'데이터 기반'은 오랫동안 자율주행 업계의 기본 합의였지만, 실제로 지금까지 데이터 기반 딥러닝 알고리즘은 여전히 인식 모듈에서 주로 사용되지만 규제 및 제어에서는 거의 사용되지 않습니다
Get 기사의 주제에 앞서, 이 기사에서 언급한 '규정'이 무엇인지 간략하게 설명할 필요가 있습니다.
자율주행 산업에 종사하는 모든 사람은 인식, 위치 결정, 의사결정, 계획, 제어의 주요 모듈을 알아야 한다고 생각합니다. 비록 일상적인 의사소통에서 모든 사람이 이러한 구별을 하지만, 여전히 분류된다면 조금 문제가 될 것입니다. 이런 식으로 특정 작업에 사용됩니다.
여기서 문제는 의사결정에 있습니다. 대체로 의사결정에는 예측이 포함되며 예측의 구분은 매우 어색합니다. 예측 자체는 인식과 관련이 높지만 예측은 의사결정의 전 단계입니다. - 제작은 예측 후에만 가능합니다.
이미 일어난 모든 확립된 사실을 T0+라고 부를 수 있으며, 인식은 이미 일어난 확립된 사실입니다. 예를 들어, 미래에 자동차가 어떻게 움직여야 하는지, 다른 사람들이 무엇을 할 것인지는 모두 미래에 일어날 일들입니다.
T0을 유역으로 사용하면 이점이 있습니다. 인식 링크는 도로에서 발생한 확립된 사실에만 관심을 가지면 되며, 이 확립된 사실을 기반으로 한 모든 추론은 의사 결정 부분에 직접 포함될 수 있습니다.
이러한 분류는 예측 결과와 의사 결정 부분을 더 밀접하게 결합하여 예측과 인식 간의 관계를 인위적으로 "약화"하고 예측과 의사 결정 간의 관계를 "강화"할 수 있습니다. 실제 작업에 반영되면 이 부서는 무엇을 예측해야 하는지, 그리고 예측 결과를 의사 결정에 더 잘 사용하는 방법을 더 잘 결정할 수 있습니다. (위 내용은 저자가 Leadjun Technology CEO Yang Wenli 박사와 소통한 후 요약한 것입니다)
위의 논리에 따르면, 자율주행 기업은 대개 PNC 그룹을 두고 있으며, PNC 그룹의 주요 업무는 다음과 같습니다. 규제 업무를 담당합니다. 모두가 PNC 그룹에서 오랫동안 일한 후에는 예측, 의사 결정, 계획 및 통제를 총칭하여 "규제 및 통제"라고 부릅니다.
그렇다면 이 "규제 및 통제"는 이 글에서 "규제 및 통제"라고 하는 것입니다.
다음으로 '데이터 기반'과 '규제 및 제어'를 결합해 보겠습니다.
'데이터 기반'이 오랫동안 자율주행 산업의 기본 합의가 되었지만, 실제로 지금까지 데이터 기반 딥러닝 알고리즘은 여전히 인식 모듈에 주로 사용되지만 규제 및 제어에는 거의 사용되지 않습니다. 현재 업계의 규제 관련 알고리즘은 주로 규칙 중심입니다.
현재 공개된 자율주행 제어 알고리즘 정보는 주로 규칙 기반 알고리즘에 대한 내용이지만, 채용 소프트웨어를 열어보면 자율주행 기업이 제어 알고리즘 엔지니어를 채용할 때 지원자들에게 딥러닝 알고리즘을 이해하도록 요구하는 경우가 종종 있습니다. 어느 정도 이는 또한 많은 기업이 현재 하이브리드 의사 결정 알고리즘을 향해 "진군"하고 있음을 보여줍니다.
자율주행 기업의 채용 요건에서 나온 사진입니다
현재 자율주행 제어에 딥러닝 알고리즘을 적용하는 방법을 완전하고 세심하게 설명하는 기사는 거의 없습니다. 따라서 이 글에서는 규칙의 한계와 딥러닝 알고리즘의 잠재적 이점, 현 단계에서 딥러닝 알고리즘이 아직 대규모 제어 알고리즘에 적용될 수 없는 이유, 향후 제어 알고리즘이 규칙 기반이 될 것인지 딥러닝 기반이 될 것인지에 대해 논의할 것입니다. .세 가지 측면에 대해 자세히 설명하겠습니다.
1. 규칙 기반 알고리즘에는 한계가 있습니다
현재 규제 관련 알고리즘은 주로 규칙 기반이지만 자율주행 수준의 개선 및 적용으로 시나리오가 계속 확장됨에 따라 규칙 기반 제어 알고리즘은 실제 테스트에서 한계를 드러낼 것입니다.
규칙 기반 규제 및 제어 알고리즘의 단점은 주로 비결정적 시나리오, 강력한 상호 작용 시나리오, 강력한 주관적 시나리오의 세 가지 범주에서 드러납니다.
(1) 비결정적 시나리오
비결정적 시나리오는 결정적 시나리오와 관련이 있습니다. 가장 간단한 결정적 시나리오는 빨간 신호등에서 정지하고 녹색 신호등이 켜졌을 때 가는 것입니다. 흰색 점선에서는 차선을 변경할 수 없습니다. 이러한 유형의 장면보다 "비결정적 시나리오"로 간주될 수 있습니다.
예를 들어 대부분의 경우 자동차는 차선이 있는 도로에서 주행하지만 어떤 경우에는 현재 도로가 3개의 주요 도로와 1개의 보조 도로로 구성되어 있으며 보조 도로와 보조 도로 사이에는 차선만 있고 녹지대는 없습니다. 주요 도로는 보조 도로의 차량이 어떤 상황에서도 주요 도로에 합류할 수 있음을 의미합니다. 이는 일반적인 비결정적 시나리오입니다. 대부분의 운전자는 실선과 점선을 전혀 신경 쓰지 않기 때문에 언제 갑자기 주변에 자동차가 나타날지, 차선을 직접 변경할 가능성이 얼마나 될지 알 수 없습니다.
도로 위의 다른 차량의 궤적은 확률적이기 때문에 규칙 기반 알고리즘은 처리하기 어렵습니다.
(2) 강력한 상호 작용 장면
가장 일반적인 장면은 교차로입니다. 한 장면에 있는 여러 객체의 경로는 서로 상호 작용하고 영향을 미치므로 상호 작용에는 특정 게임이 있습니다.
매우 복잡한 도로 장면에서 주변 차량을 지속적으로 예측하고 상호 작용 결과에 따라 계획을 조정하는 것은 인간의 규칙으로 명확하게 설명할 수 없습니다.
(3) 주관적인 장면이 강함
간단히 말해서, 사람들은 다양한 도로 상황에서 환경에 따라 무의식적으로 자신의 차와 앞차 사이의 거리를 조정하게 됩니다. 인간의 두뇌를 움직이는 일련의 규칙이 있을 수 있지만 이러한 규칙은 매우 추상적이고 구체적으로 정의할 수 없기 때문에 차선 변경 시점, 교차로에서 다른 차량에 대한 반응 등과 같은 형언할 수 없는 것만 이해할 수 있습니다.
일부 시나리오에서는 규칙 알고리즘을 사용하여 자동차 소유자의 일부 행동과 운전 스타일을 모방할 수 있지만 인간의 주관적인 습관은 규칙을 사용하여 해결하기 어렵고 해결 가능하더라도 많은 인력이 필요합니다.
규칙 기반 알고리즘을 사용하여 코너 케이스를 처리할 때 가장 어려운 부분은 예측 단계입니다. 왜냐하면 자율주행차는 자체 차량의 궤적을 예측하는 것 외에도 "다른 도로 사용자"의 궤적도 예측해야 하며 도로에는 종종 한 명 이상의 "다른 도로 사용자"가 있고 서로 상호 작용하기 때문입니다. 서로의 궤적을 예측하는 것은 어렵습니다.
예측을 할 때 인간 운전자는 자동차의 과거 궤적과 운전자의 운전 스타일을 관찰하여 '경험'과 '직관'을 바탕으로 결정을 내립니다. 그러나 규칙 기반 알고리즘은 인간과 유사한 예측 효과를 얻기가 어렵습니다.
또한 차량이 코너 상황에 직면해 브레이크를 밟아야 할 경우 규칙 기반 제어 시스템으로는 항상 부드러운 곡선을 보장하기가 어렵습니다.
예를 들어, 앞에 매우 저속으로 주행 중인 차량이 있는데 자율주행 시스템에서 '추월할 오른쪽으로 차선을 변경하세요'라는 지시를 내렸는데, 차선 변경을 절반쯤 했을 때, 갑자기 옆에 우회전하는 차량이 있습니다. 고속으로 측면 차선에서 추월할 경우 의사결정 시스템은 즉시 차선 변경 결정을 취소하고 차량이 원래 위치로 돌아올 수 있도록 부드러운 곡선을 생성합니다. 레인.
여기서 어려운 점은 어떻게 편안함, 안전성, 효율성, 동력 모델의 실현 가능성 등 요소의 균형을 맞추고, 이때 생성되는 궤적 계획 경로가 원활한지 확인하는 것입니다.
그래도 위의 예를 예로 들자면, 이때 생성된 경로가 원활하다고 보장할 수 없다면 차량은 매우 "힘들게" 운전하게 되고 운전 중에 매우 불편해질 것입니다. 운전자/승객이 이때 주변에서 일어나는 긴급 상황을 볼 수 있고 시스템이 제때에 사고를 피할 수 있도록 도와준다면, 갑자기 브레이크를 밟아도 승객은 시스템이 매우 안정적이라고 생각할 것입니다. 운전 시스템이 "사고를 예방하는 데 도움이 되었습니다."
그러나 현실은 대부분의 경우 시스템이 이미 문제를 발견하고 직접 "즉각 해결"하는 결정을 내렸다는 것입니다. 그러나 문제는 대부분의 운전자/승객이 "평범해 보이는" 차선 변경이 단지 "거의 사고를 일으켰을" 뿐이라는 사실을 모르고 뒤에서 차가 오는 것도 알아차리지 못할 수도 있다는 것입니다. 따라서 이때 제어 시스템이 부드러운 곡선을 생성하지 못하면 운전자/승객은 시스템이 "사고를 피하는 데 도움이 됐다"고 생각할 뿐만 아니라 시스템이 "너무 경직되어" "흔들린다"고 비난하게 될 것입니다. 차선 변경할 때 가세요."
이러한 유형의 문제는 규칙 기반 알고리즘을 사용하여 해결할 수도 있지만 해결 과정이 매우 까다롭습니다.
또한 이론상 일부 롱테일 시나리오는 규칙 기반 알고리즘으로도 해결할 수 있지만 실제 작업에서는 엔지니어가 너무 많은 컴퓨팅 리소스를 차지하지 않고 이러한 복잡한 코드가 문제를 해결할 수 있는지 확인하기가 어렵습니다. . 이러한 코드는 오프라인 시스템에서 쉽게 실행할 수 있지만, 차에 탑승한 후에 온보드 칩이 그렇게 엄청난 컴퓨팅 성능 소비를 지원할 수 있습니까? 이러한 문제를 해결하는 것은 엔지니어의 코딩 수준과 엔지니어링 능력을 크게 테스트합니다.
게다가 일부 엔지니어는 수천 줄의 코드를 작성하고 자신이 작성한 내용을 잊어버렸을 수도 있습니다. "미래"의 어느 시점에 새로운 요구 사항이 추가되면 시스템을 유지 관리하기가 어려워질 것입니다.
2. 딥 러닝 알고리즘은 적절한 시나리오에서 시스템의 의인화를 향상시킬 수 있습니다.
위에서 규칙 알고리즘의 많은 한계를 언급했지만 실제로 규칙 알고리즘의 한계는 그 이상입니다. 모든 문제를 종합적으로 살펴보면 규칙 알고리즘의 '낮은 의인화'라고 통칭할 수 있습니다.
소위 의인화란 운전 중에 시스템이 '늙은 운전자'처럼 보이는지 여부를 말합니다. Hao Mo Zhixing의 제어 알고리즘 전문가는 "의인화된 베테랑 운전자의 핵심 능력은 변화에 적응하는 것입니다. 규칙 기반 시스템을 사용하려면 시나리오를 구별하기 위해 많은 규칙을 설정하고 많은 환경 매개변수를 설정해야 합니다. 그리고 비용 함수를 끊임없이 탐색하는 것은 수학적으로 실시간으로 달성하기 어렵습니다. "
현재 도로에서 테스트할 수 있는 자율주행차는 대부분의 경우 '초보 운전자'에 가깝고, '숙련된 운전자'에 가깝습니다. '는 '초보 운전자'와 다릅니다. '가장 큰 차이점은 '경력 운전자'가 예측 능력이 더 뛰어나고 롱테일 시나리오에 더 잘 적응할 수 있다는 점입니다.
둘에 비해 대부분의 "초보 운전자"도 매우 안전하지만 "초보 운전자"는 도로에서 운전할 때 "어리석은" 반면, "숙련된 운전자"는 안전을 보장하면서 더 원활하게 운전할 수 있으며 효율성이 높습니다. 이러한 차이를 "가석방 경험"이라고 합니다.
기본적으로 "초보 운전자"는 도로에서 "운전 학교 기반 교재"에 더 의존하고, 의사 결정 및 계획 방법은 if else(규칙 알고리즘)에 더 가까운 반면, "숙련 운전자"는 경험과 결정을 내릴 때 주관적인 판단. 의사 결정 및 계획 방법은 상대적으로 추상적이며 "딥 러닝 알고리즘"에 가깝습니다.
요약하자면, 규제 및 제어 프로세스에 딥 러닝 알고리즘을 도입하고 인간 운전자의 경험을 통해 최대한 학습하며 자동으로 기능을 개선하여 패턴을 찾는 방식으로 규제 및 제어 알고리즘의 '의인화'를 향상할 수 있습니다.
이번 AI Day에서 Tesla가 언급한 데이터 엔진은 신경망에 데이터를 입력하여 실제 예측 문제를 더 잘 해결함으로써 확실성을 향상시킬 것입니다.
Qingzhou Zhihang의 계획 및 제어 알고리즘 담당자는 예측(다른 차량의 미래 궤적 판단)이 딥 러닝 알고리즘을 대규모로 적용하는 데 가장 적합하고 첫 번째 단계라고 믿습니다. 그는 "Qingzhou Zhihang의 예측 알고리즘은 딥 러닝을 사용합니다."라고 말했습니다.
특히 시나리오 측면에서 그는 인간의 주관적 판단에 크게 의존하는 시나리오는 딥 러닝 알고리즘의 도움을 받아야 한다고 믿습니다.
“예를 들어 의사 결정을 위해 기존 분류 AI 모델(딥 러닝 또는 기존 머신 러닝 분류 모델일 수 있음)을 사용할 수 있고, 궤도 생성을 위해 딥 러닝을 사용하여 경로 계획을 안내하고, 엔드투엔드 강화 학습을 사용할 수 있습니다. 모션 계획(최종 궤적 계획)을 안내하기 위해 수행해야 하는 현재 작업”
이 전문가는 또한 구조화된 고속 장면은 기존 알고리즘으로 해결하기 쉬운 반면 구조화되지 않은 도시 장면은 더 큰 문제가 있을 수 있다고 믿습니다. AI 모델을 활용합니다.
Zhitu는 고속 램프 교차로 시나리오의 의사 결정 과정에서 강화 학습 알고리즘을 사용합니다.
Lingjun Technology의 CEO인 Yang Wenli 박사는 딥 러닝 알고리즘의 중요성과 적용 가능성이 자율 주행의 다양한 모듈에서 정확히 동일하지 않다고 믿습니다.
“지각-융합-예측-의사결정-계획-제어 과정에서 딥러닝 알고리즘의 효과는 빠를수록 좋습니다.”
Yang Wenli 박사는 다음과 같이 말했습니다. 그러나 실수는 허용되며 정확성과 재현성에 대한 어느 정도의 허용 오차가 있으므로(이후의 융합과 의사결정을 통해 지각 오류를 수정할 수 있기 때문에) 딥러닝 방법이 더 적합합니다
"의사결정에 있어서 부분, 규칙, 학습은 각각의 장점이 있으므로 딥러닝 방식을 사용하여 성능을 향상하고 규칙 방식을 사용하여 보안을 보장하는 하이브리드 아키텍처를 사용합니다.
“제어 시스템은 데이터 양이 적고 신뢰성에 대한 요구 사항이 강하며 오류의 여지가 전혀 없습니다. 그러나 딥 러닝 알고리즘을 사용하면 성능을 향상시킬 수 없을 뿐만 아니라 불확실성과 신뢰할 수 없는 요소가 발생할 수도 있으므로 그렇지 않습니다. 게다가 제어의 기반 기술은 200년의 역사를 갖고 있어 수학적 증명이 완벽해 딥러닝을 사용할 필요가 없습니다.” 게다가 계획에 오류가 있는 경우에도 마찬가지입니다. 알고리즘을 사용하려면 제어 알고리즘도 안전해야 합니다. 기존 제어 알고리즘의 PID에서는 안전을 보장하기 위해 제어 계층이 계획 계층에서 발행한 "잘못된 지침"의 실행을 거부할 수 있습니다. 예를 들어 계획에서 차량을 120km/h로 주행하라는 명령을 내렸지만 차량 자체 하드웨어가 120km/h의 속도를 지원할 수 없는 경우 제어 알고리즘이 확인을 수행하고 직접 실행을 거부할 수 있습니다. 차량이 전복되지 않고 정상적으로 작동할 수 있도록 지시합니다.
제어 알고리즘이 모든 오류를 커버하려면 신뢰성을 보장하기 위해 규칙 기반 알고리즘을 사용해야 합니다.
이를 바탕으로 "딥 러닝 알고리즘을 규제 및 제어에 적용한다"라고 하면 모두가 "규제 및 제어"라고 부르는 것은 실제로 주로 예측, 의사결정 및 계획을 의미하며 제어는 포함하지 않습니다.
실용적인 기술 문제를 해결하는 것 외에도 딥 러닝 알고리즘에는 무시할 수 없는 큰 이점이 있는데, 이는 GPU 또는 신경망 전용 프로세서를 최대한 활용하여 CPU 컴퓨팅 전력 소비를 줄이는 것입니다.
특정 기능을 구현하기 위해 자율주행 개발 초기 단계에서 사용되는 복잡한 규칙 코드는 CPU 컴퓨팅 성능을 많이 소모하게 됩니다. 그러나 온보드 칩의 설계는 일반적으로 딥러닝 컴퓨팅 성능을 향상시키는 경향이 있으며, CPU 부분의 컴퓨팅 성능은 제한되어 있습니다. 엔지니어는 저장 방법을 찾아야 합니다. 다수의 복잡한 규칙 기반 알고리즘을 딥러닝 알고리즘으로 대체함으로써 CPU 컴퓨팅 파워를 크게 절약할 수 있습니다.
Qingzhou Zhihang 계획 및 제어 알고리즘 전문가들은 도시형 NOA 대량 생산 차량은 일반적으로 임베디드 칩을 사용하며 CPU는 ARM 아키텍처를 기반으로 하며 CPU 컴퓨팅 전력 자원은 X86 아키텍처 기반 L4 데모 차량과 비교할 수 없다고 믿습니다. L4에 가까운 운전 경험을 달성하려면 공급업체가 규제 및 제어 프로세스에 딥러닝 알고리즘을 도입하고 딥러닝 전용 프로세서에 컴퓨팅 부하를 부여하는 노력이 필요합니다.
02 현 단계에서는 딥러닝 알고리즘을 대규모 제어 알고리즘에 적용할 수 없습니다
딥러닝 알고리즘에도 단점이 많기 때문입니다. 딥러닝 알고리즘이 단기적으로 규칙보다 덜 효과적이게 되는 것도 바로 이러한 단점 때문입니다.
1. 인간 운전자의 운전 행동이 '학습할 가치가 있는지' 여부를 말하기는 어렵습니다.이상적인 세계에서는 훈련에 더 많은 데이터를 사용할수록 딥 러닝 알고리즘이 더 잘 작동하지만, 어떤 경우에는 데이터 양이 증가하면 알고리즘의 효과가 감소할 수 있습니다. 왜 이런거야?
딥 러닝 알고리즘은 제어 알고리즘에 적용되기 전에 먼저 다수의 인간 운전자의 운전 행동을 학습해야 합니다. 그러나 문제는 운전자마다 운전 스타일이 다르며, 동일한 운전자의 운전 스타일이 서로 다른 상황에서는 그렇지 않다는 것입니다. 일관성이 있다면 인간 운전자의 운전 행동이 학습할 가치가 있는 좋은 데이터인지 어떻게 보장할 수 있을까요?
예를 들어 교차로에서 차선을 변경할 때 평소 운전 중에는 실선을 눌러 차선을 변경할 수 없지만, 많은 운전자가 실선을 눌러 차선을 변경하는 것을 좋아하는 경우가 많습니다.
Pony.ai의 제어 알고리즘 전문가는 다음과 같이 말했습니다. “인간 운전자도 운전할 때 나쁜 습관이 많습니다. 맹목적으로 의인화를 추구하고 자율 주행 시스템의 세 가지 주요 최적화 목표인 안전, 편안함, 효율성을 무시한다면, 사실 AI 모델을 사용해 기존 알고리즘의 단점을 보완하더라도 이 세 가지 차원을 중심으로 개선해야 합니다. "
따라서 많은 경우 데이터는 " "미리 청소됩니다. 학습 알고리즘이 효과적일 때만 더 좋아질 것입니다. 그러나 대규모 실시간 데이터 정리의 효율성과 품질을 어떻게 보장할 수 있을까요? 이것은 문제입니다.
이 문제에 대응하여 일부 회사에서는 운전자의 운전을 잘하는지 여부를 평가하고 좋지 않은 것을 필터링하기 위해 인위적으로 몇 가지 규칙을 설정했지만 이는 규칙을 사용하여 딥 러닝을 "제약"하는 것입니다. , 이 접근 방식은 너무 단순하고 조잡하며 "목욕물과 함께 아기를 버리고" 유용한 운전 행동 데이터를 실수로 삭제하는 것일 수 있습니다.
2. 딥러닝 알고리즘은 규칙보다 수요 변화에 대처하기 더 어렵습니다
모 자율주행 회사의 알고리즘에서는 도로 주행 시 앞차와의 안전거리가 5미터 이상이어야 한다고 규정하고 있습니다. 도로. 어느 날 제품 관리자는 새로운 요구 사항을 제시했습니다. 도로에서 정상적으로 주행할 때 앞 차량과의 안전 거리가 5미터 이상에서 10미터 이상으로 변경되었습니다.
이 상황은 딥 러닝 알고리즘의 문제를 드러낼 것입니다. 엔지니어가 요구 사항에 따라 모델을 변경하려면 모델을 재교육해야 하며 이는 매우 비용이 많이 듭니다. 하지만 규칙 기반 알고리즘을 사용하면 이때는 매우 간단하며 코드 몇 줄이면 문제를 해결할 수 있습니다.
그리고, 사고가 발생하면 딥러닝 알고리즘은 규칙 알고리즘처럼 최단 시간에 문제가 어디에 있는지 빠르게 알아내기가 어렵습니다.
3. 딥러닝 알고리즘의 효과는 규칙만큼 좋지 않을 수 있습니다
Qingzhou Zhihang 제어 알고리즘 전문가는 다음과 같이 말했습니다: 데이터 인프라가 불완전할 때 AI 모델을 도입하면 AI의 성능이 저하됩니다. 모델은 기대에 부응하기 어려울 것입니다.
예를 들어 ACC 추종 거리는 간단한 테스트 보정을 통해 확인할 수 있지만 AI 모델을 통해 동일한 효과를 얻기 어려울 수 있습니다. 주된 이유는 많은 기업의 데이터 인프라가 불완전하고 다양한 자동차 추적 시나리오에서 다양한 데이터를 찾을 수 있는 방법이 없기 때문에 규칙 성능을 충족하거나 초과하는 모델을 훈련하기 어렵기 때문입니다.
Haomo Zhixing의 제어 알고리즘 전문가도 다음과 같이 말했습니다. "현재 AI 모델 효과는 규칙을 완전히 깨뜨리지 못했습니다. 인간과 유사하려고 노력하지만 효과가 충분하지 않습니다. 왜냐하면 모델 아키텍처, 입력 및 출력 정의 및 이런 종류의 인지 네트워크에 대한 데이터 준비는 아직 충분하지 않습니다. 아직 완전히 완성되지 않았고, 아직 인지 모델 수준에 도달하지도 못했습니다. 아직은 탐색 중입니다(하지만 1년 안에 큰 진전이 있을 것으로 생각합니다). ”
4. 딥러닝 알고리즘을 이해하려면 여전히 규칙이 필요합니다.
도로에서 차량을 운전하는 과정에서는 의사결정 알고리즘의 오류를 완전히 피할 수 없습니다. 왜냐하면 사람이 운전을 한다고 하더라도, 숙련된 운전자가 아무리 능숙하더라도 그의 의사결정이 항상 완전히 정확할 것이라고 보장할 수는 없으며, 딥러닝 모델을 기반으로 한 의사결정 알고리즘도 마찬가지이기 때문입니다.
따라서 개발자는 시스템을 설계할 때 "의사결정 알고리즘이 실수할 가능성"을 고려해야 하며, 의사결정 알고리즘이 실수할 것이라는 잠재적인 사실을 "수용"할 수 있도록 "심리적으로 준비"해야 합니다.
이와 관련하여 Lingjun Technology는 하이브리드 의사결정 아키텍처를 채택하고 있습니다. 회사 CEO인 Yang Wenli 박사는 “딥 러닝 알고리즘은 인간의 운전 경험을 잘 학습하고 규칙을 설계하기 때문에 성능 향상에 주로 사용됩니다. 완전히 테스트되고 입증된 것은 안전을 보장하고 더 높은 우선순위를 갖는 데 사용됩니다." 더 자세히 살펴보면 계획 계층에서 의사 결정에서 "잘못된 지침"을 거부할 수도 있습니다. 예를 들어 장애물의 입력 속도와 크기는 특정 범위 내에 있어야 합니다(예를 들어 "이륙"과 같은 속도가 100m/s인 자동차는 있을 수 없습니다). "왼쪽으로 차선 변경" 지시가 있는데, 이는 왼쪽에 차량이 있는 경우, 이때 차선 변경 시 공간계획에 대한 완전한 해결책이 없기 때문에 계획은 직접적으로 "지시 실행을 거부"할 수 있다.
이전 링크의 "잘못된 지침"을 거부하는 여기에 언급된 계획 알고리즘은 규칙 기반일 수만 있습니다.
위를 바탕으로 딥러닝 알고리즘을 사용할 수 있는 시나리오에서는 "은폐" 역할을 수행하기 위한 규칙이 여전히 필수적이라는 것을 알 수 있습니다.
5. 딥러닝 알고리즘의 도입은 많은 양의 코드를 교체해야 한다는 것을 의미합니다.자율주행 기업에게는 매우 어려운 문제도 있습니다. 하이브리드 제어 알고리즘을 사용하려면 필연적으로 많은 양의 코드를 교체해야 하는 문제에 직면하게 되며 이를 위해서는 필연적으로 "스태킹 인력"이 필요합니다.
Qingzhou 제어 알고리즘 전문가들은 기존의 규칙 기반 시스템은 설계 시 딥러닝과 관련된 인터페이스 추가를 고려하지 않았으며, 수년간의 개발을 거쳐 코드 기반이 상대적으로 견고해졌다고 말했습니다. "그러나 Qingzhou Zhihang은 2019년 의사결정 계획 알고리즘 스택 구축을 시작할 때 AI의 광범위한 사용을 고려했으며, 각 인터페이스 수준에서 모델 도입 후의 상황을 미리 고려하여 목표한 아키텍처 조정을 수행했습니다. ."
일명 로보택시 회사에서 규제 알고리즘 담당자를 역임했던 선임 전문가에 따르면, 규제에 딥러닝을 도입한 후 온라인, 오프라인, 시뮬레이션 등 시스템 변환.
저자는 왜 특정 소프트웨어의 프로그래머들이 부풀어 오른 시스템을 재구성하기보다는 항상 패치를 선택하는지에 대해 인터넷 업계에서 여러 번 사용자로부터 불만을 들어왔습니다. 이 예는 규칙 기반 거버넌스 알고리즘을 하이브리드 거버넌스 알고리즘으로 교체할 때 직면하는 문제와 다소 유사합니다. 즉, 리팩토링의 이점이 낮습니다.
다시 작성하셨습니다. 시스템 운영 수준의 향상은 제한적이지만 이를 위해서는 막대한 비용을 지불해야 합니다. 이러한 "노력은 반드시 감사할 일이 아닐 수도 있습니다"는 모든 기업에 "견딜 수 없는 부담"입니다. 이러한 우려로 인해 자율주행 회사들은 하이브리드 제어 알고리즘을 가지고 놀고 싶지 않고 멀리서 지켜만 보고 싶은 마음을 가지게 됩니다.
실제로 저자는 여러 자율주행 기업의 제어 알고리즘 디렉터/엔지니어들과 대화를 나눈 결과, 2014~2015년 딥러닝 신경망을 인지에 적용했을 때의 '장면'과 달리 현재는 일반적으로 모두가 우려하는 부분을 발견했습니다. 규제 및 제어 프로세스에 딥러닝 알고리즘을 적용하는 데는 "시간이 걸리지 않습니다".
아직도 모두가 '없어도 되는' 사고방식으로 사전 연구와 실무 적용을 진행하고 있다고 할 수 있습니다.
좀 더 구체적으로 말하면, 자율주행 회사들은 룰+딥러닝 알고리즘을 활용한 '하이브리드 제어 알고리즘'이 미래라는 것을 알고 있지만, 현재 하이브리드 제어 알고리즘을 사용할 수 있는 시나리오가 많지 않기 때문에 몇 명 채용하는 편이 나을 것 같습니다. "그들이 천천히 스스로 조사하도록 놔두세요."
그래서 현 단계에서 하이브리드 계획 및 제어 알고리즘에 대한 대부분의 자율주행 회사의 태도는 과거에는 경사로 및 교차로와 같은 극히 소수의 시나리오를 처리할 때만 하이브리드 계획 및 제어 알고리즘을 사용한다는 것입니다. 문제를 해결하기 위해 알고리즘이 사용되었습니다. 극단적인 경우에는 "용납할 수 없는" 문제가 발견되지 않는 한 "조치 없음"이 취해집니다.
하이브리드 계획 및 제어 알고리즘을 사용할지 여부는 수요에 달려 있다고 매우 직설적으로 말하는 계획 및 제어 알고리즘 전문가도 있습니다.
위 논리를 바탕으로 하이브리드 제어 알고리즘에 대한 자율주행 기업의 현재 태도는 '불필요'하며, 향후 하이브리드 제어 알고리즘의 적용 범위도 '의문'할 필요가 있다.
03 규칙인가, 딥러닝 알고리즘인가?
많은 전문가들은 딥 러닝 알고리즘과 하이브리드 프레임워크가 아무리 성숙하더라도 규칙 코드는 항상 제어 알고리즘의 대부분을 차지하며 딥 러닝 알고리즘은 보조 역할만 할 뿐이라고 믿습니다.
그들이 제시한 주요 이유는 다음과 같습니다. 딥 러닝 알고리즘은 "설명 불가능"이라는 특성을 가지고 있습니다. 딥 러닝 알고리즘을 사용하여 예측과 결정을 내리는 것은 엄격한 인과 관계가 아닌 확률을 따르므로 규제와 결정에 대한 "첫 번째 책임"을 맡게 됩니다. 통제는 필연적으로 사람들을 "불안하게" 만들 것입니다.
Rulingjun Technology의 CEO인 Yang Wenli 박사는 "딥 러닝은 블랙박스이며, 인간이 이해하는 '시나리오'는 딥 러닝이 이해하는 '시나리오'와 다를 수 있습니다. 인공 디스의 예가 있었습니다. 이전에는 지능이 있었고 이미지에 몇 가지 변경이 있었습니다. 픽셀을 보면 인공 지능이 잘못 인식할 것입니다. 교통 표지판에 검은 테이프 몇 개를 붙이면 Tesla는 '일관적'이지 않으면 이를 인식할 수 없습니다. '픽셀 수준에서는 사람들이 '같은 장면'이라고 생각하는 것이 딥러닝을 통해 보일 가능성이 높습니다.
"딥러닝 알고리즘은 입력과 출력의 피팅을 기반으로 하며 이를 얻을 수 있습니다. 입력 및 출력 특성에서 더 나은 의인화되지만 실제로 운전의 내부 논리적 관계를 이해하기가 어렵습니다. "딥러닝 알고리즘을 활용한 의사결정 오류 가능성을 해결하기 위해 하이브리드 의사결정 아키텍처를 채택했습니다."
상용차 자율주행 기업의 CTO와 신차 제조사의 제어 알고리즘 전문가도 보유하고 있습니다. 비슷한 견해.
9월 말 기술 교류 행사에서 Horizon CTO인 Huang Chang 박사도 이 문제에 대해 이야기했지만 Huang Chang은 하이브리드 규제 알고리즘에서는 딥 러닝이 주류가 될 것이며 규칙은 "필수"일 뿐이라고 믿었습니다. 보조” - 명백하고 의미상 설명 가능한 오류를 방지합니다. ”
Huang Chang은 자신의 경험을 바탕으로 수년간 다듬어지고 잘 조정된 규칙 기반 시스템의 경우 특정 로컬 모듈에만 딥러닝을 도입한다면 개선이 매우 제한적일 것이라고 설명했습니다. 또는 심지어 개선이 없습니다. "다른 모듈은 여전히 규칙을 기반으로 설계되었기 때문입니다. 이 대규모 프레임워크에서 하나의 모듈을 딥러닝 알고리즘으로 교체하면 이 새 모듈에 다른 모듈을 적용하는 데 드는 비용이 매우 높을 것입니다. 전체 검증 주기가 너무 길어 완료할 인내심이 없습니다. ”
Robotaxi 회사의 제어 알고리즘 책임자이자 Qingzhou 제어 알고리즘 전문가도 미래의 제어 알고리즘은 딥 러닝을 기반으로 하고 규칙으로 보완될 것이라고 믿습니다
.Qingzhou 계획 및 제어 알고리즘 전문가는 Qingzhou Zhihang의 예측 과정에서 딥 러닝 알고리즘 관련 작업(전처리, 모델 추론 및 후처리 포함)이 전체 모듈 실행 시간의 거의 95%를 차지한다고 말했습니다. -만들고 기획하는 이 링크에서는 딥러닝 알고리즘 운용 비중도 30% 정도에 이르렀습니다.
"정량화하기는 쉽지 않지만 일반적으로 딥러닝 알고리즘은 제어 알고리즘의 50%~60%를 차지해야 합니다."
결국 제어 알고리즘의 계산 시간은 80%~90%라고 믿습니다. 딥러닝 알고리즘에 투자할 예정입니다. 게다가 앞서 Yang Wenli 박사가 “기본 제어 알고리즘에 AI를 사용할 필요가 없다”고 언급한 것과는 달리 그는 제어 알고리즘이 규칙 기반이지만 딥러닝 모델을 사용하여 제어 매개변수를 최적화하고 알고리즘의 적응성을 높입니다.
그는 “이전부터 업계에서 ‘AI 기반’이나 ‘규칙 기반’을 두고 논란이 있었다면 이해할 수 있지만 최근 AI DAY에서 Tesla가 공개한 정보를 보면 Tesla가 제어 성능을 발휘하는 것으로 나타났습니다. 딥러닝을 광범위하게 활용하는 알고리즘은 매우 인상적입니다. 이는 머스크의 '제1원리'가 어떤 의미에서 딥러닝 기반 제어 알고리즘에도 적용될 수 있다는 점을 반영합니다. 인간의 뇌가 복잡한 신경망으로 작동하면 운전하는 법을 배울 수 있습니다 많은 경험을 통해, 그리고 제어 알고리즘도 딥러닝을 활용해 더 나은 성능을 얻을 수 있습니다. "
딥러닝 알고리즘에는 '설명 불가능'이라는 큰 논란이 있습니다. "그래서 특정 장면이 바뀌면 "알 수 없음"에서 "알려짐"으로 이를 "결정"하려면 알고리즘에 다른 규칙을 추가해야 합니까?
저자의 질문에 대해 Robotaxi 회사의 제어 알고리즘 전문가는 규칙을 통해 AI 장면 인식의 불확실성을 결정하는 것이 "타당하다"고 믿습니다. 그러나 Huang Chang과 Qingzhou 제어 알고리즘 전문가는 "타당하다"고 믿습니다. 규칙을 사용하여 AI의 장면 인식의 불확실성을 "실행 가능하지 않음"과 "필요하지 않음"으로 결정합니다.
Huang Chang은 다음과 같이 말했습니다. "우리는 이 시스템을 '설명 가능'하도록 강요할 수 없습니다. 소위 '설명 가능'이란 규칙을 사용하여 이를 제한하거나 심지어 전문가 시스템처럼 규칙에 전적으로 의존하는 것을 의미하기 때문입니다. 결과는 다음과 같습니다. A 도시 매우 원활하게 실행되는 시스템은 B 도시에서 실행될 때 디버깅을 위해 많은 엔지니어가 필요하며, 더욱이 복잡하고 인간의 규칙으로 설명할 수 없는 코너 케이스를 "해결할 수 없게" 만듭니다.
볼 수 있습니다. . , 시스템이 "해석 가능"하도록 강제하여 이 문서의 첫 번째 섹션에서 언급한 "규칙의 제한"으로 돌아갑니다.
Huang Chang은 딥 러닝 알고리즘을 규제에 도입할 때 시스템이 "설명 가능한"지 여부에 대해 너무 많이 걱정할 필요가 없다고 믿습니다.
"나는 당신과 소통하고 있습니다. 우리 사이에서 나는 당신을 완전히 이해하고 당신의 전체 논리에 대해 추론할 수 있지만, 당신의 근본적인 직관과 숨겨진 특성 중 일부에 대해서는 모릅니다(당신 자신도 모릅니다). 반드시 알려진 것은 아니지만 이것이 신뢰를 구축하고 원활하게 의사소통하는 능력에 영향을 미치지는 않습니다. 마찬가지로, 딥러닝 알고리즘의 적용 범위에 대한 탐구를 '해석 가능' 여부로 제한할 필요는 없습니다. 딥러닝과 고전통계의 차이점은 고전통계는 여전히 규칙 모델을 사용해 전체 시스템을 '해석 가능'하게 만들려고 한다는 점인데, 딥러닝은 이를 돌파하고, 심지어는 최적화를 위해 극도로 극단적인 방법을 쓴다는 점을 말하는 게시물입니다. 최종 목표.
“사람도 실수할 것이고, 규칙 시스템도 실수할 것이고, 데이터 시스템도 실수할 것입니다. 하지만 넓은 통계적 의미에서 데이터 규모가 충분히 크면 딥 러닝 알고리즘이 규칙 시스템보다 훨씬 더 우수할 것입니다. . 따라서 안심하고 사용할 수 있습니다.
"이를 바탕으로 환경 모델과 같은 것을 사람들이 이해할 수 있도록 시각화한 다음 딥러닝 알고리즘을 제한하는 데 필요한 몇 가지 규칙을 도입하면 충분합니다. 기획의 마지막 단계. ”
황장(Huang Chang)은 알고리즘 2.0 시대에는 AI가 완전한 자기 적응 능력을 갖추고 있다고 믿습니다. 따라서 자율주행 회사는 기본 알고리즘이 구현되도록 돕기 위해 일부 "알고리즘 위에 알고리즘"을 설계해야 할 수도 있습니다.
칭저우 제어 알고리즘 전문가들은 "시나리오가 알려지지 않은 상태에서 알려진 상태로 변경되면 규칙을 사용하여 대응 계획을 '결정'한다"는 아이디어가 실제로 적용된다고 믿습니다. 실제 장면은 종종 동적으로 조정되기 때문에 이 방법으로 작업하기가 어렵습니다. 처음에는 명확할 수 있지만 시간이 지남에 따라 "흐려져" 규칙으로 명확하게 설명하기가 어렵습니다. 딥러닝 알고리즘의 '설명 불가능'에 대해 그의 대답은 다음과 같습니다. '많은 사람들이 딥 러닝을 '설명할 수 없다'고 말할 것입니다. 그러나 실제로 딥 러닝 알고리즘을 신중하게 설계하면 달성할 수 있습니다. '설명 가능성'의 효과 규칙보다 더 강할 수도 있습니다. ”
그는 다음과 같은 예를 들었습니다. 자율 주행 차량이 교차로에서 우회전하고 직진하는 차량을 피해야 하는 경우, 직진 차량의 속도와 차량 사이의 거리를 철저하게 결정하는 규칙을 사용하는 것은 어렵습니다. 현재 자율주행 시스템은 어떤 조치를 취해야 할지, 딥러닝 알고리즘을 사용한다면 차량의 위치와 상태, (차량을 통한) 잠재적인 장애물 등이 주어지면 된다. 일부 관련 환경 및 역사적 정보를 통해 훈련된 신경망은 "당신이 허락합니다" 또는 "내가 당신을 허용합니다"라는 확률을 계산할 수 있다는 것은 사람들이 운전할 때 결정을 내리는 방법과 동일합니다. "규칙보다 확률이 설명하기 쉽다."
이렇게 말하면서 저자는 이 글의 주제와 직접적인 관련은 없어 보이지만 깊은 관련이 있는 주제를 생각했습니다. 인간의 '직관'이란 무엇일까요?
저는 경영학 연구를 하는 사람들이 기업가가 중요한 문제에 대한 결정을 내릴 때 중요한 순간에 연구가 아니라 직관에 의존하는 경우가 많다고 말하는 것을 자주 보았습니다. 이 직관이 무엇인지 명확하게 설명할 수 있는 사람은 거의 없지만 저자는 이 '직관'이 실제로는 데이터 기반의 '딥러닝 알고리즘'이라고 느낀다.
소위 '직관적 정확성'은 재능이 아니라, 그 이면에는 정보의 축적과 이를 바탕으로 형성된 인지가 있습니다. 빅데이터 분석과 비슷하게 결론과 정보 사이에는 상관관계는 있지만 인과관계가 없거나, 인과관계가 직접적이거나 명백하지 않아 사람들이 논리로 명확하게 설명하기 어려워서 ''라고 부른다. 직관."
이런 의미에서 우리는 딥 러닝 알고리즘이 "해석 가능"하도록 강요할 필요가 없습니다.
그러나 Hao Mo Zhixing의 제어 알고리즘 전문가들은 인지를 위해 수많은 AI 모델이 사용되더라도 시나리오 기반이어야 하며 명확하고 설명 가능한 "의도와 의미"가 있어야 한다고 믿습니다. 규칙".
이 전문가는 "딥러닝의 장점은 다양하고 복잡한 환경의 변화에 적응하고 빠르게 해결책을 제시할 수 있다는 점이다. 하지만 블랙박스 특성상 때로는 잘못된 해결책으로 이어지는 경우도 있으며, 규칙 기반 알고리즘은 실제로는 '나는 알고 있다', '나는 모른다'는 '알 수 없는' 복잡한 장면에 대한 올바른 해결책을 제시할 가능성은 딥러닝 방식보다 낮지만 '할 수 있다'에는 영향을 미치지 않습니다. 정답을 내는 게 아니다'라고 답을 보고 옳고 그름을 판단한다. 그러므로 질문에 답하는 주체는 AI이고 검증은 규칙이 담당한다고 믿는다. 이 단계에서는 깊이가 핵심입니다. 학습 알고리즘의 안전성을 보장하기 어렵기 때문에 앞으로도 오랫동안 전통적인 알고리즘과 딥러닝을 결합해야 합니다.
규제 알고리즘 전문가는 다음과 같이 말했습니다. “우리는 AI가 모든 코너 케이스를 처리할 필요가 없기 때문에 L2가 AI 지배 상태에 도달할 가능성이 있다고 믿습니다. 결국 최종 안전 보장을 제공할 수 있는 운전자가 여전히 있기 때문입니다. Tesla AI Day의 공유도 이 점을 보여줍니다.
“그러나 L4의 알고리즘은 앞으로도 오랫동안 AI 기반이 아닐 것 같습니다. 해석 가능성과 보안 위험이 있기 때문입니다. 그러나 기술이 발전함에 따라 알고리즘에 AI 부분이 점점 더 많아질 것이라고 믿습니다.
“실제로 전통적인 계획 및 제어 알고리즘은 결코 규칙 더미가 아닙니다. 좋은 기존 계획 및 제어 알고리즘은 시나리오 요약에서 추상화된 수학적 모델에 가깝습니다. 즉, 다양한 수학적 도구를 사용하여 계획 문제를 모델링하고 최적화 문제의 본질을 특성화하고 이론적 범위 내에서 근본적으로 보안을 보장하는 능력이 있습니다
"따라서 딥러닝 도입에는 코드를 많이 다시 작성하는 것이 아니라 이를 잘 결합하는 방법에 대한 것이 더 많이 포함됩니다. 전통적 알고리즘과 딥 러닝은 전통적인 알고리즘을 사용하여 운전 안전을 보장합니다. 전통적인 제어 알고리즘과 AI 모델은 단순한 대체 관계가 아니라고 할 수 있으며, 알고리즘 개발도 단계별로 반복되므로 규칙 코드를 AI 모델로 모두 교체하는 데 많은 비용을 들일 필요가 없습니다. 한 번이지만 단계별로 진행됩니다. ”
한 OEM 설계자는 다음과 같이 제안했습니다. 기본 시스템에서는 규칙 기반 알고리즘을 실행하고 딥 러닝 알고리즘의 훈련 효과가 규칙을 초과하면 딥 러닝 알고리즘을 섀도우 모드에서 실행합니다.
자율주행 제어에 딥러닝 알고리즘을 적용한 두 가지 사례를 첨부합니다
1. Zhijia: 딥러닝 알고리즘을 통해 연료 소비를 줄입니다. Zhijia Technology의 수석 과학자인 Cui Dixiao는 규칙 기반 의사 결정에서 규칙 + 데이터 하이브리드 의사 결정으로 전환하는 과정을 거쳐 차선 변경 시기가 딥 러닝 알고리즘을 사용하는 데 매우 적합하다고 말한 적이 있습니다.트렁크 물류는 적시성 및 연료 소비에 대한 요구 사항이 매우 높기 때문에 한편으로는 부적절한 차선 변경 타이밍으로 인해 자동 차선 변경 기능을 사용하는 운전자의 비율이 감소합니다. 반면, 규칙 기반 차선 변경 알고리즘은 너무 보수적입니다. 연료 소비를 줄이기 위해 자동 운전 시스템은 운전자가 어떻게 결정을 내리는지 관찰하기 위해 데이터를 수집한 다음, 속도가 너무 빨라지면 "차선 변경" 명령을 실행합니다. 앞 차량이 너무 낮아 후속 제동이 더 많이 필요합니다. 인간과 유사한 차선 변경 결정을 연구하기 위해
이 솔루션은 두 단계를 거쳤습니다.
첫 번째 단계는 차선 변경 의사결정이 운전자의 '자체 트리거' 형식에서 '시스템 권장' 형식으로 변경되는 단계입니다. 이 단계에서 엔지니어는 운전자가 특정 지점에서 차선 변경 결정을 내린 이유를 계속 연구하고 차선 변경에 대한 권장 규칙을 공식화합니다. 시스템이 차선 변경 제안을 한 후, 운전자가 차선 변경을 허용하면 시스템은 이때의 결정이 적절하다고 간주하며, 운전자가 이때 차선 변경을 해서는 안 된다고 판단하면 운전자는 그럴 필요가 없습니다. 차선 변경 제안을 채택합니다.
두 번째 단계에서 엔지니어는 다양한 시나리오에서 수동 차선 변경 데이터를 수집하고 시스템의 차선 변경 결정과 운전자의 차선 변경 결정이 일치하지 않는 시나리오(예: 운전자가 차선 변경을 트리거하지만 시스템은 그렇지 않음) 또는 시스템이 차선 변경을 트리거하지만 운전자가 이를 채택하지 않음) 차선 변경 결정 모델을 얻기 위한 라벨링 및 모델 훈련을 위해 시스템의 원래 계획 및 제어 알고리즘을 개선합니다. , 연료 절약 성능을 더욱 향상시킵니다.
2. Qingzhou Zhihang: 딥 러닝 알고리즘을 사용하여 시스템의 "의인화" 개선
Qingzhou Zhihang 예측 및 제어 전문가에 따르면 이 단계에서 Qingzhou Zhihang의 계획 및 제어 알고리즘은 심층적인 작업을 위해 많은 공간을 확보합니다. 학습 인터페이스, 딥러닝 제어 알고리즘을 적극적으로 개발합니다. Qingzhou Zhihang의 전체 계획 및 제어 알고리즘 아키텍처의 궁극적인 목표는 AI First(딥 러닝 알고리즘 우선 순위)를 달성하고 모델이 대부분의 행동 출력을 수행하도록 한 다음 규칙을 사용하여 이를 보완하는 것입니다(규칙은 주로 안전 관련을 다룹니다). 문제).
Qingzhou Zhihang은 규제 및 제어 능력이 도시 NOA의 기능적 차별화를 나타내는 중요한 표현이 될 것이라고 믿습니다. 현재 Qingzhou Zhihang은 도시 NOA 계획의 규제 및 통제 측면에서 AI를 최대한 활용하려고 노력하기 시작했습니다. 이를 통해 시스템의 의사결정은 대부분의 경우 "인간에 가깝고" "인간을 넘어서" 이루어질 수 있습니다. 극단적인 경우.
예를 들어, Qingzhou는 이미 차선 변경 타이밍, 진입로 병합 타이밍, 교차로 게임 등 도시 NOA를 사용할 때 직면하게 되는 특정 주요 계획 시나리오를 처리하기 위한 전문 딥 러닝 알고리즘을 보유하고 있습니다.
딥 러닝 알고리즘의 예측 가능성과 제어 가능성을 보장하기 위해 Qingzhou Zhihang은 입력 데이터가 현재 설계 요구 사항을 충족하는지 확인하기 위해 입력 및 출력에 대한 검증을 설정합니다. 입력 수준에서 규칙은 모델 입력의 합리성을 보장하고 설계된 문제의 범위 내에서 실행되도록 모델을 제한하기 위해 딥 러닝 알고리즘에 적용 가능한 시나리오를 선택하는 데 사용됩니다. 출력이 미리 설정된 효과를 달성하는지 확인하기 위해 출력을 확인하십시오. 동시에 모델이 잘 처리할 수 없는 장면이 발생하는 경우 시점과 장면 관련 정보를 자동으로 기록한 다음 데이터 폐쇄 루프를 통해 모델을 업데이트하여 모델이 더 강력한 일반화 능력을 갖고 적응하도록 할 수도 있습니다. 더 많은 장면.
현재 Qingzhou Zhihang에서는 딥러닝(예: 모방 학습 또는 강화 학습)을 통해 차량의 '가능한 미래 궤적'을 생성하는 기술이 비교적 성숙되어 있으며, 다수의 전문가 운전을 수집하여 모델을 훈련시킵니다. 이제 모델 생성된 궤적은 90%의 경우 후속 수정이 필요하지 않지만 10%의 경우 딥 러닝으로 생성된 궤적은 효과적이지 않거나 보안 위험을 초래할 수도 있습니다. 수정/수정이 필요합니다. Qingzhou는 국내에서 개척한 시공간 결합 알고리즘(수치 최적화 기반 알고리즘)을 사용하여 딥 러닝으로 생성된 궤적을 미세 조정합니다.
칭저우 계획 및 제어 알고리즘 전문가들은 시공간 공동 계획 알고리즘이 기존의 수평 및 수직 분리보다 딥러닝 알고리즘과 함께 사용하기에 더 적합하다고 말합니다. 딥러닝 알고리즘 자체가 생성한 궤적은 실제로는 위치, 속도, 방향 정보뿐만 아니라 시간 정보도 포함하는 시공간 궤적이기 때문입니다. 따라서 시공간 공동 계획 알고리즘은 모델 결과와 더 잘 통합될 수 있으므로 딥 러닝 알고리즘에 보안 보호를 원활하게 추가할 수 있습니다.
위 내용은 자율주행 규제 및 제어에 딥러닝 알고리즘 적용에 대한 만 단어 해석의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
