Kepiye carane nemtokake sistem nyopir otonom end-to-end?
Dhéfinisi sing paling umum yaiku sistem "end-to-end" yaiku sistem sing nglebokake informasi sensor mentah lan langsung ngasilake variabel sing dadi perhatian kanggo tugas kasebut. Contone, ing pangenalan gambar, CNN bisa diarani "end-to-end" dibandhingake karo fitur tradisional + metode klasifikasi.
Ing tugas nyopir otonom, data saka macem-macem sensor (kayata kamera, LiDAR, Radar, utawa IMU...) minangka input, lan sinyal kontrol kendaraan (kayata throttle utawa sudut setir) langsung metu. Kanggo nimbang masalah adaptasi saka macem-macem model kendaraan, output uga bisa santai menyang lintasan nyopir kendaraan.
Adhedhasar dhasar iki, konsep end-to-end modular uga muncul, kayata UniAD, sing ningkatake kinerja kanthi ngenalake pengawasan tugas penengah sing relevan, saliyane sinyal kontrol output pungkasan utawa titik arah. Nanging, saka definisi sing sempit, inti saka end-to-end kudu dadi transmisi informasi sensori tanpa rugi.
Ayo dideleng dhisik antarmuka antarane sensing lan modul PnC ing sistem non-end-to-end. Biasane, kita ndeteksi obyek sing ana ing daftar putih (kayata mobil, wong, lsp.) lan nganalisa lan prédhiksi properti kasebut. Kita uga sinau babagan lingkungan statis (kayata struktur dalan, watesan kacepetan, lampu lalu lintas, lsp). Yen kita luwih rinci, kita uga bakal ndeteksi alangan universal. Singkatipun, output informasi saka persepsi kasebut minangka model tampilan adegan nyopir sing rumit.
Nanging, kanggo sawetara pemandangan sing cetha banget, abstraksi eksplisit saiki ora bisa njlèntrèhaké kanthi lengkap faktor-faktor sing mengaruhi prilaku nyopir ing adegan, utawa tugas sing kudu ditetepake banget ora pati penting, lan angel ngetung kabeh tugas sing dibutuhake. Mulane, sistem mburi-kanggo-mburi menehi perwakilan lengkap (mbok menawa implicitly) karo pangarep-arep saka otomatis lan losslessly tumindak ing PnCs karo informasi iki. Miturut pendapatku, kabeh sistem sing bisa nyukupi syarat kasebut bisa diarani end-to-end umum.
Kanggo masalah liyane, kayata sawetara optimasi skenario interaksi dinamis, aku percaya yen paling ora mung end-to-end bisa ngatasi masalah kasebut, lan end-to-end bisa uga ora dadi solusi sing paling apik. Cara tradisional bisa ngatasi masalah kasebut, lan mesthi, nalika jumlah data cukup gedhe, end-to-end bisa menehi solusi sing luwih apik.
Sawetara misunderstandings babagan end-to-end otonom driving
1. Sinyal kontrol lan titik arah kudu dadi output dadi end-to-end.
Yen sampeyan setuju karo konsep end-to-end sing wis dibahas ing ndhuwur, mula masalah iki gampang dingerteni. End-to-end kudu nandheske transmisi informasi tanpa rugi tinimbang langsung ngasilake volume tugas. Pendekatan ujung-ujung sing sempit bakal nyebabake akeh masalah sing ora perlu lan mbutuhake akeh solusi rahasia kanggo njamin keamanan.
2.Sistem mburi-kanggo-mburi kudu adhedhasar model gedhe utawa sesanti murni.
Ora ana sambungan sing perlu antarane nyopir otonom mburi-kanggo-mburi, nyopir otonom model gedhe, lan nyopir otonom murni visual amarga konsep kasebut minangka konsep mandiri; sistem mburi-kanggo-mburi ora kudu mimpin dening model gedhe, utawa iku kudu mimpin dening sesanti murni. saka.
3. Ing roto dawa, iku bisa kanggo sistem mburi-kanggo-mburi ndhuwur-kasebut ing pangertèn panah kanggo entuk driving otonom ndhuwur tingkat L3?
Kinerja sing saiki diarani FSD ujung-ujung murni ora cukup kanggo nyukupi keandalan lan stabilitas sing dibutuhake ing tingkat L3. Luwih cetha, yen sistem nyopir dhewe kepengin ditampa dening masyarakat, kuncine yaiku apa masyarakat bisa nampa yen ing sawetara kasus, mesin bakal nggawe kesalahan, lan manungsa bisa ngatasi kanthi gampang. Iki luwih angel kanggo sistem end-to-end murni.
Contone, Waymo lan Cruise ing Amerika Utara wis akeh kacilakan. Nanging, kacilakan pungkasan Cruise nyebabake loro ciloko, sanajan kacilakan kasebut ora bisa dihindari lan bisa ditampa kanggo pembalap manungsa. Nanging, sawise kacilakan iki, sistem misjudged lokasi kacilakan lan lokasi tatu lan downgrade kanggo mode pull-over, nyebabake tatu kanggo nyeret kanggo dangu. Prilaku iki ora bisa ditampa dening pembalap manungsa normal. Ora bakal rampung, lan asil bakal ala banget.
Salajengipun, iki minangka panggilan tangi sing kudu dipikirake kanthi ati-ati babagan cara nyegah kahanan kasebut sajrone pangembangan lan operasi sistem nyopir otonom.
4. Dadi ing wektu iki, apa solusi praktis kanggo generasi sabanjure sistem nyopir dibantu sing diprodhuksi massal?
Miturut pangerten saiki, nalika nggunakake model end-to-end sing diarani ing nyopir, sawise ngasilake lintasan, bakal ngasilake solusi adhedhasar metode tradisional. Utawa, perencana basis sinau lan algoritma perencanaan lintasan tradisional ngasilake pirang-pirang lintasan bebarengan lan banjur pilih siji lintasan liwat pamilih.
Solusi lan pilihan rahasia iki mbatesi watesan ndhuwur kinerja sistem cascade iki yen arsitektur sistem iki diadopsi. Yen metode iki isih adhedhasar sinau umpan balik murni, kegagalan sing ora bisa diprediksi bakal kedadeyan lan tujuan dadi aman ora bakal ditindakake.
Yen kita nimbang ngoptimalake maneh utawa milih nggunakake metode perencanaan tradisional ing lintasan output iki, iki padha karo lintasan sing diprodhuksi dening metode sing didorong sinau; mulane, kenapa ora langsung ngoptimalake lan nelusuri lintasan iki?
Mesthi, sawetara wong bakal ngomong yen masalah optimasi utawa telusuran kasebut ora cembung, nduweni ruang negara sing gedhe, lan ora bisa mlaku kanthi nyata ing sistem ing kendaraan. Aku njaluk kabeh wong kanthi ati-ati nimbang pitakonan iki: Ing sepuluh taun kepungkur, sistem persepsi wis nampa paling tikel satus dividen daya komputasi, nanging kepiye modul PnC kita?
Yen kita uga ngidini modul PnC nggunakake daya komputasi gedhe, digabungake karo sawetara kemajuan ing algoritma optimasi majeng ing taun anyar, apa kesimpulan iki isih bener? Kanggo masalah kaya iki, kita kudu nimbang apa sing bener saka prinsip pisanan.
5.Carane nyelarasake sesambungan antarane metode sing didhukung data lan tradisional?
Muter catur minangka conto sing meh padha karo nyopir otonom. Ing wulan Februari taun iki, Deepmind nerbitake artikel sing disebut "Catur Tingkat Grandmaster Tanpa Panelusuran", ngrembug manawa mung bisa nggunakake data-driven lan ninggalake panelusuran MCTS ing AlphaGo lan AlphaZero. Padha karo nyopir otonom, mung siji jaringan digunakake kanggo langsung output tumindak, nalika kabeh langkah sakteruse ora digatèkaké.
Artikel kasebut nyimpulake yen, sanajan akeh data lan paramèter model, asil sing cukup cukup bisa dipikolehi tanpa nggunakake panelusuran. Nanging, ana bedane sing signifikan dibandhingake karo metode nggunakake panelusuran. Iki utamané migunani kanggo dealing with sawetara endgames Komplek.
Kanggo skenario rumit utawa kasus pojok sing mbutuhake game multi-langkah, analogi iki isih angel kanggo ninggalake optimasi tradisional utawa algoritma telusuran. Cukup nggunakake kaluwihan saka macem-macem teknologi kaya AlphaZero minangka cara paling apik kanggo nambah kinerja.
6.Cara tradhisional = adhedhasar aturan yen liya?
Aku kudu mbenerake konsep iki bola-bali nalika ngomong karo wong akeh. Akeh wong sing percaya yen ora mung adhedhasar data, ora adhedhasar aturan. Contone, ing catur, ngeling-eling rumus lan cathetan catur kanthi rote adhedhasar aturan, nanging kaya AlphaGo lan AlphaZero, menehi model kemampuan kanggo dadi rasional liwat optimasi lan panelusuran. Aku ora mikir iku bisa disebut aturan basis.
Amarga iki, model gedhe dhewe saiki ora ana, lan peneliti nyoba nyedhiyakake model sing didorong sinau liwat metode kayata CoT. Nanging, ora kaya tugas sing mbutuhake pangenalan gambar sing didhukung data murni lan alasan sing ora bisa diterangake, saben tumindak wong sing nyopir duwe daya nyopir sing jelas.
Ing desain arsitektur algoritma sing cocog, lintasan keputusan kudu dadi variabel lan dioptimalake kanthi seragam miturut tuntunan tujuan ilmiah, tinimbang kanthi paksa nambal lan nyetel paramèter kanggo ndandani kasus sing beda-beda. Sistem kasebut kanthi alami ora duwe kabeh jinis aturan aneh.
Kesimpulan
Ing cendhak, end-to-end bisa dadi rute teknis sing janjeni, nanging kepiye konsep kasebut mbutuhake riset luwih akeh. Aku akeh data lan paramèter model ora mung solusi sing bener, lan yen kita pengin ngluwihi wong liya, kita kudu kerja keras.
Wektu kirim: Apr-24-2024