La session spéciale SAECCE 2023 « Intelligence artificielle générative et conduite autonome » s'est déroulée avec succès

Le 26 octobre 2023, la branche spéciale « Intelligence artificielle générative et conduite autonome » organisée conjointement par la Société chinoise des ingénieurs automobiles, l'Université Tsinghua et l'Université de Pékin s'est tenue avec succès au Centre international de congrès et d'expositions Etron de Pékin. Cette conférence est l'une des sessions thématiques importantes sur la « Technologie des véhicules connectés intelligents » de la conférence et exposition annuelle 2023 de l'Association chinoise de l'ingénierie automobile (SAECCE2023). Elle aborde principalement l'intersection de la technologie de l'intelligence artificielle générative et des véhicules autonomes, y compris la perception et le positionnement. , prise de décision, contrôle, collaboration véhicule-route, sécurité des algorithmes et autres applications. Les sujets de la conférence couvrent le renforcement de la sécurité des algorithmes d'intelligence artificielle, la conduite autonome de bout en bout, l'apprentissage par renforcement, la détection collaborative véhicule-route, les algorithmes distribués critiques pour le comportement pour un contrôle optimal, l'AGI de conduite intelligente, etc.

Le professeur Li Shengbo, vice-doyen de l'École des véhicules et des transports de l'Université Tsinghua, a présidé cette réunion et a présidé la réunion. Le Dr Liu Chang, chercheur à l'École d'ingénierie de l'Université de Pékin, a été co-président de la conférence. Lors de la réunion, six experts et universitaires de l'Université Tsinghua, du Laboratoire d'intelligence artificielle de Shanghai, de l'Université Jiao Tong de Shanghai, de l'Université des sciences et technologies de Pékin et de l'Institut de recherche SenseTime ont prononcé de merveilleux discours d'ouverture, et l'atmosphère interactive du forum était vivante et vivante.

Li Shengbo, vice-doyen de l'École des véhicules et des transports, Université Tsinghua

Le professeur associé permanent de l'Université Tsinghua, Cui Peng, a analysé les goulots d'étranglement actuels des algorithmes de conduite autonome du point de vue de la sécurité des algorithmes de conduite autonome et a proposé une approche technique importante pour améliorer la sécurité des algorithmes de conduite autonome, c'est-à-dire améliorer la sécurité des algorithmes de conduite autonome. piloter des algorithmes d’intelligence artificielle. Sur la base du problème de la généralisation hors distribution des algorithmes d'intelligence artificielle, l'importance de la généralisation des algorithmes appliquée à la conduite autonome est soulignée, et sur cette base, deux solutions sont proposées pour résoudre le problème de la généralisation hors distribution, qui sont basés sur l'extrapolation d'inférences causales et l'interpolation basée sur des données à la recherche d'invariance. Par la suite, le professeur Cui Peng a présenté les récents résultats de recherche de son équipe, prouvant par des expériences que leur méthode a de meilleures performances de généralisation que les algorithmes de conduite autonome traditionnels. Enfin, le professeur Cui Peng a fourni une nouvelle direction de développement pour le problème de la généralisation des algorithmes de conduite autonome existants. Il estime que l'évaluation des limites de généralisation des algorithmes d'intelligence artificielle peut être utilisée pour faire évoluer l'algorithme vers un état plus idéal

.

Cui Peng, professeur associé permanent à l'Université Tsinghua

Le Dr Cao Xiaoxu, un jeune chercheur de l'équipe OpenDrive du laboratoire d'intelligence artificielle de Shanghai, a partagé les progrès actuels en matière de recherche et de développement de la technologie de bout en bout (E2E) pour permettre la conduite autonome en fonction de l'état de développement actuel. Tout d'abord, le Dr Cao a passé en revue l'historique du développement du domaine de la conduite autonome, puis a analysé le domaine de la conduite autonome sur grands modèles, et enfin a donné un aperçu de l'industrie de la conduite autonome. Il estime que le cœur de la technologie E2E devrait être orienté vers la décision et que, sur cette base, les différents sous-modules devraient être unifiés. Ensuite, le Dr Cao a estimé qu'il existe trois principaux défis majeurs dans la technologie actuelle, à savoir le problème de la concurrence stratégique, le développement de modèles mondiaux et le problème de la généralisation des algorithmes. Sur cette question, il a proposé l'architecture DriveAGI de l'équipe OpenDrive, qui traite. le véhicule en tant que véhicule intelligent et intégrer le raisonnement, la prise de décision, l'exécution et la généralisation pour développer un véritable modèle de conduite autonome. Enfin, le Dr Cao attendait avec impatience la troisième génération d'ensembles de données, estimant que les futurs ensembles de données devraient être diversifiés, en fonction de leur taille croissante, et qu'ils devraient également avoir une diversité de tâches et de scènes, ainsi que de meilleures configurations de capteurs. présente les caractéristiques de multimodalité et de grande complexité.

Cao Xiaoxu, jeune chercheur de l'équipe OpenDrive du Shanghai Artificial Intelligence Laboratory

Le Dr Xu Huazhe, professeur adjoint à l'Institut d'information croisée de l'Université Tsinghua, a réfléchi sur l'état actuel du développement de la technologie d'apprentissage par renforcement. Il estime que les algorithmes d’apprentissage par renforcement utilisés dans l’industrie, notamment dans le domaine de la conduite autonome, présentent actuellement certaines lacunes. En effet, il existe un retard dans l'apprentissage de l'agent dans l'environnement et il existe une forte corrélation entre les données générées par l'apprentissage par renforcement profond et les actions de l'agent. Sur cette base, le Dr Xu Huazhe a résumé deux problèmes majeurs des algorithmes d’apprentissage par renforcement actuels : une faible efficacité des échantillons et une faible capacité de généralisation. Il estime que la priorité absolue est d'améliorer le problème de sous-estimation causé par la faible efficacité de l'échantillon et d'éviter que l'agent ne perde l'exploration de la bonne stratégie en raison de plusieurs échecs de tâches. Dans le même temps, le Dr Xu Huazhe estime que les algorithmes d'apprentissage par renforcement ont également des problèmes de généralisation, et sur la base de la situation actuelle, lui et son équipe ont proposé un algorithme appelé « RL-ViGen ». Les expériences ont prouvé que l'algorithme a de bonnes performances et. capacités de généralisation.

Xu Huazhe, professeur adjoint à l'Institut d'information interdisciplinaire, Université Tsinghua

Le Dr Chen Siheng, professeur associé permanent à l'Université Jiao Tong de Shanghai, a présenté une méthode de détection coopérative véhicule-route avec une communication pratique. La conduite autonome est un scénario d’application important pour la détection des foules. Grâce au partage autonome d’informations clés, elle peut résoudre des problèmes de détection difficiles à surmonter pour une seule entité. Confrontée au défi des charges de communication énormes et variables dans le temps dans la détection de foule, l'équipe du Dr Chen Siheng a mis au point un cadre d'apprentissage automatique qui utilise « une perception pragmatique de l'offre et de la demande » pour piloter une « interaction autonome multi-agents », qui peut s'adapter À toute communication Bande passante et nombre de tours, réduisez la consommation de communication et améliorez l'effet de détection de cible mobile. Enfin, le Dr Chen Siheng a systématiquement présenté les différentes dimensions qui affectent l'effet de la perception interactive de l'intelligence des foules et a affirmé les avantages réalistes et l'énorme potentiel de la solution de collaboration véhicule-route.

Chen Siheng, professeur associé permanent à l'Université Jiao Tong de Shanghai

Dr Duan Jingliang, professeur agrégé du doyen de génie mécanique à l'Université des sciences et technologies de Pékin, partant de la tendance de développement des besoins en intelligence industrielle et du contrôle basé sur les données, utilise l'apprentissage par renforcement comme outil de solution aux problèmes de contrôle optimal, et a présenté les efforts de son équipe pour promouvoir l'apprentissage par renforcement à mettre en œuvre dans l'industrie. Les contributions incluent la chaîne d'outils de solutions d'apprentissage par renforcement auto-développée GOPS et l'algorithme d'apprentissage par renforcement de distribution de valeur (DSAC). Parmi eux, GOPS a une configuration modulaire, intègre des algorithmes d'entraînement grand public et auto-développés, une variété de fonctions approximatives et prend en charge les environnements gym, Simulink et personnalisés, établissant ainsi un pont entre les problèmes industriels et les solutions d'application. L'algorithme DSAC peut supprimer efficacement le problème de surestimation et améliorer régulièrement les performances en apprenant la distribution de la fonction de valeur. À l'heure actuelle, cet algorithme a été combiné avec des tâches de contrainte, des tâches de confrontation, des réseaux neuronaux fluides, etc. pour obtenir des formes d'expansion diversifiées, et a été appliqué à des tâches telles que la gestion de l'énergie des véhicules hybrides, le contrôle des foreuses et la récupération des fusées.

Duan Jingliang, professeur agrégé de génie mécanique à l'Université des sciences et technologies de Pékin

Le Dr Lu Lewei, directeur R&D de l'Institut de recherche SenseTime, a systématiquement présenté le processus de R&D et la structure de développement de Jueying Intelligent Driving. De l'algorithme séquentiel BEV de pointe BEV Former à la solution grand modèle BEV Former2, en passant par la solution de détection d'obstacles OccNet, SenseTime Jueying occupe une position de leader dans le développement et la mise en œuvre de technologies de perception dans le monde industriel. Dans le cadre de l'autonomisation des grands modèles, SenseTime a proposé UniAD, une solution multimodale de grands modèles pour la conduite autonome, qui intègre la perception et la prise de décision de la conduite autonome, et qui a reçu une large attention de la part du monde universitaire et de l'industrie. Sur cette base, Jueying Intelligent Driving continuera à déployer l'intelligence artificielle générale et à promouvoir l'application ultérieure de solutions multimodales à grand modèle pour la conduite autonome.

Lu Lewei, directeur R&D du SenseTime Research Institute

Après la réunion, le professeur Li Shengbo a remis des certificats de discours aux experts et universitaires qui ont participé au rapport.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!