Başdan sona avtonom idarəetmə sistemini necə təyin etmək olar?
Ən çox yayılmış tərif ondan ibarətdir ki, "uçdan-uca" sistem, xam sensor məlumatlarını daxil edən və tapşırıq üçün narahatlıq doğuran dəyişənləri birbaşa çıxaran bir sistemdir. Məsələn, təsvirin tanınmasında CNN ənənəvi xüsusiyyət + təsnifat metodu ilə müqayisədə "başdan-uca" adlandırıla bilər.
Avtonom sürücülük tapşırıqlarında müxtəlif sensorlardan (məsələn, kameralar, LiDAR, Radar və ya IMU...) məlumatlar daxil edilir və avtomobilin idarəetmə siqnalları (məsələn, qaz və ya sükan çarxının bucağı) birbaşa çıxışdır. Müxtəlif avtomobil modellərinin uyğunlaşma məsələlərini nəzərdən keçirmək üçün çıxış həmçinin avtomobilin hərəkət trayektoriyasına uyğunlaşdırıla bilər.
Bu təməl əsasında, son çıxış nəzarət siqnalları və ya keçid nöqtələrinə əlavə olaraq, müvafiq aralıq tapşırıqlara nəzarəti tətbiq etməklə performansı yaxşılaşdıran UniAD kimi modul tipli konseptlər də yaranmışdır. Bununla belə, belə dar bir tərifdən, uç-uca mahiyyəti sensor məlumatların itkisiz ötürülməsi olmalıdır.
Gəlin əvvəlcə uçdan uca olmayan sistemlərdə sensor və PnC modulları arasındakı interfeysləri nəzərdən keçirək. Adətən biz ağ siyahıya alınmış obyektləri (məsələn, avtomobillər, insanlar və s.) aşkarlayırıq və onların xassələrini təhlil edib proqnozlaşdırırıq. Biz həmçinin statik mühit (məsələn, yol quruluşu, sürət həddi, svetofor və s.) haqqında öyrənirik. Daha təfərrüatlı olsaydıq, universal maneələri də aşkar edərdik. Qısacası, bu qavrayışların çıxardığı məlumatlar mürəkkəb sürücülük səhnələrinin nümayiş modelini təşkil edir.
Bununla belə, bəzi çox açıq-saçıq səhnələr üçün indiki açıq abstraksiya səhnədə sürücülük davranışına təsir edən amilləri tam təsvir edə bilmir və ya müəyyən etməli olduğumuz tapşırıqlar çox əhəmiyyətsizdir və bütün tələb olunan tapşırıqları sadalamaq çətindir. Buna görə də, uç-to-end sistemlər bu məlumatla PnC-lərdə avtomatik və itkisiz hərəkət etmək ümidi ilə (bəlkə də dolayısı ilə) hərtərəfli təqdimat təmin edir. Fikrimcə, bu tələbi ödəyə bilən bütün sistemləri ümumiləşdirilmiş uçdan-uca adlandırmaq olar.
Digər məsələlərə, məsələn, dinamik qarşılıqlı əlaqə ssenarilərinin bəzi optimallaşdırılmasına gəlincə, mən hesab edirəm ki, ən azı nəinki başdan-başa bu problemləri həll edə bilər, həm də başdan-başa ən yaxşı həll yolu olmaya bilər. Ənənəvi üsullar bu problemləri həll edə bilər və əlbəttə ki, məlumatların miqdarı kifayət qədər böyük olduqda, uçdan-uca daha yaxşı bir həll təmin edə bilər.
Başdan sona avtonom sürmə ilə bağlı bəzi anlaşılmazlıqlar
1. Nəzarət siqnalları və keçid nöqtələri bir-birinin ardınca buraxılmalıdır.
Əgər siz yuxarıda müzakirə olunan geniş başa çatan konsepsiya ilə razılaşırsınızsa, bu problemi başa düşmək asandır. Başdan sona tapşırıq həcmini birbaşa çıxarmaqdansa, məlumatın itkisiz ötürülməsini vurğulamalıdır. Dar uç-to-end yanaşma çoxlu lazımsız problemlərə səbəb olacaq və təhlükəsizliyi təmin etmək üçün çoxlu gizli həll yolları tələb edəcək.
2.Uçdan uca sistem böyük modellərə və ya təmiz görməyə əsaslanmalıdır.
Başdan-ayağa avtonom idarəetmə, böyük modelli avtonom idarəetmə və sırf vizual avtonom idarəetmə arasında heç bir zəruri əlaqə yoxdur, çünki onlar tamamilə müstəqil anlayışlardır; uçdan-uca sistem mütləq böyük modellər tərəfindən idarə olunmur, nə də təmiz görmə ilə idarə olunmur. of.
3.Uzun müddətdə yuxarıda qeyd olunan uç-to-end sistemin dar mənada L3 səviyyəsindən yuxarı avtonom idarəetməyə nail olması mümkündürmü?
Hal-hazırda təmiz uçdan-uca FSD adlanan performans L3 səviyyəsində tələb olunan etibarlılıq və sabitliyə cavab vermək üçün kifayət deyil. Daha açıq desək, əgər özünü idarə edən sistem ictimaiyyət tərəfindən qəbul olunmaq istəyirsə, əsas odur ki, ictimaiyyət bəzi hallarda maşının səhvlərə yol verəcəyini və insanların onları asanlıqla həll edə biləcəyini qəbul edə bilərmi? Bu, təmiz uçdan-uca sistem üçün daha çətindir.
Məsələn, Şimali Amerikada həm Waymo, həm də Cruise çoxlu qəzalar keçirib. Bununla belə, Cruise-nin son qəzası iki yaralanma ilə nəticələndi, baxmayaraq ki, bu cür qəzalar insan sürücüləri üçün kifayət qədər qaçılmaz və məqbuldur. Lakin bu qəzadan sonra sistem qəzanın yerini və yaralıların yerini səhv qiymətləndirdi və rütubəti çəkmə rejiminə endirdi və yaralıların uzun müddət sürüklənməsinə səbəb oldu. Bu davranış heç bir normal insan sürücü üçün qəbuledilməzdir. Bu edilməyəcək və nəticələr çox pis olacaq.
Bundan əlavə, bu, avtonom idarəetmə sistemlərinin inkişafı və istismarı zamanı bu vəziyyətdən necə qaçmaq barədə diqqətlə düşünməli olduğumuz bir oyanış çağırışıdır.
4.Beləliklə, hazırda kütləvi istehsal olunan köməkçi sürücülük sistemlərinin növbəti nəsli üçün praktiki həllər hansılardır?
Mövcud anlayışıma görə, sürücülükdə uç-to-end adlanan modeldən istifadə edərkən, trayektoriyanı çıxardıqdan sonra, ənənəvi üsullara əsaslanan bir həll qaytaracaq. Alternativ olaraq, öyrənməyə əsaslanan planlaşdırıcılar və ənənəvi trayektoriya planlaşdırma alqoritmləri eyni vaxtda birdən çox trayektoriya çıxarır və sonra selektor vasitəsilə bir trayektoriya seçir.
Bu cür gizli həll və seçim, bu sistem arxitekturası qəbul edilərsə, bu kaskad sisteminin performansının yuxarı həddini məhdudlaşdırır. Əgər bu üsul hələ də sırf rəy öyrənməyə əsaslanırsa, gözlənilməz uğursuzluqlar baş verəcək və təhlükəsiz olmaq məqsədinə heç bir şəkildə nail olmayacaq.
Bu çıxış trayektoriyası üzrə ənənəvi planlaşdırma üsullarından istifadə edərək yenidən optimallaşdırma və ya seçməyi düşünsək, bu, öyrənmə ilə idarə olunan metodun yaratdığı trayektoriyaya bərabərdir; buna görə də biz niyə bu trayektoriyanı birbaşa optimallaşdırmırıq və axtarmırıq?
Əlbəttə ki, bəzi insanlar belə bir optimallaşdırma və ya axtarış probleminin qabarıq olmadığını, böyük bir dövlət sahəsinə malik olduğunu və avtomobildə olan sistemdə real vaxt rejimində işləmək mümkün olmadığını söyləyəcəklər. Mən hər kəsdən bu sualı diqqətlə nəzərdən keçirməyi xahiş edirəm: Son on ildə qavrayış sistemi hesablama gücündən ən azı yüz dəfə dividend alıb, bəs bizim PnC modulumuz necə olacaq?
PnC modulunun son illərdə qabaqcıl optimallaşdırma alqoritmlərindəki bəzi irəliləyişlərlə birlikdə böyük hesablama gücündən istifadə etməsinə icazə versək, bu nəticə hələ də doğrudurmu? Bu cür problem üçün ilk prinsiplərdən nəyin doğru olduğunu düşünməliyik.
5.Məlumata əsaslanan və ənənəvi metodlar arasındakı əlaqəni necə uzlaşdırmaq olar?
Şahmat oynamaq avtonom sürməyə çox oxşar bir nümunədir. Bu ilin fevral ayında Deepmind AlphaGo və AlphaZero-da yalnız məlumatlara əsaslanan MCTS axtarışından imtina etməyin mümkün olub-olmadığını müzakirə edən "Axtarışsız Qrandmaster Səviyyəli Şahmat" adlı məqalə dərc etdi. Avtonom sürücülük kimi, hərəkətləri birbaşa çıxarmaq üçün yalnız bir şəbəkə istifadə olunur, bütün sonrakı addımlar nəzərə alınmır.
Məqalə belə nəticəyə gəlir ki, xeyli miqdarda məlumat və model parametrlərinə baxmayaraq, axtarışdan istifadə etmədən kifayət qədər ağlabatan nəticələr əldə etmək olar. Bununla belə, axtarışdan istifadə edən üsullarla müqayisədə əhəmiyyətli fərqlər var. Bu, bəzi mürəkkəb son oyunlarla məşğul olmaq üçün xüsusilə faydalıdır.
Çox addımlı oyunlar tələb edən mürəkkəb ssenarilər və ya künc halları üçün bu bənzətmə hələ də ənənəvi optimallaşdırma və ya axtarış alqoritmlərindən tamamilə imtina etməyi çətinləşdirir. AlphaZero kimi müxtəlif texnologiyaların üstünlüklərindən məqbul şəkildə istifadə etmək performansı yaxşılaşdırmağın ən yaxşı yoludur.
6.Traditional metod = qaydaya əsaslanan, əgər başqa?
Mən bir çox insanlarla danışarkən bu anlayışı dəfələrlə düzəltməli oldum. Bir çox insanlar sırf məlumatlara əsaslanmadıqca, qaydalara əsaslanmadığına inanırlar. Məsələn, şahmatda düsturları və şahmat qeydlərini əzbərləmək qaydalara əsaslanır, lakin AlphaGo və AlphaZero kimi modelə optimallaşdırma və axtarış vasitəsilə rasional olmaq imkanı verir. Düşünmürəm ki, bunu qaydalara əsaslanan adlandırmaq olar.
Bu səbəbdən, böyük modelin özü hazırda yoxdur və tədqiqatçılar CoT kimi metodlar vasitəsilə öyrənməyə əsaslanan model təqdim etməyə çalışırlar. Bununla belə, sırf məlumatlara əsaslanan təsvirin tanınması və izah edilə bilməyən səbəblər tələb edən vəzifələrdən fərqli olaraq, sürücülük edən şəxsin hər bir hərəkəti aydın hərəkətverici qüvvəyə malikdir.
Müvafiq alqoritm arxitekturası dizaynı altında qərar trayektoriyası dəyişkən olmalı və müxtəlif halları düzəltmək üçün parametrləri məcburi yamaq və tənzimləməkdənsə, elmi məqsədlərin rəhbərliyi altında vahid optimallaşdırılmalıdır. Belə bir sistemdə təbii olaraq hər cür sərt kodlu qəribə qaydalar yoxdur.
Nəticə
Bir sözlə, uçdan-uca perspektivli texniki marşrut ola bilər, lakin konsepsiyanın necə tətbiq olunduğu daha çox araşdırma tələb edir. Düşünürəm ki, bir dəstə məlumat və model parametrləri yeganə düzgün həll yolu deyil və əgər biz başqalarını üstələmək istəyiriksə, çox çalışmalıyıq.
Göndərmə vaxtı: 24 aprel 2024-cü il