Offene Klasse für autonomes Fahren von HaoMo Zhixing & Tsinghua AIR Dr. Pan Xing enthüllt vor Ort Haomos KI-Übungsstraße für autonomes Fahren

Da große KI-Modelle aus Deep-Learning-Algorithmen hervorgehen, werden sie zum heißesten neuen Technologieparadigma im aktuellen KI-Bereich. Auch die Technologie des autonomen Fahrens hat durch die Einführung der Großmodelltechnologie die Möglichkeit, sich vom modularen Stadium zum durchgängigen autonomen Fahren weiterzuentwickeln. KI-Großmodelle gestalten den technischen Weg des autonomen Fahrens neu.

Am 27. September wurde der hochwertige öffentliche Kurs zum autonomen Fahren, der gemeinsam von HaoMo Zhixing und dem Intelligent Industry Research Institute (AIR) der Tsinghua University organisiert wurde, erfolgreich abgeschlossen. Dieser offene Kurs konzentriert sich auf die derzeit führenden KI-Algorithmen für autonomes Fahren in Kombination mit den spezifischen Praktiken von Haomo und bietet ein umfassendes Technologiefest für autonomes Fahren für Praktiker des autonomen Fahrens, Industriepartner und Medienfreunde.

Dieser Kurs ist der dritte in einer Reihe öffentlicher Kurse zum autonomen Fahren. Der erste und zweite Kurs boten zuvor eine grundlegende Einführung in das Wissenssystem zum autonomen Fahren aus der Perspektive der Makroindustrie und technischer Prinzipien. In der dritten Ausgabe erläuterte Dr. Zhan von HaoMo Zhixing, vollständig erklärt aus dem Daten-Closed-Loop-System, wie der KI-Algorithmus für große Modelle in großen Datenmengen lernt und optimiert und wie er seine erstaunlichen Fähigkeiten in der Praxis demonstriert.

In der Präsentation mit dem Titel „End-to-End-Autonomes Fahren aus der Perspektive der Entscheidungsoptimierung“ ging Dr. Zhan Xianyuan vom Konzept des End-to-End aus und kombinierte es mit der 30-jährigen Entwicklungsgeschichte der autonomen Fahrbranche. erzählte allen von den durchgängigen autonomen Fahrmethoden, kombiniert mit der wissenschaftlichen Forschungskooperationspraxis von Tsinghua AIR und Hao Mo, um mithilfe des Al-Algorithmus Einblicke in den Entwicklungskontext der Branche zu gewinnen und Zusammenfassungen und Trends zu erstellen Urteile zur Branchenentwicklung.

Dr. Zhan Der Vorteil der ursprünglichen Modularität besteht darin, dass jedes Modul sehr sauber zerlegt wird, das Modellierungsziel jedes Moduls sehr klar ist und die Interpretierbarkeit sehr gut ist. Bei der modularen Architektur verfügt jedoch jedes Modul über ein eigenes Design- und Optimierungssystem. Die Kombination mehrerer Module führt unweigerlich zu einer Fehlerhäufigkeit. Die Vorteile von End-to-End liegen in den folgenden drei Punkten. Erstens kann das gesamte End-to-End-Modell als ein einziges, sehr großes Modell betrachtet werden, sodass die Struktur sehr einfach ist. Alle Ziele sind Optimierung und Lernen rund um das Endziel der Entscheidungsfindung Optimierungsgrad. Zweitens handelt es sich um ein durchgängiges Lernen von der Eingabe bis zur endgültigen Entscheidungsausgabe, mit dem sich rein datengesteuertes Lernen, das auf massiven Daten basiert, problemlos implementieren lässt. Drittens können die Backbones verschiedener Modulmodelle gemeinsam genutzt werden, da viele Modelle durchgängig im selben System trainiert werden, wodurch der Rechenaufwand reduziert wird.

Dr. Zhan Xianyuan stellte vor, dass alle End-to-End-Fahrmodelle als große Entscheidungsmodelle betrachtet werden können, die den Einsatz von Entscheidungsoptimierungsalgorithmen erfordern. Dabei handelt es sich um Nachahmungslernen und Verstärkungslernen, bei denen es sich um ein direkt aus Daten trainiertes Lernen handelt. Es bietet nicht nur die Möglichkeit, Daten selbst zu imitieren, sondern kann durch kontinuierliches Lernen optimiert werden Entscheidungsmodell als die verfügbaren Daten.

Nach Ansicht von Dr. Zhan Das autonome Fahren hat sich von frühen Online-Modellen weiterentwickelt und sich nach und nach auf ein vollständiges Offline-Lernen ausgeweitet. Je stärker und besser die Modelle werden, desto besser wird auch die Sicherheit, und auf der Generalisierungsebene gibt es langsam einige Verbesserungen und Übergänge. Darüber hinaus gab Dr. Zhan

Nach dem Vortrag von Dr. Zhan Xianyuan nahm Dr. Per Dr. Pershing sagte, dass sich Haimou als Technologieunternehmen für künstliche Intelligenz, das sich dem autonomen Fahren widmet, mehr als 80 Millionen Kilometer lang mit dem assistierten Fahren gefahren ist. Auch Urban NOH befindet sich im Prozess der Verallgemeinerung und Iteration und wird voraussichtlich nächstes Jahr die Massenproduktion erreichen .

Pershing sagte, dass die aktuelle Branche mit der Zunahme des Datenumfangs, der Verbesserung der Algorithmusfähigkeiten und Anwendungen im Trend zu großen Modellen, großen Datenmengen und großer Rechenleistung kurz vor dem Eintritt in die datengesteuerte Ära des autonomen Fahrens 3.0 stehe. Da sich autonome Fahrprodukte von Hochgeschwindigkeitsszenarien zu städtischen Szenarien entwickeln, ist der Aufbau von Datenintelligenzsystemen für autonomes Fahren die Kerninfrastruktur. Um einen geschlossenen Datenkreislauf zu erreichen, bauen Unternehmen wie Tesla, Haimo und viele inländische Unternehmen auch ihre eigenen Cloud-KI-Funktionen und Supercomputing-Zentren auf, um durch größere Rechenleistung und umfangreichere Datenverarbeitungsfunktionen bessere Ergebnisse zu erzielen.

Derzeit hat Haomo sein eigenes Datenintelligenzsystem MANA aufgebaut und Anfang dieses Jahres das größte intelligente Rechenzentrum in Chinas autonomer Fahrbranche gebaut – MANA OASIS Snow Lake Oasis. Basierend auf MANA OASIS veröffentlichte Haomo im April dieses Jahres das branchenweit erste generative Großmodell für autonomes Fahren, DriveGPT Xuehu·Hairuo. „Als grundlegendes großes Modell nutzt Haimo DriveGPT, um weitere KI-Funktionen aufzubauen, einschließlich Datenverwaltungsabruf, automatische Annotation, AIGC-Simulationsdatensynthese usw. Basierend auf diesen Datenfunktionen und -diensten verbessern wir die Leistung verschiedener Module und Algorithmen weiter.“ die Fähigkeiten des Fahrzeugs zu verbessern und letztendlich ein besseres autonomes Fahrprodukt zu erzielen.“

Dr. Pershing wies darauf hin, dass Datenintelligenz der Kern der gesamten Iteration des autonomen Fahrens ist. Durch große KI-Modelle können diese Datenbestände besser verwaltet werden. Gleichzeitig wird zwangsläufig Rechenleistung benötigt, sobald Daten verfügbar sind. Der stabile und kontinuierliche Betrieb des intelligenten Rechenzentrums sorgt auch für einen stetigen Strom an Leistung für die Iteration großer Modelle und die Verbesserung des autonomen Fahrens.

Dr. Pan Seien Sie sehr effektiv, die Kosten der gesamten Etikettierung zu reduzieren und die Effizienz der Etikettierung zu verbessern. Gleichzeitig kann DriveGPT auch große Modelle verwenden, um die Verbesserung der Fähigkeiten kleiner Modelle auf der Fahrzeugseite direkt zu unterstützen und die Fähigkeiten großer Modelle der Cloud besser auf die Modelle auf der Fahrzeugseite zu übertragen.

Dr. Pershing sagte auch: „Um realistischere Simulationsdaten effizient zu erhalten, können große Modelle eine sehr wichtige Rolle spielen. Textur, Tiefe, Semantik und andere Informationen können sehr effektiv erlernt werden.“ Durch die effektive Darstellung großer Modelle können die Daten bearbeitet werden. Beispielsweise können Fahrzeughindernisse, die nicht im Originalvideo enthalten sind, über DriveGPT eingefügt, bearbeitet, gedreht und in das Video eingefügt werden, wodurch eine neue synthetische Simulation entsteht Daten. Neben Anwendungen im Bereich der Wahrnehmung spielen große Modelle auch eine große Rolle bei der intelligenten Fahrentscheidung und -planung. DriveGPT nutzt Benutzerdaten des menschlichen Fahrens, um kontinuierlich zu iterieren und zu lernen, um ein besseres Fahrverhalten und eine bessere Entscheidungsfindung zu erreichen.

Gleichzeitig kann Haimo DriveGPT nicht nur bei der vollständigen Flugbahnvorhersage und Bildsynthese helfen, sondern verfügt auch über die Fähigkeit, intelligente Entscheidungen zu treffen. „DriveGPT verfügt über die Fähigkeit, ein Video einzugeben, um zukünftige Flugbahnen vorherzusagen und Fragen im Fahrentscheidungsprozess zu beantworten, und kann erklärbare Entscheidungen treffen, die Weimo davon überzeugen, dass mit dem Aufkommen des durchgängigen autonomen Fahrens Makros entstehen.“ Entscheidungsfindung und Mikroverhalten, gemeinsames Lernen und Verstehen durch Modelle werden zu einem effektiveren Mittel. Dr. Pershing verriet, dass Haimou als Nächstes die beiden Modelle der Wahrnehmung und des Erkennens tiefer miteinander verbinden wird, sodass sie in ein einziges integriert werden können.

HaoMo Zhixing und das Intelligent Industry Research Institute (AIR) der Tsinghua University haben einen hochwertigen öffentlichen Kurs zum Thema autonomes Fahren organisiert, der in vier Phasen unterteilt ist. In den beiden vorherigen Kursen haben Dozenten von Tsinghua AIR und Hao Mo Zhixing fast hundert Branchenmedien die Entwicklung autonomer Fahrtechnologien wie intelligentes autonomes Fahren für einzelne Fahrzeuge, kollaboratives autonomes Fahren zwischen Fahrzeug und Straße und intelligenten Straßenbau auf hohem Niveau vorgestellt Alle erklärten die Grundprinzipien der KI-Technologie für autonomes Fahren und die aktuellen Anwendungstrends großer Modelle im autonomen Fahren. In diesem hochwertigen offenen Kurs zum autonomen Fahren teilten Haimo und Tsinghua AIR tiefergehende KI-Algorithmen und Prinzipien autonomer Fahr-KI-Systeme mit Beobachtern aus der autonomen Fahrbranche und erhielten aktive Fragen und Austausch von Online- und Offline-Gästen.

Angesichts des selbstfahrenden Sternenmeeres kann nur Handeln das zukünftige Ziel wirklich erreichen. Durch die hochwertigen offenen Kurse zum autonomen Fahren haben Haimo und Tsinghua AIR mit führenden Medienvertretern der Branche zusammengearbeitet, um die neuesten Forschungsergebnisse und praktischen Erfahrungen zu Algorithmen für autonomes Fahren zu sammeln. Sie haben sich über Berge und Meere hinweg zusammengetan, um sie auszutauschen Nutzen Sie die Weisheit des KI-Wissens und tragen Sie zum wertvollen technischen Konsens und zur Wissensakkumulation bei.

Das obige ist der detaillierte Inhalt vonOffene Klasse für autonomes Fahren von HaoMo Zhixing & Tsinghua AIR Dr. Pan Xing enthüllt vor Ort Haomos KI-Übungsstraße für autonomes Fahren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!