Bagaimana untuk menyelesaikan masalah ekor panjang dalam senario pemanduan autonomi?

Dalam temu bual semalam, saya ditanya sama ada saya pernah melakukan sebarang soalan berkaitan ekor panjang, jadi saya fikir saya akan memberikan ringkasan ringkas.

Masalah ekor panjang kereta pandu sendiri merujuk kepada kes tepi dalam kereta pandu sendiri, iaitu, senario yang mungkin dengan kebarangkalian yang rendah untuk berlaku. Masalah ekor panjang yang dirasakan adalah salah satu sebab utama pada masa ini mengehadkan domain reka bentuk operasi kenderaan autonomi pintar satu kenderaan. Seni bina asas dan kebanyakan isu teknikal pemanduan autonomi telah diselesaikan, dan baki 5% masalah ekor panjang secara beransur-ansur menjadi kunci untuk menyekat pembangunan pemanduan autonomi. Masalah ini termasuk pelbagai senario yang berpecah-belah, situasi yang melampau dan tingkah laku manusia yang tidak dapat diramalkan.

Senario Tepi dalam Pemanduan Berautonomi

"Ekor panjang" merujuk kepada kes tepi dalam kenderaan autonomi (AV Edge) adalah senario yang mungkin berlaku dengan kebarangkalian yang rendah. Peristiwa yang jarang berlaku ini sering terlepas dalam set data kerana ia berlaku kurang kerap dan lebih unik. Walaupun manusia secara semula jadi mahir dalam mengendalikan kes tepi, perkara yang sama tidak boleh dikatakan untuk AI. Faktor-faktor yang boleh menyebabkan pemandangan tepi termasuk: trak atau kenderaan berbentuk khas dengan tonjolan, kenderaan membuat selekoh tajam, memandu dalam sesak orang ramai, pejalan kaki bersiar-siar, cuaca melampau atau keadaan pencahayaan yang buruk, orang memegang payung, orang di dalam kereta Kemudian memindahkan kotak, pokok tumbang di tengah jalan, dsb.

Example:

Putar filem telus di hadapan kereta, adakah objek telus akan diiktiraf, dan akan kenderaan itu melambatkan? belon terapung di tengah jalan? Kereta tanpa pemandu L4 cenderung untuk mengelakkan perlanggaran Dalam kes ini, mereka akan mengambil tindakan mengelak atau menggunakan brek untuk mengelakkan kemalangan yang tidak perlu. Belon adalah objek lembut dan boleh melepasi terus tanpa sebarang halangan.
2. Kaedah untuk menyelesaikan masalah ekor panjang

Data sintetik adalah konsep yang besar, dan data persepsi (nerf, kamera/sensor sim) hanyalah salah satu cabang yang lebih cemerlang. Dalam industri, data sintetik telah lama menjadi jawapan standard dalam sim tingkah laku ekor panjang. Data sintetik, atau pensampelan isyarat jarang, adalah salah satu penyelesaian pertama kepada masalah ekor panjang. Keupayaan long-tail ialah hasil daripada keupayaan generalisasi model dan jumlah maklumat yang terkandung dalam data.

Penyelesaian Tesla:

Gunakan data sintetik untuk menjana pemandangan tepi untuk menambah set data

Prinsip enjin data: Pertama, mengesan ketidaktepatan dalam model sedia ada, dan kemudian gunakan kes Kelas ini yang ditambahkan pada ujian unitnya . Ia juga mengumpul lebih banyak data tentang kes serupa untuk melatih semula model. Pendekatan berulang ini membolehkannya menangkap sebanyak mungkin kes tepi. Cabaran utama dalam mencipta kes tepi ialah kos mengumpul dan melabel kes tepi adalah agak tinggi, dan yang lain ialah tingkah laku pengumpulan mungkin sangat berbahaya atau bahkan mustahil untuk dicapai.
Penyelesaian NVIDIA:

NVIDIA baru-baru ini mencadangkan pendekatan strategik yang dipanggil "Latihan Tiruan" (gambar di bawah). Dalam pendekatan ini, kes kegagalan sistem dunia sebenar dicipta semula dalam persekitaran simulasi dan kemudian digunakan sebagai data latihan untuk kenderaan autonomi. Kitaran ini diulang sehingga prestasi model menumpu. Matlamat pendekatan ini adalah untuk meningkatkan keteguhan sistem pemanduan autonomi dengan mensimulasikan senario kerosakan secara berterusan. Latihan simulasi membolehkan pembangun memahami dengan lebih baik dan menyelesaikan senario kegagalan yang berbeza dalam dunia sebenar. Di samping itu, ia boleh menjana sejumlah besar data latihan dengan cepat untuk meningkatkan prestasi model. Dengan mengulangi kitaran ini,

Dalam adegan sebenar berikut, disebabkan lori terlalu tinggi (atas) dan bahagian kenderaan yang menonjol menghalang kenderaan belakang (bawah), rangka kenderaan hilang apabila model itu berada. output dan menjadi pemandangan tepi Selepas penambahbaikan melalui NVIDIA Model boleh menghasilkan kotak sempadan yang betul dalam kes tepi ini.

Sesetengah pemikiran:

S: Adakah data sintetik berharga?

A: Nilai di sini terbahagi kepada dua jenis Yang pertama adalah keberkesanan ujian, iaitu, menguji sama ada beberapa kekurangan dalam algoritma pengesanan boleh ditemui dalam adegan yang dihasilkan digunakan Sama ada latihan algoritma juga boleh meningkatkan prestasi dengan berkesan.

S: Bagaimana untuk menggunakan data maya untuk meningkatkan prestasi? Adakah perlu menambah data palsu pada set latihan? Adakah menambahkannya akan menyebabkan regresi prestasi?

J: Soalan ini sukar dijawab, begitu banyak penyelesaian berbeza untuk meningkatkan ketepatan latihan telah dihasilkan:

• Latihan hibrid: Tambahkan perkadaran data maya yang berbeza kepada data sebenar untuk meningkatkan prestasi
• Pembelajaran Pemindahan: Gunakan data sebenar untuk pralatih model, kemudian Pegunkan lapisan tertentu, dan kemudian tambahkan data bercampur untuk latihan.
• Pembelajaran Peniruan: Ia juga adalah wajar untuk mereka bentuk beberapa senario ralat model dan menjana beberapa data dengan itu secara beransur-ansur meningkatkan prestasi model. Dalam pengumpulan data sebenar dan latihan model, beberapa data tambahan juga dikumpul dalam cara yang disasarkan untuk meningkatkan prestasi.

Beberapa sambungan:

Untuk menilai secara menyeluruh keteguhan sistem AI, ujian unit mesti merangkumi kedua-dua kes am dan edge. Walau bagaimanapun, sesetengah kes kelebihan mungkin tidak tersedia daripada set data dunia sebenar sedia ada. Untuk melakukan ini, pengamal AI boleh menggunakan data sintetik untuk ujian.

Salah satu contoh ialah ParallelEye-CS, set data sintetik digunakan untuk menguji kecerdasan visual kenderaan autonomi. Faedah mencipta data sintetik berbanding menggunakan data dunia sebenar ialah kawalan berbilang dimensi ke atas pemandangan untuk setiap imej.

Data sintetik akan berfungsi sebagai penyelesaian yang berdaya maju untuk kes tepi dalam model AV pengeluaran. Ia menambah set data dunia sebenar dengan kes tepi, memastikan AV kekal teguh walaupun dalam kejadian luar biasa. Ia juga lebih berskala, kurang terdedah kepada ralat dan lebih murah daripada data dunia sebenar.