仿真训练自动驾驶汽车 - 汽车的未来

丹尼尔Faggella.
头像

Daniel Faggella是Emerj研究的首脑。丹尼尔呼吁由联合国,世界银行,国际刑警组织和龙头企业,丹尼尔是AI对商业和政府领导者竞争战略影响的全球追捧。

仿真训练自动驾驶汽车 - 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真正的身体风险损坏实际的车辆或道路上的实际人物?

事实证明,那里有价值。

我们与兰格接触的人Bootstraabs应用AI会议2019年在旧金山于19世纪4月19日。我去年在那里发了讲话,我知道训练这个事件的Bootstraabs的人。在他们把它拿下来之前,他们给了我一个有趣的人们与之交谈的人,这就是本周与兰格说话的机会。

订阅我们的AI在工业播客使用您最喜欢的播客服务:

iTunes-podcast.
soundloud-podcast.
Google-Podcast.
Stitcher-Podcast.

来宾:Danny Lange.,AI和机器学习的副总裁 -Unity Technologies

专业知识:计算机科学/ AI和机器学习

简要认识:Lange在1993年赢得了丹麦技术大学的计算机科学博士学位。在Unity Technologies之前,他是亚马逊机器学习总经理Uber的机器学习主管,以及Hadoop在微软的大数据分析主管经理。

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:如果你稍微回来并考虑游戏,当你玩游戏时,你就在这个带有物理学的3D世界;你与事物碰撞,你摔倒了,你试图生存,这样的东西。

然后想想汽车世界,在那里我现在可以在你可以通过城市开车的道路上驾驶虚拟车。我可以看到环境如何推断该车辆的决定,说是一个自驾驶车辆,这基本上是一个游戏更换者,这基本上是今天发生的事情,你可以基本上模拟交通中的车辆并从中学习。

(05:30)是什么可能的?

DL:我们称之为“世界建筑”中有很多东西,所以你必须建立城市,建筑物,树木和人行道和这样的人行道。它不会阻止那里;您还必须建立我们称之为“剧集的动态”,这是行人,骑自行车的人,其他汽车在周围移动,交通灯......一天中的时间......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,你可以在不同环境和天气的情况下通过2000年的交通排列,如果你有计算能力,那么如果我们做得足够了......我们可以在所有正常的道路条件下培训一辆新的汽车模型,比我们在现实世界中驾驶的200辆车更快的时间。我猜这是承诺,对吗?

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尝试进入虚拟世界,因为正如你所说,我们可以拥有2000年的平行驾驶经历。嗯,2000实际上是低,使它10或20千,不同的云服务中有许多服务器,我们已经使能够在云服务中实际执行的统一,因此您可以真正扩展。

然后,你不再需要在挂钟时间上运行。想想如何为人们制造所有游戏,人们在人类时间玩游戏,但如果我想训练车辆,我实际上可以速度加快它,并且基本上在一些虚拟时间内驱动它比壁钟更快的方式。

That is where that amount of training helps one particular aspect of AI systems which is the ability to generalize, so if the system hasn’t seen enough, crazy, unlikely episodes…then it’s really hard to throw a real-world crazy episode at it, where it hasn’t seen anything like that in the virtual space.

(10:30)虚拟空间中的部分是什么,我们可以模拟非常接近现实?什么是更难的部分?

DL:我们发现的是,我们开始发生的情况,我们开始意识到越来越精确,越来越准确的物理模型......试图尽可能接近地模拟现实世界,似乎是另一个趋势[反而]。[这个]是......模特[ING]世界有很多噪音的世界。

所以而不是精确度,我们只是在那里扔了很多噪音,所以像摩擦一样的东西,我们让它有很多变化,重力,我们让那个有变化,然后我们所做的就是我们所做的培训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,就有这种更大的可能性,即现实世界现在在您的分发范围内。因此,我们必须在精度下加倍,我们必须加倍数据量,将噪声扔进其中,并基本上得到更多的强大系统,这是一个相当新的趋势。

这是最长的尝试,几乎已经开启了几十年,我们试图在非常确定的代码和非常有限的术语中实现东西,如果存在的陈述......和真假以及所有这些东西。

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。

您在统计世界中运营,当您查看客户时,当您查看自动驾驶车辆时,当您查看机器人时,环境中还有所有这些事情,如果您尝试过于准确,那么you’re just gonna miss it, you’re not going to be able to predict that.

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。

[该值]实际上是一个非常宽的阵列。其中一些是视觉,基本上能够在相机后面训练计算机视觉技术。我们称之为认知方面,看看车辆周围的事情和导航。但也有Lidar和雷达等东西。

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。

那些东西不能发生在街上。当你在街上开车太危险了,大部分时间都没有很多东西正在继续下去,你只是跟随你面前的汽车。

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)您认为这项技术在汽车中的未来可能是什么?

DL:这显然是当车辆可以合作的时候。当车辆可以互相配合时,他们可以与交通灯合作,他们可以与他们开车的城市合作。这不仅仅适用于汽车车辆,这只是全世界。

We’re going to see these AI systems initially be very tailored towards specific needs, but when they are able to communicate between themselves and orchestrate solutions to problems that we don’t implement, so you can say multiple AI systems collaborate to solve a task, that’s when we’re really gonna see a change, whether its self-driving cars or many other aspects of society.

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AI在工业播客使用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。了解有关我们在我们的ei-communustocomationience的信息了解更多信息Emerj广告页面

标题图像信用:工作中的创新 - IEEE

保持领先于AI曲线

发现在业务未来将赢家分开获奖者的关键AI趋势和应用程序。

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
保持领先于机器学习曲线

加入超过20,000名以上的可调性的商业领袖,并收到每周提供的最新的AI研究和趋势。

感谢您订阅EMERJ“AI Advantage”时事通讯,请检查您的电子邮件收件箱进行确认。