Cours ouvert de conduite autonome HaoMo Zhixing et Tsinghua AIR Le Dr Pan Xing révèle sur place la route de pratique de l'IA de conduite autonome de Haomo

À mesure que les grands modèles d’IA émergent des algorithmes d’apprentissage profond, ils deviennent le nouveau paradigme technologique le plus en vogue dans le domaine actuel de l’IA. La technologie de conduite autonome a également la possibilité d’évoluer du stade modulaire à la conduite autonome de bout en bout grâce à l’introduction de la technologie des grands modèles. Les grands modèles d’IA remodèlent le parcours technique de la conduite autonome.

Le 27 septembre, le cours public de haute qualité sur la conduite autonome organisé conjointement par HaoMo Zhixing et l'Institut de recherche sur l'industrie intelligente (AIR) de l'Université Tsinghua s'est terminé avec succès. Ce cours ouvert se concentre sur les principaux algorithmes d’IA actuels pour la conduite autonome, combinés aux pratiques spécifiques de Haomo, offrant ainsi un festin technologique de conduite autonome de bout en bout aux praticiens de la conduite autonome, aux partenaires industriels et aux amis des médias.

Ce cours est le troisième d'une série de cours ouverts sur la conduite autonome. Les premier et deuxième cours fournissaient auparavant une introduction de base au système de connaissances sur la conduite autonome de la macro-industrie et aux principes techniques respectivement. Dans le troisième numéro, le Dr Zhan Xianyuan, chercheur adjoint/professeur adjoint à Tsinghua AIR, a expliqué les caractéristiques et les progrès actuels des algorithmes d'IA de conduite autonome de bout en bout du point de vue de l'optimisation des décisions, tandis que le Dr Pan Xing, directeur technique de HaoMo Zhixing, entièrement expliqué à partir du système de données en boucle fermée Comment l'algorithme d'IA grand modèle apprend et optimise les données massives, et comment il démontre ses étonnantes capacités dans la pratique.

Dans le partage intitulé « Conduite autonome de bout en bout du point de vue de l'optimisation des décisions », le Dr Zhan Xianyuan est parti du concept de bout en bout et combiné aux 30 ans d'histoire de développement de l'industrie de la conduite autonome, a parlé à tout le monde de la conduite autonome de bout en bout. Les méthodes d'apprentissage stratégique, combinées à la pratique de coopération en matière de recherche scientifique de Tsinghua AIR et Hao Mo, utilisent l'algorithme Al pour mieux comprendre le contexte de développement de l'industrie et dresser un résumé et une tendance. jugements sur le développement de l’industrie.

Le Dr Zhan Xianyuan a souligné que de bout en bout, en termes simples, intègre toutes les architectures et différents modules dans un tout complet, dispense la formation directement de l'entrée à la sortie et transmet les signaux d'apprentissage depuis le point de prise de décision. L'avantage de la modularité originale est que chaque module est démonté très proprement, l'objectif de modélisation de chaque module est très clair et l'interprétabilité est très bonne. Cependant, dans le cadre de l'architecture modulaire, chaque module possède son propre système de conception et d'optimisation. La combinaison de plusieurs modules entraînera inévitablement une accumulation d'erreurs. Les avantages du bout en bout résident dans les trois points suivants. Tout d'abord, l'ensemble du modèle de bout en bout peut être considéré comme un seul très grand modèle, donc la structure est très simple. Tous les objectifs sont l'optimisation et l'apprentissage autour de l'objectif ultime de la prise de décision. Les objectifs sont unifiés. niveau d'optimisation. Deuxièmement, il s’agit d’un apprentissage de bout en bout, depuis la saisie jusqu’à la décision finale, qui peut facilement mettre en œuvre un apprentissage purement basé sur les données et reposant sur des données massives. Troisièmement, étant donné que de nombreux modèles sont formés de bout en bout dans le même système, les structures de base des différents modèles de modules peuvent être partagées, réduisant ainsi la charge de calcul.

Le Dr Zhan Xianyuan a introduit que tous les modèles de conduite de bout en bout peuvent être considérés comme un grand modèle de prise de décision. La formation d'un tel modèle nécessite l'utilisation d'algorithmes d'optimisation de la prise de décision. Cela implique un apprentissage par imitation et un apprentissage par renforcement. L'apprentissage par imitation est une cartographie directement formée à partir de données à l'aide de méthodes d'apprentissage supervisé ; modèle de prise de décision que les données disponibles.

De l'avis du Dr Zhan Xianyuan, les premiers modèles de conduite autonome de bout en bout étaient tous de petits modèles de prise de décision, mais aujourd'hui, les systèmes de bout en bout mis en œuvre dans l'industrie sont tous d'énormes modèles de bout en bout. La conduite autonome a évolué depuis les premiers modèles en ligne. Le paradigme interactif s'est progressivement étendu à l'apprentissage entièrement hors ligne. À mesure que les modèles deviennent de plus en plus solides, la sécurité s’améliore de plus en plus, et des améliorations et des transitions se produisent lentement au niveau de la généralisation. En outre, le Dr Zhan Xianyuan a également donné une introduction détaillée à la coopération entre Tsinghua AIR et Haimou en matière d'apprentissage par imitation et d'apprentissage par renforcement hors ligne, et a déclaré que ces algorithmes seront progressivement appliqués à la pratique des scénarios de conduite autonome de Haimou.

Après le partage du Dr Zhan Xianyuan, le Dr Per Xing a pris comme thème « La route de Hai Mo vers l'IA de conduite autonome » et a expliqué l'importance des algorithmes d'IA d'un point de vue industriel à travers la pratique spécifique de Hao Mo. Le Dr Pershing a déclaré qu'en tant qu'entreprise de technologie d'intelligence artificielle dédiée à la conduite autonome, les utilisateurs de Haimou ont parcouru plus de 80 millions de kilomètres en conduite assistée. Urban NOH est également en cours de généralisation et d'itération et devrait atteindre une production de masse l'année prochaine. .

Pershing a déclaré qu'avec l'augmentation de l'échelle des données, l'amélioration des capacités des algorithmes et les applications sous la tendance des grands modèles, du big data et de la grande puissance de calcul, l'industrie actuelle est sur le point d'entrer dans l'ère de la conduite autonome 3.0, axée sur les données. Alors que les produits de conduite autonome passent des scénarios à grande vitesse aux scénarios urbains, la construction de systèmes d'intelligence des données de conduite autonome constitue l'infrastructure de base. Afin de parvenir à une boucle de données fermée, des entreprises telles que Tesla, Haimo et de nombreuses entreprises nationales construisent également leurs propres capacités d'IA dans le cloud et leurs centres de calcul intensif pour obtenir de meilleurs résultats grâce à une plus grande puissance de calcul et des capacités de traitement de données à plus grande échelle.

Actuellement, Haomo a construit son propre système d'intelligence de données MANA et a construit au début de cette année le plus grand centre informatique intelligent de l'industrie de la conduite autonome en Chine - MANA OASIS Snow Lake Oasis. Basé sur MANA OASIS, Haomo a lancé le premier grand modèle génératif de conduite autonome du secteur, DriveGPT Xuehu·Hairuo, en avril de cette année. « En tant que grand modèle de base, Haimo utilise DriveGPT pour développer d'autres capacités d'IA, notamment la récupération de gestion des données, l'annotation automatique, la synthèse de données de simulation AIGC, etc. Sur la base de ces capacités et services de données, nous améliorons encore les performances de divers modules et algorithmes sur les capacités du véhicule, et finalement obtenir un meilleur produit de conduite autonome.

Le Dr Pershing a souligné que l'intelligence des données est au cœur de toute l'itération de conduite autonome. Dans ce processus, des actifs de données massifs doivent être accumulés grâce à de grands modèles d'IA, ces actifs de données peuvent être mieux gérés. Dans le même temps, la puissance de calcul est inévitablement nécessaire une fois les données disponibles. Le fonctionnement stable et continu du centre de calcul intelligent fournit également un flux constant de puissance pour l'itération de grands modèles et l'amélioration de la conduite autonome.

Le Dr Pan Xing a déclaré : « Grâce aux données et à la puissance de calcul, la liaison voiture-cloud actuelle et les méthodes de formation conjointes peuvent améliorer efficacement l'effet des algorithmes côté voiture grâce à de grands modèles. Par exemple, en utilisant DriveGPT, la chaîne d'outils peut. être très efficace pour réduire le coût de l'ensemble de l'étiquetage et améliorer l'efficacité de l'étiquetage. Dans le même temps, DriveGPT peut également utiliser de grands modèles pour soutenir directement l'amélioration des capacités des petits modèles côté voiture et mieux transférer les capacités des grands modèles du cloud vers les modèles côté voiture.

Le Dr Pershing a également déclaré : « Comment obtenir efficacement des données de simulation plus réalistes, les grands modèles peuvent jouer un rôle très important. » Grâce à l'utilisation de grands modèles, la texture, la profondeur, la sémantique et d'autres informations peuvent être apprises de manière très efficace. Grâce à la représentation efficace de grands modèles, les données peuvent être modifiées. Par exemple, les obstacles du véhicule qui ne figurent pas dans la vidéo originale peuvent être collés, édités, pivotés à volonté et insérés dans la vidéo via DriveGPT, obtenant ainsi une nouvelle simulation synthétique. données. En plus des applications dans le domaine de la perception, les grands modèles jouent également un rôle important dans la prise de décision et la planification de conduite intelligente. DriveGPT utilise les données utilisateur de la conduite humaine pour itérer et apprendre en permanence afin d'obtenir un meilleur comportement de conduite et une meilleure prise de décision.

Dans le même temps, Haimo DriveGPT peut non seulement aider à compléter la prédiction de trajectoire et la synthèse d'images, mais a également la capacité de prendre des décisions intelligentes. "DriveGPT a la capacité de saisir une vidéo pour prédire les trajectoires futures et répondre aux questions liées au processus de prise de décision en matière de conduite, et peut donner des décisions interprétables. Ces capacités font croire à Weimo qu'avec l'avènement de la conduite autonome de bout en bout, la macro." la prise de décision et le micro-comportement, l'apprentissage et la compréhension ensemble à travers des modèles deviendront un moyen plus efficace. Le Dr Pershing a révélé que Haimou relierait ensuite plus profondément les deux modèles de perception et de cognition de bout en bout afin qu'ils puissent être intégrés en un seul.

HaoMo Zhixing et l'Institut de recherche sur l'industrie intelligente (AIR) de l'Université Tsinghua ont organisé un cours ouvert de haute qualité sur la conduite autonome, divisé en 4 phases. Ce cours est le troisième. Dans les deux cours précédents, des professeurs de Tsinghua AIR et Hao Mo Zhixing ont présenté le développement de technologies de conduite autonome telles que la conduite autonome intelligente pour un seul véhicule, la conduite autonome collaborative véhicule-route et la construction de routes intelligentes de haut niveau à près d'une centaine de médias industriels. Les gens ont expliqué les principes de base de la technologie d'IA de conduite autonome et les tendances actuelles d'application des grands modèles dans la conduite autonome. Dans ce cours ouvert de haute qualité sur la conduite autonome, Haimo et Tsinghua AIR ont partagé des algorithmes d'IA plus approfondis et les principes des systèmes d'IA de conduite autonome avec des observateurs du secteur de la conduite autonome, et ont reçu des questions et des échanges actifs d'invités en ligne et hors ligne.

Face à la mer des étoiles autonomes, seule l'action peut véritablement atteindre l'objectif futur. Grâce aux cours ouverts de haute qualité sur la conduite autonome, Haimo et Tsinghua AIR se sont associés à des professionnels des médias de haut niveau du secteur pour récolter les derniers résultats de recherche et l'expérience pratique sur les algorithmes de conduite autonome. Ils ont uni leurs mains à travers les montagnes et les mers pour les partager. la sagesse des connaissances en IA et contribuer à l’industrie de la conduite autonome. Précieux consensus technique et accumulation de connaissances.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!