Rumah > Artikel > Peranti teknologi > Sesi khas "Kecerdasan Buatan Generatif dan Pemanduan Autonomi" SAECCE 2023 telah berjaya diadakan
Pada 26 Oktober 2023, cawangan khas "Kecerdasan Buatan Generatif dan Pemanduan Autonomi" anjuran bersama Persatuan Jurutera Automotif China, Universiti Tsinghua dan Universiti Peking telah berjaya diadakan di Pusat Konvensyen dan Pameran Antarabangsa Etron Beijing. Persidangan ini merupakan salah satu sesi tematik penting mengenai "Teknologi Kenderaan Bersambung Pintar" dalam Persidangan dan Ekspo Tahunan Persatuan Kejuruteraan Automotif China (SAECCE2023) 2023 Ia terutamanya membincangkan persimpangan teknologi kecerdasan buatan generatif dan kenderaan autonomi, termasuk persepsi, Kedudukan). , membuat keputusan, kawalan, kerjasama kenderaan-jalan, keselamatan algoritma dan aplikasi lain. Topik persidangan merangkumi pengukuhan keselamatan algoritma kecerdasan buatan, pemanduan autonomi hujung ke hujung, pembelajaran pengukuhan, penderiaan kolaboratif kenderaan-jalan, algoritma kritikal tingkah laku teragih untuk kawalan optimum, AGI pemanduan pintar, dll.
Profesor Li Shengbo, Naib Dekan Pusat Pengajian Kenderaan dan Pengangkutan, Universiti Tsinghua, berkhidmat sebagai pengerusi mesyuarat ini dan mempengerusikan mesyuarat itu. Dr Liu Chang, seorang penyelidik di Sekolah Kejuruteraan Universiti Peking, berkhidmat sebagai pengerusi bersama persidangan itu. Pada mesyuarat itu, enam pakar dan cendekiawan dari Universiti Tsinghua, Makmal Kepintaran Buatan Shanghai, Universiti Shanghai Jiao Tong, Universiti Sains dan Teknologi Beijing, dan Institut Penyelidikan SenseTime menyampaikan ucaptama yang menarik, dan suasana interaktif forum itu meriah dan meriah.
Li Shengbo, Naib Dekan Pusat Pengajian Kenderaan dan Pengangkutan, Universiti Tsinghua
Profesor Madya Tetap Universiti Tsinghua Cui Peng menganalisis kesesakan keselamatan semasa algoritma memandu sendiri dari perspektif keselamatan algoritma memandu sendiri, dan mencadangkan pendekatan teknikal yang penting untuk meningkatkan keselamatan algoritma memandu sendiri, iaitu, meningkatkan keupayaan memandu sendiri. memacu algoritma kecerdasan buatan. Berdasarkan masalah generalisasi luar pengedaran algoritma kecerdasan buatan, kepentingan generalisasi algoritma yang digunakan untuk pemanduan autonomi ditekankan, dan atas dasar ini, dua penyelesaian dicadangkan untuk menyelesaikan masalah generalisasi luar pengedaran, yang adalah berdasarkan Ekstrapolasi inferens sebab dan interpolasi berasaskan data untuk mencari invarian. Selepas itu, Profesor Cui Peng memperkenalkan hasil penyelidikan terbaru pasukannya, membuktikan melalui eksperimen bahawa kaedah mereka mempunyai prestasi generalisasi yang lebih kukuh daripada algoritma pemanduan autonomi tradisional. Akhirnya, Profesor Cui Peng menyediakan arah pembangunan baharu untuk masalah generalisasi algoritma pemanduan autonomi sedia ada Beliau percaya bahawa penilaian sempadan generalisasi algoritma kecerdasan buatan boleh digunakan untuk menjadikan algoritma berkembang ke arah keadaan yang lebih ideal
.
Cui Peng, profesor bersekutu tetap di Universiti Tsinghua
Dr. Cao Xiaoxu, seorang penyelidik muda dari pasukan OpenDrive Makmal Kepintaran Buatan Shanghai, berkongsi kemajuan penyelidikan dan pembangunan semasa teknologi hujung ke hujung (E2E) untuk memperkasakan pemanduan autonomi berdasarkan status pembangunan semasa. Mula-mula, Dr. Cao menyemak sejarah pembangunan bidang pemanduan autonomi, kemudian menganalisis bidang pemanduan autonomi yang diperkasakan model besar, dan akhirnya memberikan pandangan tentang industri pemanduan autonomi. Beliau percaya bahawa teras teknologi E2E harus berorientasikan keputusan, dan atas dasar ini, pelbagai sub-modul harus disatukan. Kemudian, Dr. Cao percaya bahawa terdapat tiga cabaran teras utama dalam teknologi semasa, iaitu masalah persaingan strategi, pembangunan model dunia dan masalah generalisasi algoritma Mengenai isu ini, beliau mencadangkan seni bina DriveAGI pasukan OpenDrive, yang merawat kenderaan sebagai badan pintar dan menyepadukan penaakulan, membuat keputusan, pelaksanaan dan generalisasi untuk membangunkan model pemanduan autonomi yang benar-benar besar. Akhirnya, Dr. Cao menantikan set data generasi ketiga Dia percaya bahawa set data masa hadapan harus pelbagai Pada premis peningkatan saiz, mereka juga harus mempunyai kepelbagaian tugas dan kepelbagaian pemandangan, dan harus mempunyai konfigurasi sensor yang lebih baik mempunyai ciri-ciri pelbagai modaliti dan kerumitan yang tinggi.
Cao Xiaoxu, seorang penyelidik muda dalam pasukan OpenDrive Makmal Kepintaran Buatan Shanghai
Dr. Xu Huazhe, penolong profesor di Institut Maklumat Silang di Universiti Tsinghua, mencerminkan status pembangunan semasa teknologi pembelajaran pengukuhan. Beliau percaya algoritma pembelajaran pengukuhan yang digunakan dalam industri, terutamanya dalam bidang pemanduan autonomi, pada masa ini mempunyai kelemahan tertentu. Ini kerana terdapat kelewatan dalam pembelajaran ejen dalam persekitaran, dan terdapat korelasi yang kuat antara data yang dijana oleh pembelajaran peneguhan mendalam dan tindakan ejen. Atas dasar ini, Dr. Xu Huazhe merumuskan dua masalah utama dengan algoritma pembelajaran pengukuhan semasa: kecekapan sampel yang rendah dan keupayaan generalisasi yang rendah. Beliau percaya bahawa keutamaan utama adalah untuk memperbaiki masalah memandang rendah yang disebabkan oleh kecekapan sampel yang rendah dan mengelakkan ejen kehilangan penerokaan strategi yang betul disebabkan oleh pelbagai kegagalan tugas. Pada masa yang sama, Dr. Xu Huazhe percaya bahawa algoritma pembelajaran pengukuhan juga mempunyai masalah generalisasi, dan berdasarkan situasi semasa, beliau dan pasukannya mencadangkan algoritma yang dipanggil "RL-ViGen Experiments telah membuktikan bahawa algoritma itu mempunyai prestasi yang baik dan keupayaan generalisasi.
Xu Huazhe, penolong profesor di Institut Maklumat Silang, Universiti Tsinghua
Dr. Chen Siheng, profesor bersekutu tetap di Universiti Jiao Tong Shanghai, memperkenalkan kaedah penderiaan koperasi jalan kenderaan dengan komunikasi yang mudah. Pemanduan autonomi ialah senario aplikasi penting untuk penderiaan orang ramai Melalui perkongsian maklumat penting secara autonomi, ia boleh menyelesaikan masalah penderiaan yang sukar diatasi oleh satu entiti. Menghadapi cabaran beban pautan komunikasi yang besar dan berbeza-beza masa dalam penderiaan orang ramai, pasukan Dr. Chen Siheng mempelopori rangka kerja pembelajaran mesin yang menggunakan "penawaran dan permintaan persepsi yang didorong secara pragmatik" untuk memacu "interaksi autonomi berbilang ejen", yang boleh menyesuaikan diri kepada mana-mana jalur lebar komunikasi dan bilangan pusingan, mengurangkan penggunaan komunikasi dan meningkatkan kesan pengesanan sasaran bergerak. Akhirnya, Dr. Chen Siheng secara sistematik memperkenalkan pelbagai dimensi yang mempengaruhi kesan persepsi interaktif risikan orang ramai, dan mengesahkan manfaat realistik dan potensi besar penyelesaian kerjasama kenderaan-jalan.
陈思heng, profesor bersekutu tetap Universiti Jiao Tong Shanghai
Dr. Duan Jingliang, Profesor Madya Kejuruteraan Mekanikal di Universiti Sains dan Teknologi Beijing, bermula daripada trend pembangunan keperluan kecerdasan industri dan kawalan dipacu data, menggunakan pembelajaran pengukuhan sebagai alat penyelesaian untuk masalah kawalan optimum, dan memperkenalkan usaha pasukannya dalam mempromosikan pelaksanaan pembelajaran pengukuhan Sumbangan yang dibuat oleh industri termasuk rangkaian alat penyelesaian pembelajaran tetulang yang dibangunkan sendiri GOPS dan algoritma pembelajaran pengukuhan pengedaran nilai (DSAC). Antaranya, GOPS mempunyai konfigurasi modular, membenamkan algoritma latihan arus perdana dan dibangunkan sendiri, pelbagai fungsi anggaran, dan menyokong gim, Simulink dan persekitaran tersuai, membina jambatan daripada masalah industri kepada penyelesaian aplikasi. Algoritma DSAC secara berkesan boleh menyekat masalah anggaran berlebihan dan meningkatkan prestasi secara berterusan dengan mempelajari pengagihan fungsi nilai. Pada masa ini, algoritma ini telah digabungkan dengan tugas kekangan, tugas konfrontasi, rangkaian neural yang lancar, dsb. untuk mencapai bentuk pengembangan yang pelbagai, dan telah digunakan dalam tugas seperti pengurusan tenaga kenderaan hibrid, kawalan gerudi batu dan pemulihan roket.
Duan Jingliang, Profesor Madya Kejuruteraan Mekanikal di Universiti Sains dan Teknologi Beijing
Dr. Lu Lewei, Pengarah R&D Institut Penyelidikan SenseTime, secara sistematik memperkenalkan proses R&D dan susun atur pembangunan Jueying Intelligent Driving. Daripada algoritma BEV temporal yang menerajui industri BEV Former kepada penyelesaian model besar BEV Former2, kepada penyelesaian pengesanan halangan OccNet, SenseTime Jueying berada di kedudukan utama dalam pembangunan dan pelaksanaan teknologi persepsi dalam dunia perindustrian. Di bawah pemerkasaan model besar, SenseTime mencadangkan UniAD, penyelesaian model besar berbilang mod untuk pemanduan autonomi, yang menyepadukan persepsi pemanduan autonomi dan membuat keputusan, dan telah mendapat perhatian meluas daripada komuniti akademik. Atas dasar ini, Jueying Intelligent Driving akan terus menggunakan kecerdasan buatan am dan mempromosikan aplikasi selanjutnya penyelesaian model besar berbilang mod untuk pemanduan autonomi.
Lu Lewei, Pengarah R&D Institut Penyelidikan SenseTime
Selepas mesyuarat, Profesor Li Shengbo menganugerahkan sijil ucapan kepada pakar dan sarjana yang mengambil bahagian dalam laporan itu.
Atas ialah kandungan terperinci Sesi khas "Kecerdasan Buatan Generatif dan Pemanduan Autonomi" SAECCE 2023 telah berjaya diadakan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!