新闻
您现在的位置:首页 > 新闻 > 硅谷关于机器学习的事件解决了困扰AI自动驾驶汽车的最新难题
  • 腾讯创作者生态的前车之鉴,能否支撑《元梦之星》逐梦UGC?

    腾讯创作者生态的前车之鉴,能否支撑《元梦之星》逐梦UGC?

    发布时间:2023/09/24

    近期,腾讯以“天美乐园”的特别形式公布了新作《元梦之星》,宣告正式入主派对游戏赛道。过去,派对游戏在国内市场份额较小,直到《糖豆人》《香肠派对》《蛋仔派对》等作品引发用户和市场的高度关注,整个赛道才...

  • 普悦智能,专注净水,为渠道经销搭载新引擎!

    普悦智能,专注净水,为渠道经销搭载新引擎!

    发布时间:2023/08/28

    稳步推进:祝贺普悦智能(北京联营公司)第一轮股东入股签约圆满成功! 2023年8月18日,浙江普悦智能科技有限公司北京联营公司——北京普悦京允智能科技有限公司在总经理宋玉财的热忱推进下,成功签约了五名销售/服...

  • 新鸿基地产园区中心封面地标, 苏州环贸汇众盼而至

    新鸿基地产园区中心封面地标, 苏州环贸汇众盼而至

    发布时间:2021/12/28

    当苏州迈向全球都会序列之际,当苏州园区盛启一城想象之时。实力港企新鸿基地产携苏州首个超高层多业态综合体住宅——新鸿基地产苏州环贸汇澎湃而来,势将为苏州高净值投资人群挚献园区中心CBD地标之作,擎领苏州未...

  • 看图操作,三步即可开通微粒贷

    看图操作,三步即可开通微粒贷

    发布时间:2021/12/01

    ​微粒贷是由国内首家互联网银行微众银行推出的一款小额信贷产品,具有无抵押无担保、随借随还等特点,深受大家的喜欢。在此,小编结合官方资料,为想用微粒贷却不知怎么开通的朋友提供一些帮助。微粒贷开通 第一...

  • 英国与快速反应小组一起抗击冠状病毒

    英国与快速反应小组一起抗击冠状病毒

    发布时间:2020/04/01

      英国政府宣布了新的措施,以打击虚假的COVID-19在线信息的传播,包括建立专门的专家小组来处理错误信息。 新成立的快速反应小组将在英国内阁办公室内部运作,并将研究应对互联网上“有害叙述”的方法-解决“...

  • 微软即将吸引消费者-但Skype仍将保留

    微软即将吸引消费者-但Skype仍将保留

    发布时间:2020/03/31

      微软今天宣布,今年晚些时候,它将推出Teams的基本消费版,即类似于Slack的文本,音频和视频聊天应用程序。就像Microsoft所喜欢的,您的个人生活团队将使用许多工具,这些工具将使家庭和小组更轻松地组织...

  • 安全漏洞暴露了共和党选民公司的内部应用代码

    安全漏洞暴露了共和党选民公司的内部应用代码

    发布时间:2020/03/31

      一家专供共和党政治运动使用的选民联系和拉票公司,错误地在其网站上留下了未经保护的应用程序代码副本,供任何人找到。 Campaign Sidekick公司通过iOS和Android应用程序帮助共和党竞选活动布署其选区,这...

  • 在宾夕法尼亚州,州酒商店仍然关闭,人们越来越口渴

    在宾夕法尼亚州,州酒商店仍然关闭,人们越来越口渴

    发布时间:2020/03/31

      随着美国人渴望长时间的自我隔离,白酒业务的销量激增。根据尼尔森(Nielsen)的数据,到3月中旬,这一增长已经比去年同期高出26%以上。但是,联盟中至少有一个州与这种趋势背道而驰,而且与消费者的意愿无...

硅谷关于机器学习的事件解决了困扰AI自动驾驶汽车的最新难题

发布时间:2020/01/20 新闻 浏览次数:670

 
有一个孩子的谜语,要求您指出可以用左手握住而不能用右手握住的东西。
花一点时间思考这个谜语。
您首先想到的是,假设不涉及任何诡计,那么任何可以用左手握住的东西也应该也可以用右手握住。
一种技巧可能是您可以将右手握在左手中,但由于右手是右手,因此您大概无法将“右手”握在右手中。
另一个技巧可能是右手的弹力比左手弱,因此,如果一个物体很重,则可以将其握在左手中,但是用力量较小的右手则无法这样做。
如果我们消除所有棘手的潜在答案,还有什么呢?
据说,“答案”是您可以用左手握住右手肘,但不能用右手握住右手肘。
有些人会反对所谓的答案,因为单挑肘部似乎不公平,并且您可能会争辩说右手的其他区域也可能无法用右手触及。因此,要求保护的答案仅仅是潜在的多个答案之一。
而且,有些人四肢松散,以至于他们确实可以用右手握住右手肘,尽管这种柔和的能力被公认相对较远。
我们可以从这个简单的谜语中学到什么教训?
一个值得注意的教训是,即使谜语本身看起来很简单,也可能无法通过简单的答案来回答谜语。
更有什者,更难的谜语注定有可能甚至常常有更复杂的潜在答案。
另一个教训是,我们倾向于假设一个谜语只能有一个正确的答案。
也许这是由于在注重始终获得正确答案的教育系统中成长而来的。通过训练和习惯,我们在认知上可以假设每问一个问题就必须有一个且只有一个正确的答案。
您过去进行的那些多项选择测验在精神上使您相信必须从给定的答案中找到一个答案,因此,一生必须以某种方式对紧迫的问题有一个唯一的答案。
我承认,当我是一名大学教授时,我通常会确保在多项选择中都包括潜在的选择,其中包括令人生畏的“以上所有”和令人担忧的“以上所有”。
对学生而言,生存的祸根是不得不搁置寻找正确答案的努力,并意识到它可能是所有人,也可能不是所有人。我不知道是否应该引起这种折磨,或者对他们的心理和认知发展是否有利(顺便说一下,在荟萃分析中,您可能会辩称,任何这样的测试问题仍然只有一个正确的答案,即“以上所有”是一个答案。
所有关于谜语的讨论都提出了一个事实,即在我们从事的许多行业中都隐藏着许多谜语,为此,我们所有人都在寻求解决或至少解决问题。
考虑一下这一方面:对于真正的无人驾驶汽车的问世,仍然需要弄清许多关键的谜语,以及提出我们尚未浮出水面的新谜语。
让我们打开包装看看。
无人驾驶汽车的水平
重要的是要澄清我指的是真正的无人驾驶汽车。
真正的自动驾驶汽车是指AI完全自行驾驶汽车,并且在驾驶过程中不需要任何人工协助。
这些无人驾驶汽车被认为是4级和5级,而要求驾驶员共同分担驾驶努力的汽车通常被认为是2级或3级。共同分担驾驶任务的汽车被描述为:是半自治的,通常包含称为ADAS(高级驾驶员辅助系统)的各种自动化附加组件。
5级还没有真正的无人驾驶汽车,我们甚至不知道这是否有可能实现,以及到达那里需要多长时间。
同时,尽管是否应允许进行这种测试本身存在争议(我们都是实验中的有生命或有生命的豚鼠),但4级研究人员正在通过非常狭窄和选择性的公共道路试验逐渐尝试吸引一些关注。指出在我们的高速公路和小路上发生)。
由于半自动驾驶汽车需要人工驾驶,因此采用这些类型的汽车与驾驶传统汽车并无明显不同,因此,在这个主题上,它们本身并没有太多新的内容要介绍(尽管您会看到暂时,接下来提出的要点通常适用)。
对于半自动汽车,重要的是要警告公众最近出现的令人不安的方面,即尽管那些人类驾驶员不断张贴自己在2级或3级汽车的方向盘上睡着的视频。 ,我们所有人都需要避免被误导以为驾驶员在驾驶半自动驾驶汽车时可以将注意力从驾驶任务上移开。
您是车辆驾驶行为的负责方,无论可能将多少自动化投入到2级或3级。
自动驾驶汽车和一些棘手的谜语
对于4级和5级真正的无人驾驶汽车,不会有人工驾驶。
所有乘客均为乘客。
AI正在驾驶。
存在着许多谜语,并且还会出现与人工智能驱动系统的性质有关的其他谜语。
对于那些不直接参与自动驾驶汽车领域的人,他们有时会感到困惑,无人驾驶汽车领域的人们会感到困惑。
从表面上看,任务大概相当简单,即创建一个可以驾驶汽车的AI系统。
期间,放下麦克风。
是的,在三万英尺的水平上,也许您可​​以说这是一件简单的事情,但是正如我们看到的左右手之谜一样,似乎核心的简单性并不一定导致答案的简单性。
硅谷组织称为ValleyML.ai的最近一次AI会议在许多领域中进行了许多有关AI和机器学习(ML)的有趣和启发性的会议,并设法揭示了AI / ML面临的众多谜语。
Valley机器学习和人工智能小组包括AI / ML公司,研究人员,初创公司,商业领袖,非营利组织以及其他对AI / ML感兴趣的公司,请参见此处的链接。
大会的主持人是Western Digital的机器学习和计算机视觉杰出工程师Kiran Gunnam博士。 Kudos向他和ValleyML.ai团队致敬。
我将专注于一个专门针对AI自动驾驶汽车的小组会议。
会议的题目是:“无人驾驶汽车安全合作”
小组主席由UL移动业务发展总监John Currie负责并主持,他是此次讨论的主持人和贡献者。
尊敬的小组成员是AI自动驾驶汽车各个方面的专家,包括:
·加利福尼亚州DMV自动驾驶汽车分公司负责人Miguel Acosta
·丰田研究院(TRI)高度自动化驾驶高级经理Sagar Behere
·本杰明·刘易斯(Benjamin Lewis),Liberty Mutual Insurance汽车与出行战略合作伙伴关系总监
·硅谷联盟创新实验室雷诺·日产三菱,机器人技术副总监利亚姆·佩德森(Liam Pedersen)
·Edge Case Research首席执行官Mike Wagner
充满活力的小组会议上讨论了很多问题。
为了使本文的分析简洁明了,我将仅介绍两个选定的子主题,并展示其中包含的谜语,作为自动驾驶汽车行业正在努力应对的范例。
基础设施和自动驾驶汽车
这是一个引人入胜的谜语,提供了大量讨论和辩论。
是应该改变我们的道路基础设施以适应自动驾驶汽车,还是应该期望自动驾驶汽车能够应对现有的道路基础设施以及人类驾驶员通常会遇到的道路基础设施?
请稍等一下。
有些人认为,我们的道路基础设施应该进行更改或调整,以更好地适应自动驾驶汽车的需求。
例如,对于AI驾驶系统而言,检测路缘有时可能是一项艰巨的任务,因此,如果我们的路缘更高或涂上特殊的颜色或以某种方式放大,则这样做将使汽车的传感器更容易,更可能自动驾驶汽车和AI系统可以检测并处理街道和人行道的边界和边界(有关街道场景自由空间检测的方面,请参阅此处链接的讨论)。
另一个例子是在盲路口右转。
当无人驾驶汽车试图右转且无法通过其传感器轻松检测到拐角处时,AI会选择继续转弯,然后突然发现行人在街上或街道上,从而冒着更大的风险。可能是骑自行车的人停在那里,碰巧在错误的时间到达了错误的地点。
为了减少撞到某人或某物的机会,如果附近的电线杆或建筑物上安装了可以使用自己的传感器向附近的所有自动驾驶汽车广播信息的电子设备,将很方便。作为边缘计算,请参见此链接上的讨论)。该消息可能是一个警告,提示有人在盲角附近,或者可能是沿海很平坦,并且AI可以毫不拖延地进行。
这两个例子都凸显了调整基础设施以帮助自动驾驶汽车问世的价值。
在路缘的使用情况下,更改可能是传统的修改类型,包括提高路缘的高度或用高度可见的颜色绘画路缘,而在盲角的情况下,更改实际上是添加了电子设备(这些类型的设备将通过V2I或“车辆到基础设施”电子消息传递进行通信)。
这一切似乎都很明智。
当然,如此大规模的基础架构更改和添加会涉及相当大的成本。
想象一下,如果全美国都在努力提高路缘石的高度,将会付出巨大的代价。
这将是一个天文数字。
假设将用于拐角存在检测的电子设备放置在全国所有盲路口上。
再次,可能是僵硬的价格。
一个论点是,作为一个社会,我们不需要承担改变基础设施的成本,以允许自动驾驶汽车有足够的能力驾驶我们的道路。简而言之,如果一个人可以驾驶并且不需要加高的路缘石或拐角处的行人检测设备,那么天哪,AI无人驾驶汽车也不需要它。
确实,有人说汽车制造商和自动驾驶技术公司正在“懒惰”,或者通过尝试改变基础设施而采取了简便的方法。把头放在软件和硬件上,然后启动它,这样就不需要进行任何更改了,请高手指点。
另一方面,已经存在压倒性的共识,即我们现有的道路基础设施状况不佳,迫切需要大规模维修和大修。在联邦一级,已经有各种监管法案和有关价格标签可能是什么以及如何最好地进行所需更改的讨论(请参阅此处的链接中的讨论)。
因此,如果我们无论如何都要进行修改或更改,则有人指出,我们最好也继续进行,并包括有助于自动驾驶汽车出现的方面。因此,这些更改和新添加的内容将并入整个大型基础架构更改中,而不是不排除这样做的麻烦。
此外,大概许多变化也将对人类驾驶员有所帮助。以这种方式,可以说,您将以一个价格获得两个好处。
另一个好处是,如果建立了足够的V2I,则可以降低AI自动驾驶汽车的成本。
这是逻辑。
如果每台AI自动驾驶汽车都必须配备特殊的传感器来尝试计算盲点附近的情况,并使用各种计算手段(例如计算透视法和价格昂贵的设备),则每辆自动驾驶汽车的成本可能会增加。
但是,如果在街角有用于自动驾驶汽车的电子设备,这意味着不需要这种昂贵的车载设备,并且基本上将这些街角设备的附加成本分配给了所有数以百万计的无人驾驶汽车可能有一天会在我们的道路上行驶。
这似乎是明智的,尽管人们可能会立即担心自动驾驶汽车可能会过分依赖V2I,如果路边拐角设备损坏或摇摇欲坠,那么AI无人驾驶汽车将无法自行安全导航。
相反的论点是,人工智能自动驾驶汽车将被期望找出是否不存在V2I设备并运行,如果不存在,则人工智能将在预防的基础上进行,行驶非常缓慢,转弯需要更长的时间。 ,但最终仍在转弯。
在潜在的基础设施成本方面,有人强调,并非每个街角和路缘石都需要修改。取而代之的是,无论我们期望在无人驾驶汽车中使用最多的地方(也许在市中心地区),都将进行特别是与无人驾驶汽车有关的修改,而无需在任何地方进行设置。
像许多谜一样,我们可以四处寻找解决谜的方法。
目前,还没有任何解决方案或“解决”基础设施之谜,它仍然是一个活跃的,有时是有争议的辩论。
您现在已成为解决难题的团队的一员。
欢迎来到俱乐部。
机器学习与AI变革
在座谈会上,这又是一个谜。
我们是否应该担心机器学习(ML)可能随着时间的推移而改变AI驱动系统,这意味着它在任何时候都不会是相同的“驱动程序”,并且可能会不断改变其驱动方式,还是我们应该认为这与人类驾驶员的本质没有什么不同?
借助机器学习和深度学习(DL),可以使AI系统发生变化并以不同于以往的方式进行工作。
从某种意义上说,这当然会很方便。
我们可能希望AI驾驶系统在驾驶方面越来越好。对于行驶的每一英里,势必会出现新奇的情况,为此,应该设置AI来进行调整以提高处理能力。
如果AI是静态的并且从未改变过,并且假设它还没有完全包罗万象,并且本质上不为人所知(这是极不可能的),那么它永远不会从产生的任何事情中受益或受益,并且可能会重复相同的(可能)驾驶反复无常或驾驶行为不足。
好吧,我们当然知道,人类似乎会逐渐学习成为更好的驾驶员。看看任何新手少年驾驶员,您都可以看到他们的驾驶能力随着时间的推移取得了实质性进步(是的,有一些例外情况是,少年并没有进步,但总体上还是有进步的)。
实际上,有些人认为,尽管人类在达到有限的老年状态时常常会随着驾驶技巧的恶化而逐渐消失,但AI不会随着时间的流逝而减弱或减弱,并且会忠实地保持与以往一样的状态。
似乎可以把这个谜语摆上床。
没那么快!
首先,过于简单地建议ML / DL“学习”与人类学习等效。
它们根本不同,至少现在和可预见的情况都是如此。
例如,人类使用常识性推理,从而能够判断学到的东西是否有价值,并且还可以掌握学到的思想或行为的上下文,通常仅在相关和适当的情况下应用它。
正如我一再提倡的那样,目前还没有一种人工智能系统能够像人一样常识地进行推理。
从本质上讲,有关允许DL / ML自学习的争论是,它与人类的学习方式完全不同,因此最终结果并不那么健壮(并且可能因错误而“陷入困境”)。
拥有一个能够下棋并随着时间而学习的AI系统并没有什么威胁,因为输掉一盘棋通常不是生死攸关的事情。
拥有能够随着时间的推移而学习的AI驱动系统具有巨大的生死攸关潜力,因为它正在驱动一吨重的车辆,很容易陷入致命的车祸。
关于自动驾驶汽车应允许多少即时ML / DL的讨论仍在进行中,并进行了激烈的辩论(请参阅此处的链接我的讨论)。
请继续并将这个谜语添加到您要解决的难题列表中。
结论
诸如ValleyML.ai事件之类的会议的方便好处之一是,它提供了一个机会,可以讨论AI社区面临的许多难题。
解决这些难题需要一个村庄。
孤立地尝试找出答案的尝试可能是不够的,无法扩展。
回想一下,小组讨论的主题是自动驾驶汽车安全方面的合作。
有合作的口号。
最终,所有利益相关者都需要权衡这些问题,并且我们越早将谜语揭晓,希望就越早,越优雅地给出答案。