来之不易的人工智能

来源:荣格国际金属加工商情

发布时间:2019年4月9日下午 08:04:44

AI 能够减少 AV 编程的工作量,开发过程却十分艰辛。

人们普遍认为,将 AI 集成到 AV(自动驾驶汽车) 中很有必要但却极具挑战性。唯一的希望是将来开发人员不必编写代码来描述车辆应如何应对每 一个可能的情况,而最终由 AI 系统通过传感器数据和算法来自行做出有关每个驾驶操作的决定。但是,想让 AI 像人 类一样工作还需要很长的时间。

“我们很难进行 AV 编程来让它应对开放世界中遇到的大量情况。”博世认知系统工程总监 Lothar Baum 博士 说,“人类面临着同样的问题,但我们不能仅根据明确的规则——传统的软件程序要素来解决问题。直觉无法被编入系统。”

学习曲线

麦肯锡汽车合伙人 Kersten Heineke 也对 AV 应对驾驶可 能遇到的各种状况的能力持谨慎态度。“AV 的问题终归能够解决。”他说,“但是,汽车必须能够处理的情况一开始就受到汽车操作区域的限制,例如,测试开始就排除了复杂的十字交叉路口的情况,并且驾驶操作可能会在夜间或恶劣 天气中暂停。汽车需要不断学习如何应对新的边界情况,如此我们才能逐渐接近车辆能够处理各种情况的状态。”

体验式学习

机器学习可通过程序训练来进行演绎,因此被许多人视为开发出接近人类反应的系统的前进方向。举例来说,大众汽车公司称其将数千张图像加入了图像识别算法,因此系统能够学会区分道路使用者。

“深度学习和 AI 从根本上来说并不新鲜。”博世的 Baum 博士说,“所改变的只是网络的复杂性,因此我们在很多层面都可以有更好的性能,特别是比人眼更强的视觉能 力。”

人类特性

许多 AI 开发专注于提高处理能力来提升深度学习的能 力,有些则专注于更接近人类的特性。例如,从麻省理工学院衍生的一家初创公司 iSee 正在研究一个基于了解人类如何以及为何做出影响他们驾驶方式的决策的解决方案。“了解人类在驾驶时如何反应并将其用于 AI 进行自动驾驶将为开发过程提供一个重要的缺失环节。”iSee 的创始人之一 Josh Tenenbaum 说道。

与此同时,日产一直在研究如何正确地利用来自人类驾 驶员大脑的信号来“帮助车辆的自动和手动系统学习驾驶员的驾驶方式”。

能力和数据

所有 AI 开发人员面临的一个挑战是如何提供运行复杂算法并处理海量传感器数据所需的计算能力。麦肯锡公司的 Heineke 认为在 AI 取得进展之前必须先解决这一问题,“车载计算能力要求很高,不仅昂贵而且耗能,尤其是当我们进入城市所需要的电子 AV 时代时。”

Heineke 还认为,AV 应分享它们的数据来改善其效果。“AV 有海量的数据,大部分数据只有在车辆停靠进行日常充电时才会传输。”他说,“只有有关边界情况和特定应用情况(如具体的交通情况)的数据才会实时 共享。”

爱立信创新部门主管 Stefan Myhrberg 也指出了 V2X 在降低 AI 数据需求方面的作用。“我们创建了一个生态系统 来支持我们目前在瑞典斯德哥尔摩的自动驾驶公交车试验。” 他说,“我们选择该地区是看中其 5G 信号,它能使车辆与物联网一起工作。如果要扩展路线范围,我们将需要更多的传感器,而这需要更强大的计算能力。

测试挑战

AI 开发人员面临的挑战之一是必须清除 AV 测试的监管障碍。爱立信在 2018 年初开始试验时,最难的环节就是获得许可。“首先,监管当局不会将自动驾驶公交车视为车辆, 因为它们没有方向盘和后视镜。”Myhrberg 说,“每辆车上都有一名操作人员以防发生安全问题,但他们更大的作用其实是照顾这 12 名乘客。”

虽然瑞典交通局最后找到了可行的方案,但这对全球大多数 AV 试验来说都是个挑战。此外还有 AI 立法的问题。 TÜV 南德意志集团正与 DFKI 合作开发自动驾驶 AI 系统的开放式验证和认证平台。

双神经网络

专家是否认为 AI 可以通过减少需要测试的场景数量来缩短开发新 AV 所需的时间?博世的 Baum 博士建议谨慎行事:“AI 可以减少 AV 测试所需的工作量,但人力投入也有必要,因为与标准测试程序相比,AI 无法始终提供一致的结果。”他说,“摄像头检测到的一个小小的变化可能会蒙蔽神经网络彻底改变 AI 的反应,而人类却不会被这种方式所蒙蔽。人们无法理解为什么人工神经网络会对人类过滤掉的东西做出反应。这就是为什么我们要使用双神经网络的原因,双神经网络由其中一个神经网络识别并解释 另一个神经网络看到并做出反应的原因。此外,我们必须要记住,还有许多人喜欢自己开车,因此人类在测试和开发方面的知识和技能仍然至关重要。驾驶方式将会改变, 但人类不会被取代。”

硅谷 VS OEM 制造商

随着 AI 在主流车辆设计中成为主导力量,科技公司是否将取代现有的汽车制造商?这是一个关乎数十亿美元的问题,因为苹果、谷歌和特斯拉等公司的目标是通过全自动驾驶的车型来击败传统汽车制造商。

事实并非像选择题一样明确,因为科技公司并没有基础设施来制造和分配车辆。从汽车制造商的角度来看,开发 AI 和其他技术需要大量投入。因此,双方合作进行开发成了顺其自然的事情。最近,福特承诺向 Argo AI 投资 10 亿 美元来推动其对该技术的开发。他们的目标是在 2021 年之 前推出 4 级自动驾驶车型。这种合作的另一个例子是大众汽 车、优步和英伟达合资企业,他们实现了车辆制造商、用户 和 AI 供应商的结合。

学习机会

机器学习和 AI 开发于 2018 年 6 月 5-7 日在德国斯图加特举行的自动驾驶汽车软件研讨会上进行了深入讨论。

30 多位专家演讲嘉宾——包括沃尔沃汽车、英伟达、 IBM、Linux 基金会、西门子 PLM 软件和 Autosar Development Partnership 等公司的代表分享了他们的专业知识。该活动与自动驾驶车辆技术展、自动驾驶汽车测试与开发研讨会以及自动驾驶车辆内饰设计和技术研讨会同地举行。

减轻测试负担

在 AI 的开发过程中需要证明系统可以处理所有情况。 rFpro 技术总监 Chris Hoyle 表示,模拟对于实现这一目标至 关重要。“真实测试具有巨大的挑战。”他说,“你如何让你的 AV 经历百年难遇的场景?你如何重复这一过程?你如何安全地进行测试?”

rFpro 的模拟测试解决方案基于真实模型,专为克服这 些挑战并减少测试和验证的时间和成本而设计。“模拟可确保您的车辆每隔几秒就经历一次千年难遇的事件。”Hoyle说, “它能够完全控制车辆、场景和所有环境变量,提供可靠、 可重复的测试。”

模拟还可为 AI 系统的监督学习创建训练数据。“手动 标记的真实数据用起来非常缓慢,不仅容易出错而且价格昂贵,每一帧视频通常需要 30 分钟来注释。”Hoyle 说,“模 拟训练数据无需人力即可生成,没有错误并且即时可用。真实的培训数据是必需的,但最近的研究表明,高达 50% 的培训数据可通过模拟环境获得,从而节省大量资金。”

Hoyle 还认为,在模拟测试中加入大量人类测试驾驶员可进一步节省成本。“这使汽车制造商能够在将乘客和行人置于危险境地但不会有受伤风险的复杂的真实场景中进行 AV 测试。”他说。

 

 

 

□ 作者:Alisdair Suttie

Tell A Friend

评论

Image CAPTCHA