausgeführt werden. Aber kann der integrierte Chip nach dem Einsteigen ins Auto einen so enormen Rechenleistungsverbrauch bewältigen? Die Lösung dieser Probleme stellt das Programmierniveau und die technischen Fähigkeiten der Ingenieure stark auf die Probe.

Darüber hinaus haben einige Ingenieure möglicherweise Tausende von Codezeilen geschrieben und vergessen, was sie geschrieben haben. Es gibt immer mehr Regeln und eine immer verwirrendere Logik. Wenn irgendwann in der „Zukunft“ eine neue Anforderung hinzukommt, wird es schwierig, das System aufrechtzuerhalten.

2. Deep-Learning-Algorithmen können in geeigneten Szenarien den Anthropomorphismus des Systems verbessern

Die oben erwähnten vielen Einschränkungen von Regelalgorithmen, aber tatsächlich gehen die Einschränkungen von Regelalgorithmen darüber hinaus. Wenn wir alle Probleme zusammen betrachten, können wir sie zusammenfassend als „niedrigen Anthropomorphismus“ von Regelalgorithmen bezeichnen.

Der sogenannte Anthropomorphismus bezieht sich darauf, ob das System während der Fahrt wie ein „alter Fahrer“ aussieht. Ein Experte für Steuerungsalgorithmen von Hao Mo Zhixing sagte: „Die Kernfähigkeit des anthropomorphen erfahrenen Fahrers besteht darin, sich an Veränderungen anzupassen, und die Verwendung eines regelbasierten Systems erfordert die Festlegung vieler Regeln zur Unterscheidung von Szenarien und der Festlegung einer großen Anzahl von Umgebungsparametern.“ Die ständige Suche nach der optimalen Lösung ist mathematisch nur schwer in Echtzeit zu erreichen „Unterscheiden sich von „Fahranfängern“. „Der größte Unterschied besteht darin, dass „erfahrene Fahrer“ über stärkere Vorhersagefähigkeiten verfügen und sich besser an Long-Tail-Szenarien anpassen können.

Im Vergleich zwischen den beiden sind die meisten „Fahranfänger“ zwar auch sehr sicher, „Fahranfänger“ sind jedoch beim Fahren auf der Straße „albern“, während „erfahrene Fahrer“ reibungsloser fahren und gleichzeitig Sicherheit und höhere Effizienz gewährleisten können. Dieser Unterschied wird als „Bewährungserfahrung“ bezeichnet.

Im Wesentlichen verlassen sich „Fahranfänger“ auf der Straße eher auf „fahrschulbasierte Lehrmaterialien“ und ihre Entscheidungs- und Planungsmethoden ähneln eher „wenn sonst“ (Regelalgorithmen), während „erfahrene Fahrer“ auf Erfahrung und Erfahrung angewiesen sind Die Methode der Entscheidungsfindung und Planung ist relativ abstrakt und ähnelt eher einem „Deep-Learning-Algorithmus“.

Zusammenfassend lässt sich sagen, dass durch die Einführung von Deep-Learning-Algorithmen in den Regulierungs- und Steuerungsprozess, das Lernen so viel wie möglich aus der Erfahrung menschlicher Fahrer und die automatische Verfeinerung von Merkmalen zur Suche nach Mustern der „Anthropomorphismus“ des Regulierungs- und Steuerungsalgorithmus verbessert werden kann.

Die von Tesla auf diesem AI Day erwähnte Daten-Engine wird die Sicherheit verbessern, indem sie Daten in neuronale Netze eingibt, um Vorhersageprobleme in der realen Welt besser zu lösen.

Der Verantwortliche für den Planungs- und Steuerungsalgorithmus von Qingzhou Zhihang ist davon überzeugt, dass die Vorhersage (Beurteilung der zukünftigen Flugbahnen anderer Fahrzeuge) der am besten geeignete und erste Schritt ist, um Deep-Learning-Algorithmen in großem Maßstab anzuwenden. Er sagte: „Der Vorhersagealgorithmus von Qingzhou Zhihang nutzt Deep Learning.“

Insbesondere in Bezug auf Szenarien glaubt er, dass Szenarien, die stark vom subjektiven Urteilsvermögen des Menschen abhängen, von Deep-Learning-Algorithmen geleitet werden müssen.

„Sie können zum Beispiel traditionelle KI-Klassifizierungsmodelle (bei denen es sich um Deep Learning oder traditionelle Klassifizierungsmodelle für maschinelles Lernen handeln kann) für die Entscheidungsfindung verwenden, Deep Learning für die Trajektoriengenerierung verwenden, um die Pfadplanung zu steuern, und End-to-End-Lernen zur Verstärkung verwenden Geben Sie die aktuelle Aktion an, die durchgeführt werden sollte, um die Bewegungsplanung zu steuern (endgültige Flugbahnplanung). „

Dieser Experte glaubt auch, dass strukturierte Hochgeschwindigkeitsszenen möglicherweise einfacher mit herkömmlichen Algorithmen zu lösen sind, während unstrukturierte städtische Szenen möglicherweise größere Probleme haben nutzt KI-Modelle.

Zhitu verwendet Reinforcement-Learning-Algorithmen im Entscheidungsprozess von Hochgeschwindigkeits-Rampenkreuzungsszenarien.

Dr. Yang Wenli, CEO von Lingjun Technology, glaubt, dass die Bedeutung und Anwendbarkeit von Deep-Learning-Algorithmen in verschiedenen Modulen des autonomen Fahrens nicht genau gleich sind.

„Im Prozess der Wahrnehmung-Fusion-Vorhersage-Entscheidungsplanung-Kontrolle gilt: Je früher der Teil, desto besser ist die Wirkung des Deep-Learning-Algorithmus.“

Dr. Yang Wenli sagte: „Das Wahrnehmungssystem hat eine große Allerdings sind Fehler erlaubt und es gibt eine gewisse Toleranz für Genauigkeit und Rückruf (da spätere Fusion und Entscheidungsfindung Wahrnehmungsfehler korrigieren können), daher ist die Deep-Learning-Methode besser geeignet

"Bei der Entscheidungsfindung Teil, Regeln und Lernen haben jeweils ihre eigenen Stärken. Daher verwenden wir eine Hybridarchitektur, die Deep-Learning-Methoden zur Verbesserung der Leistung und Regelmethoden zur Gewährleistung der Sicherheit verwendet.

„Das Steuerungssystem stellt eine kleine Datenmenge, hohe Anforderungen an die Zuverlässigkeit und absolut keinen Spielraum für Fehler. Der Einsatz von Deep-Learning-Algorithmen kann nicht nur die Leistung verbessern, sondern kann auch Unsicherheiten und unzuverlässige Faktoren mit sich bringen, also ist dies nicht der Fall.“ Geeignet für den Einsatz von Deep-Learning-Algorithmen. Darüber hinaus ist die zugrunde liegende Steuerungstechnologie perfekt und es besteht keine Notwendigkeit, Deep-Learning-Algorithmen einzusetzen Algorithmus muss auch der Steueralgorithmus sicher sein. In der PID des klassischen Steuerungsalgorithmus kann die Steuerungsschicht aus Sicherheitsgründen die Ausführung der von der Planungsschicht ausgegebenen „falschen Anweisungen“ verweigern. Wenn der Plan beispielsweise eine Anweisung gibt, das Fahrzeug auf 120 km/h zu fahren, die eigene Hardware des Fahrzeugs die Geschwindigkeit von 120 km/h jedoch nicht unterstützen kann, kann der Steuerungsalgorithmus zu diesem Zeitpunkt eine Prüfung durchführen und die Ausführung direkt verweigern die Anweisung, um sicherzustellen, dass das Fahrzeug normal fahren kann, ohne zu überschlagen.

Wenn der Steueralgorithmus alle Fehler abdecken möchte, muss er einen regelbasierten Algorithmus verwenden, um die Zuverlässigkeit sicherzustellen.

Wenn es darum geht, dass „Deep-Learning-Algorithmen auf Regulierung und Kontrolle angewendet werden“, bezieht sich das, was jeder als „Regulierung und Kontrolle“ bezeichnet, eigentlich hauptsächlich auf Vorhersage, Entscheidungsfindung und Planung und beinhaltet keine Kontrolle.

Neben der Lösung praktischer technischer Probleme haben Deep-Learning-Algorithmen auch einen großen Vorteil, der nicht ignoriert werden kann: Sie nutzen die dedizierten GPU- oder neuronalen Netzwerkprozessoren vollständig aus, um den CPU-Rechenleistungsverbrauch zu senken.

Um bestimmte Funktionen zu implementieren, verbrauchen die komplexen Regelcodes, die in den frühen Phasen der autonomen Fahrentwicklung verwendet werden, viel CPU-Rechenleistung. Das Design von On-Board-Chips tendiert jedoch dazu, die Rechenleistung für Deep Learning zu verbessern Die Rechenleistung des CPU-Teils ist begrenzt. Ingenieure müssen Möglichkeiten zum Sparen finden. Durch den Ersatz einer Vielzahl komplexer regelbasierter Algorithmen durch Deep-Learning-Algorithmen kann viel CPU-Rechenleistung eingespart werden.

Experten für Planungs- und Steuerungsalgorithmen von Qingzhou Zhihang glauben, dass städtische NOA-Massenfahrzeuge im Allgemeinen eingebettete Chips verwenden und die CPU-Rechenleistungsressourcen nicht mit L4-Demofahrzeugen basierend auf der X86-Architektur verglichen werden können Um ein Fahrerlebnis in der Nähe von L4 zu erreichen, müssen die Anbieter versuchen, Deep-Learning-Algorithmen in den Regelungs- und Steuerungsprozess einzuführen und die Rechenlast auf dedizierte Deep-Learning-Prozessoren zu verlagern.

02 Zum jetzigen Zeitpunkt können Deep-Learning-Algorithmen nicht auf groß angelegte Regelungs- und Steuerungsalgorithmen angewendet werden.


Da Deep-Learning-Algorithmen so „cool“ klingen, warum basieren Regelungs- und Steuerungsalgorithmen in der Praxis immer noch auf Regeln und nicht auf Deep Learning? ? Was ist mit Algorithmen?

Das liegt daran, dass der Deep-Learning-Algorithmus auch viele Mängel aufweist. Diese Mängel führen dazu, dass der Deep-Learning-Algorithmus kurzfristig weniger effektiv ist als die Regeln.

1. Es ist schwer zu sagen, ob das Fahrverhalten eines menschlichen Fahrers „erlernbar“ ist.

In einer idealen Welt funktioniert ein Deep-Learning-Algorithmus umso besser, aber in manchen Fällen, z Je größer die Datenmenge, desto geringer kann die Wirkung des Algorithmus sein. Warum ist das so?

Deep-Learning-Algorithmen müssen zunächst das Fahrverhalten einer großen Anzahl menschlicher Fahrer erlernen, bevor sie auf Steuerungsalgorithmen angewendet werden können. Das Problem besteht jedoch darin, dass verschiedene Fahrer unterschiedliche Fahrstile haben, der Fahrstil desselben Fahrers in verschiedenen Situationen jedoch nicht Vollständig, wie kann dann sichergestellt werden, dass das Fahrverhalten menschlicher Fahrer gute Daten ist, die es wert sind, gelernt zu werden?

Zum Beispiel können wir beim Spurwechsel an Kreuzungen bei normaler Fahrt nicht auf die durchgezogene Linie drücken, um die Spur zu wechseln, aber viele Fahrer möchten die Spur oft durch Drücken der durchgezogenen Linie wechseln.

Der Experte für Steuerungsalgorithmen von Pony.ai sagte: „Auch menschliche Fahrer haben viele schlechte Angewohnheiten beim Fahren, wenn sie einfach blind dem Anthropomorphismus folgen und die drei Hauptoptimierungsziele des autonomen Fahrsystems ignorieren: Sicherheit, Komfort und Effizienz, dann setzen sie.“ Der Karren vor dem Pferd. Selbst wenn KI-Modelle verwendet werden, um die Mängel traditioneller Algorithmen auszugleichen, sollten sie in vielen Fällen nur verbessert werden. gereinigt" vorab. Nur wenn der Lernalgorithmus effektiv ist, wird es besser. Doch wie können Effizienz und Qualität für eine groß angelegte Datenbereinigung in Echtzeit sichergestellt werden? Das ist ein Problem.

Als Reaktion auf dieses Problem haben einige Unternehmen künstlich einige Regeln festgelegt, um zu bewerten, ob der Fahrer gut fährt oder nicht, und dann diejenigen herauszufiltern, die schlecht aussehen. Dies dient jedoch dazu, Regeln zu verwenden, um „Deep Learning“ „einzuschränken“. , dieser Ansatz ist zu einfach und grob und kann dazu führen, dass „das Baby mit dem Bade ausgeschüttet wird“ und versehentlich einige nützliche Fahrverhaltensdaten gelöscht werden.

2. Deep-Learning-Algorithmen sind schwieriger mit Nachfrageänderungen umzugehen als Regeln

Der Algorithmus eines bestimmten autonomen Fahrunternehmens schreibt vor, dass der Sicherheitsabstand zum vorausfahrenden Fahrzeug beim Fahren auf dem Fahrzeug nicht weniger als fünf Meter betragen sollte Straße. Eines Tages stellte der Produktmanager eine neue Anforderung: Bei normaler Straßenfahrt wurde der Sicherheitsabstand zum vorausfahrenden Fahrzeug von mindestens fünf Metern auf mindestens zehn Meter geändert.

Diese Situation wird ein Problem von Deep-Learning-Algorithmen aufdecken: Wenn Ingenieure das Modell entsprechend den Anforderungen ändern möchten, müssen sie das Modell neu trainieren, was sehr kostspielig ist. Wenn Sie jedoch einen regelbasierten Algorithmus verwenden, ist dies zu diesem Zeitpunkt sehr einfach und das Problem kann mit wenigen Codezeilen gelöst werden.

Und wenn ein Unfall passiert, ist es für den Deep-Learning-Algorithmus schwierig, wie der Regelalgorithmus schnell und in kürzester Zeit herauszufinden, wo das Problem liegt.

3. Die Wirkung des Deep-Learning-Algorithmus ist möglicherweise nicht so gut wie die Regeln

Der Experte für Steuerungsalgorithmen von Qingzhou Zhihang sagte: Wenn das KI-Modell eingeführt wird, wenn die Dateninfrastruktur unvollständig ist, verringert sich die Leistung der KI ​​Modell wird schwierig sein, die Erwartungen zu erfüllen.

Zum Beispiel kann der ACC-Folgeabstand durch eine einfache Testkalibrierung bestimmt werden, es kann jedoch schwierig sein, den gleichen Effekt mit einem KI-Modell zu erzielen. Der Hauptgrund dafür ist, dass die Dateninfrastruktur vieler Unternehmen unvollständig ist und es keine Möglichkeit gibt, unterschiedliche Daten in verschiedenen Fahrzeugverfolgungsszenarien zu finden, was es schwierig macht, ein Modell zu trainieren, das die Leistung der Regeln erfüllt oder übertrifft.

Der Steuerungsalgorithmus-Experte von Haomo Zhixing sagte auch: „Der aktuelle KI-Modelleffekt hat die Regeln nicht vollständig außer Kraft gesetzt. Er versucht, Menschen zu personifizieren, aber der Effekt ist nicht gut genug, weil die Modellarchitektur, die Eingabe- und Ausgabedefinitionen und die Datenvorbereitung.“ Dieses kognitive Netzwerk ist noch nicht vollständig fertiggestellt und hat noch nicht das Niveau eines Wahrnehmungsmodells erreicht (aber ich denke, dass es innerhalb eines Jahres einen großen Durchbruch geben wird). 4. Deep-Learning-Algorithmen benötigen immer noch Regeln, um sie zu verstehen.

Beim Fahren eines Fahrzeugs auf der Straße können Fehler im Entscheidungsalgorithmus nicht vollständig vermieden werden. Denn selbst wenn eine Person fährt, kann, egal wie gut der erfahrene Fahrer ist, nicht garantiert werden, dass seine Entscheidung immer völlig korrekt ist, und das Gleiche gilt für Entscheidungsalgorithmen, die auf Deep-Learning-Modellen basieren.

Daher sollten Entwickler beim Entwurf des Systems die Möglichkeit in Betracht ziehen, dass „der Entscheidungsalgorithmus Fehler macht“ und „psychologisch darauf vorbereitet“ sein, die potenzielle Tatsache zu „akzeptieren“, dass der Entscheidungsalgorithmus Fehler machen wird.

In diesem Zusammenhang setzt Lingjun Technology auf eine hybride Entscheidungsarchitektur. Der CEO des Unternehmens, Dr. Yang Wenli, sagte: „Deep-Learning-Algorithmen werden hauptsächlich zur Verbesserung der Leistung eingesetzt, da sie gut aus menschlichen Fahrerfahrungen und den entworfenen Regeln lernen können.“ Von Programmierern wurden diejenigen verwendet, die vollständig getestet und demonstriert wurden, um die Sicherheit zu gewährleisten und eine höhere Priorität zu haben.“ Weiter unten betrachtet kann die Planungsebene auch „falsche Anweisungen“ aus der Entscheidungsfindung ablehnen. Beispielsweise sollten die Eingabegeschwindigkeit und die Größe von Hindernissen innerhalb eines bestimmten Bereichs liegen (z. B. darf ein Auto nicht mit einer Geschwindigkeit von 100 m/s „abheben“); ein weiteres Beispiel ist, dass die Entscheidungsebene dies angibt Anweisung „Spurwechsel nach links“, aber dies Wenn sich Autos auf der linken Seite befinden, kann die Planung direkt „die Ausführung der Anweisung verweigern“, da es zu diesem Zeitpunkt keine vollständige Lösung für die Raumplanung beim Spurwechsel gibt.

Der hier erwähnte Planungsalgorithmus, der „falsche Anweisungen“ aus dem vorherigen Link ablehnt, kann nur regelbasiert sein.

Auf der Grundlage des oben Gesagten können wir erkennen, dass in den Szenarien, in denen Deep-Learning-Algorithmen verwendet werden können, die Regeln für die Rolle der „Vertuschung“ immer noch unerlässlich sind.

5. Die Einführung von Deep-Learning-Algorithmen bedeutet, dass eine große Menge an Code ersetzt werden muss

Es gibt auch ein sehr herausforderndes Problem für autonome Fahrunternehmen: Wenn Sie einen hybriden Steuerungsalgorithmus verwenden möchten, müssen Sie dies zwangsläufig tun stehen vor dem Problem, dass eine große Menge Code ersetzt werden muss, und dies erfordert zwangsläufig „Stapeln von Personen“.

Qingzhou-Kontrollalgorithmus-Experten sagten, dass herkömmliche regelbasierte Systeme beim Entwurf keine Schnittstellen im Zusammenhang mit Deep Learning in Betracht gezogen haben und die Codebasis nach Jahren der Entwicklung relativ gefestigt wurde. Die Umgestaltung des Codes zur Einführung von Deep Learning ist sehr kostspielig „Aber Qingzhou Zhihang berücksichtigte den weit verbreiteten Einsatz von KI, als es 2019 mit dem Aufbau des Entscheidungsplanungsalgorithmus-Stacks begann, berücksichtigte die Situation nach der Einführung des Modells auf jeder Schnittstellenebene im Voraus und nahm gezielte Architekturanpassungen vor.“ ."

Laut einem leitenden Experten, der einst als Verantwortlicher für den Regulierungsalgorithmus bei einem führenden Robotaxi-Unternehmen tätig war, ist der Arbeitsaufwand für das Umschreiben von Code nach der Einführung von Deep Learning in der Regulierung sehr groß, da es Online-, Offline-, Simulation usw. Transformation eines Systems.

Der Autor hat schon oft Beschwerden von Benutzern in der Internetbranche gehört, warum Programmierer einer bestimmten Software sich immer dafür entscheiden, das aufgeblähte System zu patchen, anstatt es zu rekonstruieren. Dieses Beispiel ähnelt in gewisser Weise dem Problem, das beim Ersetzen regelbasierter Governance-Algorithmen durch hybride Governance-Algorithmen auftritt – die Vorteile des Refactorings sind gering.

Die Verbesserung des Systembetriebsniveaus ist begrenzt, aber Sie müssen dafür enorme Kosten zahlen. Diese Art von „harter Arbeit ist möglicherweise nicht unbedingt eine undankbare Sache“ und stellt für jedes Unternehmen eine „unerträgliche Belastung“ dar. Diese Sorge führt auch dazu, dass Unternehmen für autonomes Fahren die Mentalität haben, „nur aus der Ferne zuzusehen und nicht mit hybriden Steuerungsalgorithmen zu spielen“.

Tatsächlich stellte der Autor nach der Kommunikation mit den Steuerungsalgorithmus-Direktoren/Ingenieuren mehrerer Unternehmen für autonomes Fahren fest, dass im Gegensatz zu der „Szene“, in der 2014–2015 Deep-Learning-Neuronale Netze auf die Wahrnehmung angewendet wurden, derzeit jeder im Allgemeinen besorgt ist Der Einsatz von Deep-Learning-Algorithmen in der Regulierung und Steuerung sei „nicht dringend“.

Man kann sagen, dass jeder immer noch mit einer „verzichtbaren“ Mentalität Vorforschung und praktische Anwendungen durchführt.

Genauer gesagt wissen Unternehmen für autonomes Fahren, dass „hybride Steuerungsalgorithmen“, die Regeln + Deep-Learning-Algorithmen verwenden, die Zukunft sind, aber derzeit gibt es nicht viele Szenarien, in denen hybride Steuerungsalgorithmen verwendet werden können, also könnten sie genauso gut ein paar einstellen Leute: „Lassen Sie sie langsam ihre eigenen Nachforschungen anstellen.“

Die Einstellung der meisten autonomen Fahrunternehmen zu hybriden Planungs- und Steuerungsalgorithmen besteht derzeit darin, dass sie hybride Planungs- und Steuerungsalgorithmen nur für sehr wenige Szenarien wie Rampen und Kreuzungen verwenden, während sie in der Vergangenheit regelbasiert waren Algorithmen wurden verwendet, um Probleme zu lösen. In einem Eckfall werden „keine Maßnahmen“ ergriffen, solange keine „unerträglichen“ Probleme gefunden werden.

Es gibt auch Experten für Planungs- und Steuerungsalgorithmen, die sehr deutlich sagen, dass es von der Nachfrage abhängt, ob ein hybrider Planungs- und Steuerungsalgorithmus verwendet werden soll oder nicht.

Basierend auf der obigen Logik ist die derzeitige Haltung von Unternehmen für autonomes Fahren gegenüber Hybridsteuerungsalgorithmen „verzichtbar“, und auch der zukünftige Anwendungsbereich von Hybridsteuerungsalgorithmen muss „in Frage gestellt“ werden.

03 Regeln oder Deep-Learning-Algorithmen?

Lassen Sie uns die Diskussion basierend auf der Logik des vorherigen Abschnitts fortsetzen.

Viele Experten glauben, dass Regelcodes immer den Großteil der Steuerungsalgorithmen ausmachen werden, egal wie ausgereift Deep-Learning-Algorithmen und Hybrid-Frameworks sind, und Deep-Learning-Algorithmen nur eine unterstützende Rolle spielen.

Der Hauptgrund, den sie nannten, ist: Deep-Learning-Algorithmen weisen die Eigenschaften der „Unerklärbarkeit“ auf. Die Verwendung von Deep-Learning-Algorithmen zur Erstellung von Vorhersagen und Entscheidungen folgt eher der Wahrscheinlichkeit als der strikten Kausalität Kontrolle wird die Menschen unweigerlich „unruhig“ machen.

Dr. Yang Wenli, CEO von Rulingjun Technology, sagte: „Deep Learning ist eine Black Box. Das von Menschen verstandene ‚Szenario‘ unterscheidet sich möglicherweise von dem ‚Szenario‘, das Deep Learning versteht. Es gab ein Beispiel für dissidentische künstliche Intelligenz.“ Zuvor wurden einige Änderungen am Bild vorgenommen. Wenn Sie sich die Pixel ansehen, wird die künstliche Intelligenz es falsch erkennen. Wenn Sie ein paar schwarze Bänder auf Verkehrsschildern anbringen, kann Tesla es nicht erkennen, es sei denn, es ist „konsistent“. Auf der Pixelebene wird das, was die Leute für die „gleiche Szene“ halten, durch Deep Learning erkannt, höchstwahrscheinlich „verschiedene Szenarien“. Anthropomorphismus aus den Eingabe- und Ausgabemerkmalen, aber tatsächlich ist es schwierig, die interne logische Beziehung des Fahrens zu verstehen. „Um die Möglichkeit von Fehlern bei der Entscheidungsfindung mithilfe von Deep-Learning-Algorithmen zu beseitigen, haben wir eine hybride Entscheidungsarchitektur eingeführt

Der CTO eines Unternehmens für selbstfahrende Nutzfahrzeuge und ein Experte für Steuerungsalgorithmen eines neuen Automobilherstellers halten ebenfalls fest ähnliche Ansichten.

Bei einer Technologieaustauschveranstaltung Ende September sprach Dr. Huang Chang, CTO von Horizon, ebenfalls über dieses Thema, glaubte jedoch, dass bei hybriden Regulierungsalgorithmen Deep Learning der Mainstream sein wird und Regeln nur „notwendig“ sein werden. Auxiliary“ – um offensichtliche, semantisch erklärbare Fehler zu vermeiden.

Huang Chang erklärte, dass aufgrund seiner Erfahrung bei einem regelbasierten System, das über viele Jahre hinweg verfeinert und gut abgestimmt wurde, die Verbesserung sehr begrenzt sein wird, wenn Deep Learning nur in ein bestimmtes lokales Modul eingeführt wird. oder sogar Es gibt keine Verbesserung. „Da andere Module immer noch auf der Grundlage von Regeln entworfen werden. Wenn Sie in diesem großen Framework ein Modul durch einen Deep-Learning-Algorithmus ersetzen, sind die Kosten für die Anpassung anderer Module an dieses neue Modul sehr hoch.“ Der gesamte Verifizierungszyklus ist sehr langwierig, sodass Sie nicht die Geduld haben, ihn abzuschließen. „

Der Verantwortliche für den Steuerungsalgorithmus eines Robotaxi-Unternehmens und der Steuerungsalgorithmus-Experte aus Qingzhou glauben ebenfalls, dass der zukünftige Steuerungsalgorithmus auf tiefem Lernen basieren und durch Regeln ergänzt wird

Qingzhou-Experten für Planungs- und Steuerungsalgorithmen sagten, dass in Qingzhou Zhihang im Vorhersageprozess Vorgänge im Zusammenhang mit Deep-Learning-Algorithmen (einschließlich Vorverarbeitung, Modellbegründung und Nachverarbeitung) fast 95 % der gesamten Modullaufzeit ausmachen -Erstellung und Planung In diesem Zusammenhang hat der Anteil der Deep-Learning-Algorithmusoperationen ebenfalls etwa 30 % erreicht.

„Es ist nicht einfach zu quantifizieren, aber im Allgemeinen sollten Deep-Learning-Algorithmen 50–60 % der Steueralgorithmen ausmachen.“

Er glaubt, dass am Ende 80–90 % der Rechenzeit der Steueralgorithmen ausmachen werden für Deep-Learning-Algorithmen aufgewendet. Darüber hinaus glaubt Dr. Yang Wenli im Gegensatz zu dem, was Dr. Yang Wenli zuvor erwähnte, dass „keine Notwendigkeit besteht, KI im zugrunde liegenden Steuerungsalgorithmus zu verwenden“, davon, dass der Steuerungsalgorithmus regelbasiert ist, Deep-Learning-Modelle jedoch auch zur Optimierung von Steuerungsparametern verwendet werden können Erhöhen Sie die Anpassungsfähigkeit des Algorithmus.

Er wies darauf hin: „Es ist verständlich, wenn es in der Branche früher Streitigkeiten über ‚KI-basiert‘ oder ‚regelbasiert‘ gab, aber die von Tesla auf seinem letzten AI DAY veröffentlichten Informationen haben gezeigt, dass Tesla die Leistung der Kontrolle.“ Algorithmen, die Deep Learning in großem Umfang nutzen, sind sehr beeindruckend, was von der Seite aus zeigt, dass Musks „erste Prinzipien“ in gewissem Sinne auch auf Steuerungsalgorithmen angewendet werden können, die auf Deep Learning basieren: Wenn das menschliche Gehirn als komplexes neuronales Netzwerk fungiert, kann es lernen, Auto zu fahren Durch viel Erfahrung kann der Steuerungsalgorithmus auch Deep Learning nutzen, um eine bessere Leistung zu erzielen. „

Es gibt große Kontroversen bei Deep-Learning-Algorithmen, nämlich ihrer „Unerklärlichkeit“. Müssen wir dem Algorithmus von „unbekannt“ zu „bekannt“ eine weitere Regel hinzufügen, um ihn zu „bestimmen“?

In Bezug auf die Frage des Autors glaubt ein Experte für Steuerungsalgorithmen eines Robotaxi-Unternehmens, dass es „machbar“ ist, die Unsicherheit der Szenenerkennung durch KI durch Regeln zu bestimmen; Experten für Steuerungsalgorithmen von Huang Chang und Qingzhou halten es jedoch für „machbar“. Verwenden Sie Regeln, um die Unsicherheit der Szenenerkennung durch KI zu bestimmen.

Huang Chang sagte: „Wir können dieses System nicht zwingen, ‚erklärbar‘ zu sein – denn das sogenannte ‚erklärbar‘ bedeutet, Regeln zu verwenden, um es einzuschränken, oder sich sogar vollständig auf Regeln zu verlassen, wie ein Expertensystem. Das Ergebnis ist, dass …“ Stadt A Ein System, das sehr reibungslos läuft, erfordert beim Betrieb in Stadt B eine große Anzahl von Ingenieuren zum Debuggen. Darüber hinaus werden Eckfälle, die komplex sind und nicht durch menschliche Regeln beschrieben werden können, „unlösbar“

Es ist ersichtlich. Dadurch wird das System gezwungen, „interpretierbar“ zu sein, was zu den im ersten Abschnitt dieses Artikels erwähnten „Einschränkungen der Regeln“ führt.

Huang Chang glaubt, dass wir uns bei der Einführung von Deep-Learning-Algorithmen in die Regulierung nicht allzu viele Gedanken darüber machen müssen, ob das System „erklärbar“ ist.

"Ich kommuniziere mit Ihnen. Unter uns kann ich Sie vollständig verstehen und Ihre gesamte Logik nachvollziehen, aber ich kenne einige Ihrer zugrunde liegenden Intuitionen und einige verborgene Charakterzüge nicht (sogar Sie selbst wissen es nicht). Nicht unbedingt bekannt), aber dies hat keinen Einfluss auf unsere Fähigkeit, Vertrauen aufzubauen und reibungslos zu kommunizieren. Ebenso müssen wir unsere Erkundung der Anwendungsgrenzen von Deep-Learning-Algorithmen nicht darauf beschränken, ob sie „interpretierbar“ sind In einem Beitrag heißt es, dass der Unterschied zwischen Deep Learning und klassischer Statistik darin besteht, dass die klassische Statistik immer noch versucht, Regelmodelle zu verwenden, um das gesamte System „interpretierbar“ zu machen, Deep Learning dies jedoch durchbricht und sogar bis zum Äußersten geht, um das Endgültige zu optimieren Ziel.

„Menschen werden Fehler machen, Regelsysteme werden Fehler machen und Datensysteme werden auch Fehler machen, aber im weitesten statistischen Sinne sind Deep-Learning-Algorithmen um eine Größenordnung besser als Regelsysteme, wenn der Datenumfang groß genug ist.“ . Daher können wir es mit Zuversicht verwenden.

„Auf dieser Grundlage reicht es aus, Dinge wie das Umgebungsmodell zu visualisieren, damit die Leute es verstehen können, und dann eine kleine Anzahl notwendiger Regeln einzuführen, um den Deep-Learning-Algorithmus einzuschränken.“ die letzte Phase der Planung. „

Huang Chang glaubt, dass KI im Zeitalter des Algorithmus 2.0 die Fähigkeit besitzt, sich selbst anzupassen. Daher müssen Unternehmen für autonomes Fahren möglicherweise einige „Algorithmen auf der Grundlage von Algorithmen“ entwickeln, damit sie grundlegende Algorithmen unterstützen können besser angewendet.

Qingzhou-Kontrollalgorithmus-Experten glauben, dass die vom Autor erwähnte Idee „Wenn sich eine Szene von unbekannt zu bekannt ändert, Regeln verwenden, um den Reaktionsplan zu bestimmen“. ist schwierig, mit dieser Methode zu arbeiten, da reale Szenen oft dynamisch angepasst werden – sie mögen zunächst klar sein, aber mit der Zeit werden sie „unscharf“, was es schwierig macht, sie klar mit Regeln zu beschreiben

Bezüglich Auf die „Unerklärlichkeit“ von Deep-Learning-Algorithmen antwortete er: „Viele Leute werden sagen, dass Deep Learning ‚unerklärbar‘ ist, aber tatsächlich kann dies erreicht werden, wenn Sie Ihren Deep-Learning-Algorithmus sorgfältig entwerfen. Der Effekt von ‚Erklärbarkeit‘ kann sogar stärker sein als Regeln.

Er nannte dieses Beispiel: Ein selbstfahrendes Fahrzeug biegt an einer Kreuzung rechts ab und muss einem geradeaus fahrenden Auto ausweichen. Derzeit ist es schwierig, die Geschwindigkeit des geradeaus fahrenden Fahrzeugs und den Abstand dazwischen anhand von Regeln umfassend zu bestimmen Welche Maßnahmen sollte das autonome Fahrsystem derzeit ergreifen, wenn jedoch ein Deep-Learning-Algorithmus verwendet wird, sofern die Position und der Status des Fahrzeugs sowie potenzielle Hindernisse (durch Fahrzeuge) gegeben sind? Einige relevante Umgebungs- und historische Informationen kann das trainierte neuronale Netzwerk in der Lage sein, die Wahrscheinlichkeiten von „Du lässt mich“ oder „Ich lasse dich“ zu berechnen, die denen entsprechen, wie Menschen beim Autofahren Entscheidungen treffen. „Wahrscheinlichkeit lässt sich leichter erklären als Regeln.“

Apropos, der Autor dachte an ein Thema, das nicht direkt mit dem Thema dieses Artikels zu tun zu haben scheint, aber tief damit verbunden ist – was ist menschliche „Intuition“?

Ich habe oft Leute, die betriebswirtschaftliche Forschung betreiben, sagen sehen, dass Unternehmer sich in kritischen Momenten, wenn sie Entscheidungen über wichtige Angelegenheiten treffen, oft nicht auf Forschung, sondern auf ihre Intuition verlassen. Nur wenige Menschen können klar erklären, was diese Intuition ist, aber der Autor ist der Meinung, dass es sich bei dieser „Intuition“ tatsächlich um einen datengesteuerten „Deep-Learning-Algorithmus“ handelt.

Die sogenannte „intuitive Genauigkeit“ ist kein Talent, sondern dahinter steckt die Anhäufung von Informationen und die darauf basierende Erkenntnis. Ähnlich wie bei der Big-Data-Analyse gibt es eine Korrelation zwischen Schlussfolgerungen und Informationen, aber es gibt keinen Kausalzusammenhang, oder der Kausalzusammenhang ist nicht direkt oder offensichtlich genug, und es ist für Menschen schwierig, ihn mit Logik klar zu erklären, also nennen sie es „ Intuition."

In diesem Sinne müssen wir Deep-Learning-Algorithmen wirklich nicht dazu zwingen, „interpretierbar“ zu sein.

Die Kontrollalgorithmus-Experten von Hao Mo Zhixing glauben jedoch, dass selbst wenn eine große Anzahl von KI-Modellen für die Erkennung verwendet wird, diese szenariobasiert sein und eine explizite und erklärbare „Absicht und Bedeutung“ haben müssen Prinzip".

Dieser Experte sagte: „Die Stärke von Deep Learning besteht darin, dass es sich an Veränderungen in verschiedenen komplexen Umgebungen anpassen und schnell eine Lösung bereitstellen kann. Allerdings führen seine Black-Box-Eigenschaften manchmal zu falschen Lösungen, und regelbasierte Algorithmen sind es tatsächlich.“ ist „Ich weiß, ich weiß“ und „Ich weiß, ich weiß nicht“. Die Wahrscheinlichkeit, eine korrekte Lösung für die „unbekannte“ komplexe Szene zu liefern, ist geringer als bei der Deep-Learning-Methode, hat jedoch keinen Einfluss auf „Ich kann“. Ich beurteile, ob sie richtig oder falsch ist, nachdem ich die Antwort gesehen habe, und die Regeln sind für die Überprüfung verantwortlich In dieser Phase ist Tiefe der Schlüssel zum Erfolg. Es ist schwierig, die Sicherheit von Lernalgorithmen zu gewährleisten. Daher müssen in Zukunft traditionelle Algorithmen und Deep Learning kombiniert werden.

Der Experte für Regulierungsalgorithmen sagte: „Wir glauben, dass L2 wahrscheinlich einen KI-dominierten Zustand erreichen wird, da die KI nicht alle Eckfälle bewältigen muss – schließlich gibt es immer noch Treiber, die die endgültige Sicherheitsgarantie bieten können.“ Tesla Die Mitteilung am AI Day verdeutlicht diesen Punkt auch. „Aber der Algorithmus von L4 wird in Zukunft wahrscheinlich nicht auf KI basieren. Der Hauptgrund liegt in seiner Interpretierbarkeit und seinen Sicherheitsrisiken.“ Wir glauben jedoch, dass der Algorithmus mit der Weiterentwicklung der Technologie immer mehr KI-Teile enthalten wird.

„Tatsächlich sind herkömmliche Planungs- und Steuerungsalgorithmen keineswegs eine Sammlung von Regeln. Ein guter traditioneller Planungs- und Steuerungsalgorithmus ist eher ein mathematisches Modell, das aus einer Zusammenfassung des Szenarios abstrahiert wird – und zwar unter Verwendung verschiedener mathematischer Werkzeuge zur Modellierung von Planungsproblemen und.“ Optimieren Sie sie Es hat die Fähigkeit, den Kern des Problems zu charakterisieren und grundsätzlich Sicherheit innerhalb des theoretischen Rahmens zu gewährleisten

„Daher erfordert die Einführung von Deep Learning nicht viel Umschreiben des Codes, sondern vielmehr die Frage, wie man ihn gut kombinieren kann. Traditionell.“ Algorithmen und Deep Learning nutzen traditionelle Algorithmen, um die Fahrsicherheit zu gewährleisten. Man kann sagen, dass es sich bei herkömmlichen Steuerungsalgorithmen und KI-Modellen nicht um eine einfache Substitutionsbeziehung handelt. Auch die Algorithmenentwicklung erfolgt schrittweise und es besteht überhaupt keine Notwendigkeit, viel Geld auszugeben, um den Regelcode durch ein KI-Modell zu ersetzen einmal, aber Schritt für Schritt. „

Ein Architekt eines OEM hat diesen Vorschlag gemacht: Führen Sie regelbasierte Algorithmen im Hauptsystem und Deep-Learning-Algorithmen im Schattenmodus aus. Wenn der Trainingseffekt des Deep-Learning-Algorithmus die Regeln überschreitet, verwenden Sie den Deep-Learning-Algorithmus Das Hauptsystem.

Anbei sind zwei Fälle über die Anwendung von Deep-Learning-Algorithmen in der autonomen Fahrsteuerung

1. Zhijia: Reduzieren Sie den Kraftstoffverbrauch durch Deep-Learning-Algorithmen Cui Dixiao, Chefwissenschaftler von Zhijia Technology, hat den Prozess des Übergangs von der regelbasierten Entscheidungsfindung zur hybriden Entscheidungsfindung aus Regel und Daten durchlaufen

Da die Kofferraumlogistik sehr hohe Anforderungen an Pünktlichkeit und Kraftstoffverbrauch stellt, führt ein unpassender Spurwechsel dazu, dass der Anteil der Fahrer, die die automatische Spurwechselfunktion nutzen, sinkt Andererseits ist der regelbasierte Spurwechselalgorithmus zu konservativ. Um den Kraftstoffverbrauch zu senken, sammelt das autonome Fahrsystem Daten, um zu beobachten, wie der Fahrer Entscheidungen trifft, und löst dann den Befehl „Spurwechsel“ aus, wenn die Geschwindigkeit sinkt Das vorausfahrende Fahrzeug ist zu niedrig, was zu mehr nachfolgendem Bremsen führt. Um menschlichere Spurwechselentscheidungen zu untersuchen

Diese Lösung hat zwei Phasen durchlaufen .

In der ersten Phase wird die Entscheidungsfindung zum Spurwechsel von der „selbstausgelösten“ Form des Fahrers auf „Systemempfehlung“ umgestellt. In dieser Phase werden die Ingenieure weiterhin untersuchen, warum der Fahrer zu einem bestimmten Zeitpunkt eine Spurwechselentscheidung getroffen hat, und dann empfohlene Regeln für den Spurwechsel formulieren. Nachdem das System den Spurwechselvorschlag gegeben hat und der Fahrer den Spurwechsel zulässt, betrachtet das System die Entscheidung zu diesem Zeitpunkt als angemessen. Wenn der Fahrer der Meinung ist, dass der Spurwechsel zu diesem Zeitpunkt nicht vorgenommen werden sollte, muss der Fahrer dies nicht tun den Spurwechselvorschlag zu übernehmen.

In der zweiten Phase werden die Ingenieure auch Daten zum manuellen Spurwechsel in verschiedenen Szenarien sammeln und diese mit den in der ersten Phase gesammelten Daten zu Szenarien kombinieren, in denen die Spurwechselentscheidung des Systems und die Spurwechselentscheidung des Fahrers inkonsistent sind (z. B der Fahrer löst einen Spurwechsel aus, das System löst ihn jedoch nicht aus) oder das System löst einen Spurwechsel aus, der Fahrer übernimmt ihn jedoch nicht) zur Kennzeichnung und zum Modelltraining, um ein Entscheidungsmodell für den Spurwechsel zu erhalten, die ursprüngliche Planung und Steuerung des Systems zu verbessern Algorithmus und verbessern die kraftstoffsparende Leistung weiter.

2. Qingzhou Zhihang: Verwenden Sie Deep-Learning-Algorithmen, um den „Anthropomorphismus“ des Systems zu verbessern Lernschnittstelle und entwickeln aktiv Deep-Learning-Steuerungsalgorithmen. Das ultimative Ziel der gesamten Planungs- und Steuerungsalgorithmusarchitektur von Qingzhou Zhihang besteht darin, AI First (Priorität des Deep-Learning-Algorithmus) zu erreichen, das Modell den größten Teil der Verhaltensausgabe erledigen zu lassen und es dann durch Regeln zu ergänzen (die Regeln befassen sich hauptsächlich mit sicherheitsrelevanten Aspekten). Probleme).

Qingzhou Zhihang glaubt, dass Regulierungs- und Kontrollfähigkeiten ein wichtiger Ausdruck der funktionalen Differenzierung städtischer NOA sein werden. Derzeit hat Qingzhou Zhihang damit begonnen, KI so weit wie möglich in den Regulierungs- und Kontrollaspekten des städtischen NOA-Plans einzusetzen, damit die Entscheidungsfindung des Systems in den meisten Fällen „nah am Menschen“ und „über den Menschen hinaus“ erfolgen kann. im Extremfall.

Zum Beispiel verfügt Qingzhou bereits über spezielle Deep-Learning-Algorithmen, um bestimmte wichtige Planungsszenarien zu bewältigen, die bei der Verwendung städtischer NOA auftreten, wie z. B. Spurwechsel-Timing, Ramp Merge-Timing und Kreuzungsspiele.

Um die Vorhersagbarkeit und Steuerbarkeit des Deep-Learning-Algorithmus sicherzustellen, führt Qingzhou Zhihang eine Überprüfung der Eingabe und Ausgabe ein, um sicherzustellen, dass die Eingabedaten den aktuellen Designanforderungen entsprechen. Auf der Eingabeebene werden Regeln verwendet, um anwendbare Szenarien für Deep-Learning-Algorithmen auszuwählen, um die Rationalität der Modelleingabe sicherzustellen und die Ausführung des Modells im Rahmen des entworfenen Problems zu begrenzen. Auf der Ausgabeebene werden auch Regeln verwendet Überprüfen Sie die Ausgabe, um sicherzustellen, dass die Ausgabe den voreingestellten Effekt erzielt. Wenn Sie gleichzeitig auf eine Szene stoßen, mit der das Modell nicht gut umgehen kann, können Sie gleichzeitig Zeitpunkte und szenenbezogene Informationen automatisch aufzeichnen und das Modell dann über einen Daten-Closed-Loop aktualisieren, um dem Modell eine stärkere Generalisierungsfähigkeit und Anpassungsfähigkeit zu verleihen mehr Szenen.

In Qingzhou Zhihang ist die Technologie zur Generierung der „möglichen zukünftigen Flugbahn“ des Fahrzeugs durch tiefes Lernen (z. B. Nachahmungslernen oder Verstärkungslernen) relativ ausgereift. Das Modell wird durch das Sammeln einer großen Anzahl von Expertenfahrten trainiert In 90 % der Fälle erfordert das Modell keine nachträgliche Änderung, aber in 10 % der Fälle ist die durch Deep Learning generierte Flugbahn möglicherweise nicht effektiv oder stellt sogar ein Sicherheitsrisiko dar erforderlich, um es zu korrigieren/zu ändern. Qingzhou nutzt seinen im Inland bahnbrechenden gemeinsamen Raum-Zeit-Algorithmus (einen Algorithmus, der auf numerischer Optimierung basiert), um die durch Deep Learning erzeugten Flugbahnen zu verfeinern.

Experten für Planungs- und Steuerungsalgorithmen aus Qingzhou sagen, dass der gemeinsame Raum-Zeit-Planungsalgorithmus besser für die Verwendung in Verbindung mit Deep-Learning-Algorithmen geeignet ist als die herkömmliche horizontale und vertikale Trennung. Denn die vom Deep-Learning-Algorithmus selbst erzeugte Flugbahn ist tatsächlich eine gemeinsame Raum-Zeit-Flugbahn. Diese Flugbahn enthält nicht nur Positions-, Geschwindigkeits- und Richtungsinformationen, sondern auch Zeitinformationen. Daher kann der räumlich-zeitliche gemeinsame Planungsalgorithmus besser in die Ergebnisse des Modells integriert werden und somit nahtlos Sicherheitsschutz zum Deep-Learning-Algorithmus hinzufügen.

Das obige ist der detaillierte Inhalt vonZehntausend-Wörter-Interpretation der Anwendung von Deep-Learning-Algorithmen bei der Regelung und Steuerung des autonomen Fahrens. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Stellungnahme:
Dieser Artikel ist reproduziert unter:51cto.com. Bei Verstößen wenden Sie sich bitte an admin@php.cn löschen