Die Sondersitzung „Generative Künstliche Intelligenz und Autonomes Fahren“ von SAECCE 2023 wurde erfolgreich abgehalten

Am 26. Oktober 2023 fand im Beijing Etron International Convention and Exhibition Center erfolgreich der von der China Society of Automotive Engineers, der Tsinghua-Universität und der Peking-Universität gemeinsam organisierte Sonderzweig „Generative künstliche Intelligenz und autonomes Fahren“ statt. Diese Konferenz ist eine der wichtigen thematischen Sitzungen zum Thema „Intelligente vernetzte Fahrzeugtechnologie“ auf der Jahreskonferenz und Ausstellung der China Association of Automotive Engineering 2023. Sie diskutiert hauptsächlich die Schnittstelle zwischen generativer künstlicher Intelligenz und autonomen Fahrzeugen, einschließlich Wahrnehmung und Positionierung , Entscheidungsfindung, Kontrolle, Zusammenarbeit zwischen Fahrzeug und Straße, Algorithmensicherheit und andere Anwendungen. Die Konferenzthemen umfassen die Sicherheitsverstärkung durch Algorithmen für künstliche Intelligenz, durchgängiges autonomes Fahren, verstärktes Lernen, kollaborative Fahrzeug-Straßen-Erkennung, verteilte verhaltenskritische Algorithmen für optimale Steuerung, intelligente Fahr-AGI usw.

Professor Li Shengbo, Vizedekan der Fakultät für Fahrzeuge und Transport der Tsinghua-Universität, fungierte als Vorsitzender dieser Sitzung und leitete die Sitzung. Dr. Liu Chang, Forscher an der Peking University School of Engineering, fungierte als Co-Vorsitzender der Konferenz. Bei dem Treffen hielten sechs Experten und Wissenschaftler der Tsinghua-Universität, des Shanghai Artificial Intelligence Laboratory, der Shanghai Jiao Tong University, der University of Science and Technology Beijing und des SenseTime Research Institute wunderbare Grundsatzreden, und die interaktive Atmosphäre des Forums war lebhaft und lebhaft.

Li Shengbo, Vizedekan der Fakultät für Fahrzeuge und Transport, Tsinghua-Universität

Der ständige außerordentliche Professor der Tsinghua-Universität, Cui Peng, analysierte die aktuellen Sicherheitsengpässe selbstfahrender Algorithmen aus der Perspektive der Sicherheit selbstfahrender Algorithmen und schlug einen wichtigen technischen Ansatz zur Verbesserung der Sicherheit selbstfahrender Algorithmen vor, nämlich die Verbesserung der selbstfahrenden Algorithmen. Förderung der Fähigkeit zur Verallgemeinerung künstlicher Intelligenz. Basierend auf dem Problem der Out-of-Distribution-Generalisierung von Algorithmen für künstliche Intelligenz wird die Bedeutung der Algorithmus-Generalisierung für das autonome Fahren hervorgehoben. Auf dieser Grundlage werden zwei Lösungen vorgeschlagen, um das Problem der Out-of-Distribution-Generalisierung zu lösen basieren auf der Extrapolation kausaler Schlussfolgerungen und der datenbasierten Interpolation auf der Suche nach Invarianz. Anschließend stellte Professor Cui Peng die jüngsten Forschungsergebnisse seines Teams vor und bewies durch Experimente, dass ihre Methode eine stärkere Generalisierungsleistung aufweist als herkömmliche Algorithmen für autonomes Fahren. Schließlich stellte Professor Cui Peng eine neue Entwicklungsrichtung für das Problem der Verallgemeinerung bestehender autonomer Fahralgorithmen vor. Er glaubte, dass die Verallgemeinerungsgrenzenbewertung von Algorithmen für künstliche Intelligenz durchgeführt werden kann, um den Algorithmus in Richtung eines idealeren Zustands zu entwickeln

Cui Peng, ständiger außerordentlicher Professor an der Tsinghua-Universität

Dr. Cao Xiaoxu, ein junger Forscher vom OpenDrive-Team des Shanghai Artificial Intelligence Laboratory, teilte den aktuellen Forschungs- und Entwicklungsfortschritt der End-to-End-Technologie (E2E) mit, um autonomes Fahren basierend auf dem aktuellen Entwicklungsstand zu ermöglichen. Zunächst gab Dr. Cao einen Überblick über die Entwicklungsgeschichte des Bereichs des autonomen Fahrens, analysierte dann den Bereich des autonomen Fahrens mit großen Modellen und gab schließlich einen Ausblick auf die Branche des autonomen Fahrens. Er ist davon überzeugt, dass der Kern der E2E-Technologie entscheidungsorientiert sein sollte und auf dieser Grundlage verschiedene Untermodule vereinheitlicht werden sollten. Dann glaubte Dr. Cao, dass es in der aktuellen Technologie drei Hauptherausforderungen gibt, nämlich das Problem des Strategiewettbewerbs, die Entwicklung von Weltmodellen und das Problem der Algorithmenverallgemeinerung. Zu diesem Thema schlug er die DriveAGI-Architektur des OpenDrive-Teams vor, die behandelt Betrachten Sie das Fahrzeug als intelligenten Fahrzeugkörper und integrieren Sie Argumentation, Entscheidungsfindung, Ausführung und Verallgemeinerung, um ein wirklich großes Modell des autonomen Fahrens zu entwickeln. Schließlich freute sich Dr. Cao auf die dritte Generation von Datensätzen. Er glaubte, dass zukünftige Datensätze vielfältiger sein sollten, und dass sie auch über eine größere Aufgabenvielfalt und eine bessere Sensorkonfiguration verfügen sollten zeichnet sich durch Multimodalität und hohe Komplexität aus.

Cao Xiaoxu, ein junger Forscher im OpenDrive-Team des Shanghai Artificial Intelligence Laboratory

Dr. Xu Huazhe, Assistenzprofessor am Institut für Cross-Information der Tsinghua-Universität, reflektierte den aktuellen Entwicklungsstand der Reinforcement-Learning-Technologie. Seiner Meinung nach weisen die in der Industrie eingesetzten Reinforcement-Learning-Algorithmen, insbesondere im Bereich des autonomen Fahrens, derzeit gewisse Mängel auf. Dies liegt daran, dass es zu einer Verzögerung beim Lernen des Agenten in der Umgebung kommt und eine starke Korrelation zwischen den durch Deep Reinforcement Learning generierten Daten und den Aktionen des Agenten besteht. Auf dieser Grundlage fasste Dr. Xu Huazhe zwei Hauptprobleme aktueller Reinforcement-Learning-Algorithmen zusammen: geringe Stichprobeneffizienz und geringe Generalisierungsfähigkeit. Seiner Ansicht nach besteht die oberste Priorität darin, das Problem der Unterschätzung aufgrund geringer Stichprobeneffizienz zu verbessern und zu verhindern, dass der Agent aufgrund mehrerer fehlgeschlagener Aufgaben die Erkundung der richtigen Strategie verliert. Gleichzeitig ist Dr Generalisierungsfähigkeiten.

Xu Huazhe, Assistenzprofessor am Institut für interdisziplinäre Information der Tsinghua-Universität

Dr. Chen Siheng, ständiger außerordentlicher Professor an der Shanghai Jiao Tong University, stellte eine kooperative Erfassungsmethode zwischen Fahrzeug und Straße mit praktischer Kommunikation vor. Autonomes Fahren ist ein wichtiges Anwendungsszenario für Crowd Sensing. Durch den autonomen Austausch wichtiger Informationen können Sensorprobleme gelöst werden, die für eine einzelne Einheit schwer zu bewältigen sind. Angesichts der Herausforderung enormer und zeitlich variierender Kommunikationsverbindungslasten beim Crowd Sensing entwickelte das Team von Dr. Chen Siheng ein Framework für maschinelles Lernen, das „pragmatisch gesteuerte Wahrnehmungsangebote und -nachfrage“ nutzt, um eine „autonome Multi-Agenten-Interaktion“ voranzutreiben, die sich anpassen kann An jede Kommunikationsbandbreite und Anzahl der Runden anpassen, den Kommunikationsverbrauch reduzieren und den Effekt der Erkennung bewegter Ziele verbessern. Abschließend stellte Dr. Chen Siheng systematisch die verschiedenen Dimensionen vor, die die Wirkung der interaktiven Wahrnehmung von Crowd Intelligence beeinflussen, und bekräftigte die realistischen Vorteile und das enorme Potenzial der Lösung für die Zusammenarbeit zwischen Fahrzeug und Straße.

Chen Siheng, ständiger außerordentlicher Professor an der Shanghai Jiao Tong University

Dr. Duan Jingliang, außerordentlicher Professor des Dekans für Maschinenbau an der Universität für Wissenschaft und Technologie Peking, nutzt ausgehend vom Entwicklungstrend des industriellen Intelligenzbedarfs und der datengesteuerten Steuerung Verstärkungslernen als Lösungswerkzeug für optimale Steuerungsprobleme. und stellte die Bemühungen seines Teams zur Förderung des verstärkenden Lernens vor, das in der Branche implementiert werden soll. Zu den Beiträgen gehören die selbst entwickelte Toolkette für verstärkendes Lernen (GOPS) und der Value Distribution Reinforcement Learning-Algorithmus (DSAC). Unter anderem verfügt GOPS über eine modulare Konfiguration, bettet gängige und selbst entwickelte Trainingsalgorithmen sowie eine Vielzahl von Näherungsfunktionen ein und unterstützt Fitnessstudio-, Simulink- und benutzerdefinierte Umgebungen und schlägt so eine Brücke von industriellen Problemen zu Anwendungslösungen. Der DSAC-Algorithmus kann das Überschätzungsproblem wirksam unterdrücken und die Leistung durch Erlernen der Wertefunktionsverteilung stetig verbessern. Gegenwärtig wurde dieser Algorithmus mit Einschränkungsaufgaben, Konfrontationsaufgaben, glatten neuronalen Netzen usw. kombiniert, um vielfältige Expansionsformen zu erreichen, und wurde in Aufgaben wie dem Energiemanagement von Hybridfahrzeugen, der Steuerung von Gesteinsbohrmaschinen und der Raketenbergung angewendet.

Duan Jingliang, außerordentlicher Professor für Maschinenbau an der Universität für Wissenschaft und Technologie Peking

Dr. Lu Lewei, F&E-Direktor des SenseTime Research Institute, stellte systematisch den F&E-Prozess und das Entwicklungslayout von Jueying Intelligent Driving vor. Vom branchenführenden zeitlichen BEV-Algorithmus BEV Former über die Großmodelllösung BEV Former2 bis hin zur Hinderniserkennungslösung OccNet nimmt SenseTime Jueying eine führende Position bei der Entwicklung und Implementierung von Wahrnehmungstechnologie in der industriellen Welt ein. Unter der Unterstützung großer Modelle schlug SenseTime UniAD vor, eine multimodale Großmodelllösung für autonomes Fahren, die die Wahrnehmung und Entscheidungsfindung autonomen Fahrens integriert und in Wissenschaft und Industrie große Beachtung gefunden hat. Auf dieser Grundlage wird Jueying Intelligent Driving weiterhin allgemeine künstliche Intelligenz einsetzen und die weitere Anwendung multimodaler Großmodelllösungen für autonomes Fahren vorantreiben.

Lu Lewei, F&E-Direktor des SenseTime Research Institute

Nach dem Treffen überreichte Professor Li Shengbo den Experten und Wissenschaftlern, die an dem Bericht teilgenommen hatten, Redezertifikate.

Das obige ist der detaillierte Inhalt vonDie Sondersitzung „Generative Künstliche Intelligenz und Autonomes Fahren“ von SAECCE 2023 wurde erfolgreich abgehalten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!