අන්තයේ සිට අවසානය දක්වා ස්වයංක්රීය රියදුරු පද්ධතියක් නිර්වචනය කරන්නේ කෙසේද?
වඩාත් පොදු නිර්වචනය නම් "අවසානයේ සිට අවසානය" පද්ධතියක් යනු අමු සංවේදක තොරතුරු ඇතුළත් කරන සහ කාර්යයට අදාළ විචල්යයන් සෘජුවම ප්රතිදානය කරන පද්ධතියකි. උදාහරණයක් ලෙස, රූප හඳුනාගැනීමේදී, CNN සාම්ප්රදායික විශේෂාංග + වර්ගීකරණ ක්රමය සමඟ සසඳන විට "අවසානයේ සිට අවසානය" ලෙස හැඳින්විය හැක.
ස්වයංක්රීය රිය පැදවීමේ කාර්යයන් වලදී, විවිධ සංවේදක (කැමරා, LiDAR, Radar, හෝ IMU... වැනි) දත්ත ආදානය වන අතර වාහන පාලන සංඥා (throttle හෝ steering wheel කෝණය වැනි) සෘජුවම ප්රතිදානය කෙරේ. විවිධ වාහන මාදිලිවල අනුවර්තනය වීමේ ගැටළු සලකා බැලීම සඳහා, වාහනයේ ධාවන පථයට ප්රතිදානය ලිහිල් කළ හැකිය.
මෙම පදනම මත පදනම්ව, අවසාන නිමැවුම් පාලන සංඥා හෝ මාර්ග ලක්ෂ්යවලට අමතරව, අදාළ අතරමැදි කාර්යයන් පිළිබඳ අධීක්ෂණය හඳුන්වා දීමෙන් කාර්ය සාධනය වැඩි දියුණු කරන UniAD වැනි මොඩියුලර් අන්තයේ සිට අවසානය දක්වා සංකල්ප ද මතු වී ඇත. කෙසේ වෙතත්, එවැනි පටු නිර්වචනයකින්, අන්තයේ සිට අවසානයෙහි සාරය සංවේදී තොරතුරු අහිමි නොවන සම්ප්රේෂණය විය යුතුය.
අපි ප්රථමයෙන් අවසාන නොවන පද්ධතිවල සංවේදනය සහ PnC මොඩියුල අතර අතුරු මුහුණත් සමාලෝචනය කරමු. සාමාන්යයෙන්, අපි සුදු ලැයිස්තුගත වස්තූන් (මෝටර් රථ, පුද්ගලයන්, ආදිය) හඳුනාගෙන ඒවායේ ගුණාංග විශ්ලේෂණය කර පුරෝකථනය කරමු. අපි ස්ථිතික පරිසරය (මාර්ග ව්යුහය, වේග සීමා, මාර්ග සංඥා, ආදිය) ගැන ද ඉගෙන ගනිමු. අපි වඩාත් සවිස්තරාත්මක නම්, අපි විශ්වීය බාධක හඳුනා ගනිමු. කෙටියෙන් කිවහොත්, මෙම සංජානන මගින් තොරතුරු ප්රතිදානය සංකීර්ණ රියදුරු දර්ශනවල සංදර්ශක ආකෘතියක් සාදයි.
කෙසේ වෙතත්, සමහර ඉතා පැහැදිලි දර්ශන සඳහා, වත්මන් පැහැදිලි වියුක්තකරණයට දර්ශනය තුළ රිය පැදවීමේ හැසිරීමට බලපාන සාධක සම්පූර්ණයෙන් විස්තර කළ නොහැක, නැතහොත් අපට නිර්වචනය කිරීමට අවශ්ය කාර්යයන් ඉතා සුළු බැවින්, අවශ්ය සියලුම කාර්යයන් ගණන් කිරීම දුෂ්කර ය. එබැවින්, මෙම තොරතුරු සමඟ PnCs මත ස්වයංක්රීයව සහ පාඩුවකින් තොරව ක්රියා කිරීමේ බලාපොරොත්තුවෙන් අන්තයේ සිට අවසානය දක්වා පද්ධති (සමහර විට ව්යංගයෙන්) විස්තීර්ණ නියෝජනයක් සපයයි. මගේ මතය අනුව, මෙම අවශ්යතාවය සපුරාලිය හැකි සියලුම පද්ධති සාමාන්යකරණය වූ අන්තයේ සිට අවසානය ලෙස හැඳින්විය හැක.
ගතික අන්තර්ක්රියා අවස්ථා වල සමහර ප්රශස්තිකරණයන් වැනි අනෙකුත් ගැටළු සම්බන්ධයෙන්, මම විශ්වාස කරන්නේ අවම වශයෙන් අග සිට අගට පමණක් නොව මෙම ගැටළු විසඳිය හැකි බවත්, අවසානයෙන් අගට හොඳම විසඳුම නොවිය හැකි බවත්ය. සාම්ප්රදායික ක්රම මගින් මෙම ගැටලු විසඳා ගත හැකි අතර, ඇත්ත වශයෙන්ම, දත්ත ප්රමාණය ප්රමාණවත් තරම් විශාල වන විට, අවසානයෙන් අගට වඩා හොඳ විසඳුමක් සැපයිය හැක.
අන්තයේ සිට අවසානය දක්වා ස්වයංක්රීය රිය පැදවීම පිළිබඳ සමහර වැරදි වැටහීම්
1. පාලන සංඥා සහ මාර්ග ලක්ෂ්ය අන්තයේ සිට අවසානය දක්වා ප්රතිදානය විය යුතුය.
ඉහත සාකච්ඡා කර ඇති පුළුල් අන්තයේ සිට අවසානය සංකල්පය සමඟ ඔබ එකඟ වන්නේ නම්, මෙම ගැටළුව තේරුම් ගැනීම පහසුය. කාර්යය පරිමාව සෘජුව ප්රතිදානය කරනවාට වඩා අන්තයේ සිට අවසානය දක්වා තොරතුරු පාඩු රහිත සම්ප්රේෂණය අවධාරණය කළ යුතුය. පටු අන්තයේ සිට අවසානය දක්වා වූ ප්රවේශයක් අනවශ්ය කරදර රාශියක් ඇති කරන අතර ආරක්ෂාව සහතික කිරීම සඳහා රහසිගත විසඳුම් රාශියක් අවශ්ය වේ.
2. අන්තයේ සිට අවසානය දක්වා පද්ධතිය විශාල ආකෘති හෝ පිරිසිදු දැක්ම මත පදනම් විය යුතුය.
අන්තයේ සිට අවසානය දක්වා ස්වයංක්රීය රිය පැදවීම, විශාල මාදිලියේ ස්වයංක්රීය රිය පැදවීම සහ තනිකරම දෘශ්ය ස්වයංක්රීය රිය පැදවීම අතර අවශ්ය සම්බන්ධයක් නොමැත, මන්ද ඒවා සම්පූර්ණයෙන්ම ස්වාධීන සංකල්ප වේ; අන්තයේ සිට අවසානය දක්වා වූ පද්ධතියක් අවශ්යයෙන්ම විශාල මාදිලි මගින් මෙහෙයවනු නොලබන අතර, එය අවශ්යයෙන්ම පවිත්ර දර්ශනයකින් ධාවනය නොවේ. හි.
3.දිගු කාලීනව, L3 මට්ටමට ඉහලින් ස්වයංක්රීය රිය පැදවීම සඳහා පටු අර්ථයකින් ඉහත සඳහන් කළ අන්තයේ සිට අවසානය දක්වා පද්ධතියට හැකිද?
දැනට Pure end-to-end FSD ලෙස හඳුන්වන දෙයෙහි කාර්ය සාධනය L3 මට්ටමේ අවශ්ය විශ්වසනීයත්වය සහ ස්ථාවරත්වය සපුරාලීමට ප්රමාණවත් නොවේ. වඩාත් කෙලින්ම කිවහොත්, ස්වයං-රිය පැදවීමේ ක්රමය මහජනතාවගේ පිළිගැනීමට අවශ්ය නම්, ප්රධාන වන්නේ සමහර අවස්ථාවල යන්ත්රය වැරදි කරන බවත්, මිනිසුන්ට ඒවා පහසුවෙන් විසඳිය හැකි බවත් මහජනයාට පිළිගත හැකිද යන්නයි. පිරිසිදු අන්තයේ සිට අවසානය දක්වා පද්ධතියක් සඳහා මෙය වඩාත් අපහසු වේ.
නිදසුනක් වශයෙන්, උතුරු ඇමරිකාවේ Waymo සහ Cruise යන දෙදෙනාම බොහෝ අනතුරුවලට මුහුණ දී ඇත. කෙසේ වෙතත්, කෲස්ගේ අවසාන අනතුර තුවාල දෙකක් ඇති කළේය, නමුත් එවැනි අනතුරු තරමක් නොවැළැක්විය හැකි අතර මිනිස් රියදුරන්ට පිළිගත හැකිය. කෙසේ වෙතත්, මෙම අනතුරෙන් පසු, පද්ධතිය අනතුර සිදුවූ ස්ථානය සහ තුවාල ලැබූ ස්ථානය වැරදි ලෙස විනිශ්චය කර පුල් ඕවර් මාදිලියට පහත හෙලීමෙන් තුවාල ලැබූවන් දිගු වේලාවක් ඇදගෙන යාමට හේතු විය. මෙම හැසිරීම කිසිදු සාමාන්ය මිනිස් රියදුරෙකුට පිළිගත නොහැකිය. එය සිදු නොවනු ඇත, ප්රතිඵල ඉතා නරක වනු ඇත.
තවද, මෙය ස්වයංක්රීය රියදුරු පද්ධති සංවර්ධනය කිරීමේදී සහ ක්රියාත්මක කිරීමේදී මෙම තත්වය මඟහරවා ගන්නේ කෙසේද යන්න පිළිබඳව අප හොඳින් සිතා බැලිය යුතු අවදි ඇමතුමකි.
4.ඉතින් මේ මොහොතේ, මීළඟ පරම්පරාවේ මහා පරිමාණයෙන් නිපදවන සහය ධාවන පද්ධති සඳහා ප්රායෝගික විසඳුම් මොනවාද?
මගේ වර්තමාන අවබෝධයට අනුව, රිය පැදවීමේදී ඊනියා අන්තයේ සිට අවසානය දක්වා මාදිලිය භාවිතා කරන විට, ධාවන පථය ප්රතිදානය කිරීමෙන් පසු, එය සම්ප්රදායික ක්රම මත පදනම් වූ විසඳුමක් ලබා දෙනු ඇත. විකල්පයක් ලෙස, ඉගෙනුම් පාදක සැලසුම්කරුවන් සහ සාම්ප්රදායික ගමන් පථ සැලසුම් ඇල්ගොරිතම එකවර ගමන් පථ කිහිපයක් ප්රතිදානය කර පසුව තේරීම්කාරකයක් හරහා එක් ගමන් පථයක් තෝරන්න.
මෙම පද්ධති ගෘහ නිර්මාණ ශිල්පය අනුගමනය කරන්නේ නම්, මෙවැනි රහස් විසඳුම සහ තේරීම මෙම කඳුරැල්ල පද්ධතියේ ක්රියාකාරීත්වයේ ඉහළ සීමාව සීමා කරයි. මෙම ක්රමය තවමත් පිරිසිදු ප්රතිපෝෂණ ඉගෙනීම මත පදනම් වී ඇත්නම්, අනපේක්ෂිත අසාර්ථකවීම් සිදුවනු ඇති අතර ආරක්ෂිත වීමේ ඉලක්කය කිසිසේත් සාක්ෂාත් කරගත නොහැක.
මෙම නිමැවුම් පථය මත සාම්ප්රදායික සැලසුම් ක්රම භාවිතා කරමින් නැවත ප්රශස්ත කිරීම හෝ තෝරා ගැනීම සලකා බලන්නේ නම්, මෙය ඉගෙනුම් ක්රමය මගින් නිපදවන ගමන් පථයට සමාන වේ; එබැවින්, අපි මෙම ගමන් පථය සෘජුවම ප්රශස්ත කර සෙවීම නොකරන්නේ මන්ද?
ඇත්ත වශයෙන්ම, සමහර අය පවසන්නේ එවැනි ප්රශස්තිකරණයක් හෝ සෙවුම් ගැටලුවක් උත්තල නොවන බවත්, විශාල රාජ්ය ඉඩක් ඇති බවත්, වාහනය තුළ ඇති පද්ධතියක තත්ය කාලීනව ධාවනය කළ නොහැකි බවත්ය. මෙම ප්රශ්නය ප්රවේශමෙන් සලකා බලන ලෙස මම සියලු දෙනාගෙන් ඉල්ලා සිටිමි: පසුගිය වසර දහය තුළ සංජානන පද්ධතියට පරිගණක බල ලාභාංශය මෙන් සිය ගුණයක්වත් ලැබී ඇත, නමුත් අපගේ PnC මොඩියුලය ගැන කුමක් කිව හැකිද?
අපි PnC මොඩියුලයට විශාල පරිගණන බලයක් භාවිතා කිරීමට ඉඩ දෙන්නේ නම්, මෑත වසරවල උසස් ප්රශස්තිකරණ ඇල්ගොරිතමවල යම් දියුණුවක් සමඟ ඒකාබද්ධව, මෙම නිගමනය තවමත් නිවැරදිද? මෙම ආකාරයේ ගැටලුවක් සඳහා, පළමු මූලධර්මවලින් නිවැරදි වන්නේ කුමක්දැයි අප සලකා බැලිය යුතුය.
5.දත්ත මත පදනම් වූ සහ සාම්ප්රදායික ක්රම අතර සම්බන්ධතාවය සමථයකට පත් කරන්නේ කෙසේද?
චෙස් ක්රීඩා කිරීම ස්වයංක්රීය රිය පැදවීමට බෙහෙවින් සමාන උදාහරණයකි. මෙම වසරේ පෙබරවාරි මාසයේදී, Deepmind විසින් "සෙවුම් නොමැතිව ග්රෑන්ඩ්මාස්ටර් මට්ටමේ චෙස්" නමින් ලිපියක් ප්රකාශයට පත් කරන ලද අතර, AlphaGo සහ AlphaZero හි MCTS සෙවුම දත්ත මත ධාවනය කිරීම පමණක් භාවිතා කිරීම සහ අත්හැරීම කළ හැකිද යන්න සාකච්ඡා කරයි. ස්වයංක්රීය රිය පැදවීම හා සමානව, ක්රියාවන් සෘජුව ප්රතිදානය කිරීම සඳහා එක් ජාලයක් පමණක් භාවිතා වන අතර, සියලු පසු පියවර නොසලකා හරිනු ලැබේ.
සැලකිය යුතු දත්ත ප්රමාණයක් සහ ආකෘති පරාමිතීන් තිබියදීත්, සෙවුමක් භාවිතා නොකර තරමක් සාධාරණ ප්රතිඵල ලබා ගත හැකි බව ලිපිය නිගමනය කරයි. කෙසේ වෙතත්, සෙවුම් භාවිතා කරන ක්රමවලට සාපේක්ෂව සැලකිය යුතු වෙනස්කම් තිබේ. සමහර සංකීර්ණ අවසන් ක්රීඩා සමඟ කටයුතු කිරීමට මෙය විශේෂයෙන් ප්රයෝජනවත් වේ.
බහු-පියවර ක්රීඩා අවශ්ය වන සංකීර්ණ අවස්ථා හෝ කෙළවර අවස්ථා සඳහා, මෙම සාදෘශ්යය තවමත් සම්ප්රදායික ප්රශස්තිකරණය හෝ සෙවුම් ඇල්ගොරිතම සම්පූර්ණයෙන්ම අත්හැරීම දුෂ්කර කරයි. AlphaZero වැනි විවිධ තාක්ෂණයන්හි වාසි සාධාරණ ලෙස භාවිතා කිරීම කාර්ය සාධනය වැඩි දියුණු කිරීමට හොඳම ක්රමයයි.
6.සාම්ප්රදායික ක්රමය = රීති මත පදනම් වූවක් නම්?
බොහෝ අය සමඟ කතා කරන විට මට මෙම සංකල්පය නැවත නැවතත් නිවැරදි කිරීමට සිදු විය. බොහෝ අය විශ්වාස කරන්නේ එය හුදු දත්ත මත පදනම් නොවන තාක් එය රීති මත පදනම් නොවන බවයි. උදාහරණයක් ලෙස, චෙස් ක්රීඩාවේදී, කටපාඩමින් සූත්ර සහ චෙස් වාර්තා කටපාඩම් කිරීම රීතිය මත පදනම් වේ, නමුත් AlphaGo සහ AlphaZero මෙන්, එය ප්රශස්තිකරණය සහ සෙවීම හරහා තාර්කික වීමේ හැකියාව ආකෘතියට ලබා දෙයි. මම හිතන්නේ එය රීති මත පදනම් වූවක් ලෙස හැඳින්විය නොහැක.
මේ නිසා, විශාල ආකෘතියම දැනට අතුරුදහන් වී ඇති අතර, පර්යේෂකයන් CoT වැනි ක්රම මගින් ඉගෙනුම්-ධාවන ආකෘතියක් ලබා දීමට උත්සාහ කරයි. කෙසේ වෙතත්, පිරිසිදු දත්ත මත පදනම් වූ රූප හඳුනා ගැනීම සහ පැහැදිලි කළ නොහැකි හේතු අවශ්ය වන කාර්යයන් මෙන් නොව, රිය පැදවීමේ පුද්ගලයෙකුගේ සෑම ක්රියාවක්ම පැහැදිලි ගාමක බලයක් ඇත.
සුදුසු ඇල්ගොරිතම වාස්තුවිද්යා සැලසුම යටතේ, විවිධ අවස්ථා නිරාකරණය කිරීම සඳහා බලහත්කාරයෙන් පැච් කිරීම සහ පරාමිතීන් සකස් කිරීම වෙනුවට විද්යාත්මක ඉලක්කවල මඟ පෙන්වීම යටතේ තීරණ ගමන් මාර්ගය විචල්ය විය යුතු අතර ඒකාකාරව ප්රශස්ත කළ යුතුය. එවැනි පද්ධතියකට ස්වභාවිකව සියලු ආකාරයේ දෘඩ කේත සහිත අමුතු නීති නොමැත.
නිගමනය
කෙටියෙන් කිවහොත්, අවසානය-අවසානය පොරොන්දු වූ තාක්ෂණික මාර්ගයක් විය හැකි නමුත්, සංකල්පය යෙදෙන ආකාරය වැඩි පර්යේෂණ අවශ්ය වේ. මම හිතන්නේ දත්ත සහ ආකෘති පරාමිති සමූහයක් එකම නිවැරදි විසඳුම නොවන අතර, අපට අනෙක් අය අභිබවා යාමට අවශ්ය නම්, අපි වෙහෙස මහන්සි වී වැඩ කළ යුතුය.
පසු කාලය: අප්රේල්-24-2024