HaoMo Zhixing & Tsinghua AIR kelas terbuka pemanduan autonomi Dr. Pan Xing mendedahkan jalan latihan AI pemanduan autonomi Haomo di tempat kejadian

Memandangkan model besar AI muncul daripada algoritma pembelajaran mendalam, mereka menjadi paradigma teknologi baharu yang paling hangat dalam bidang AI semasa. Teknologi pemanduan autonomi juga mempunyai kemungkinan untuk berkembang daripada peringkat modular kepada pemanduan autonomi hujung ke hujung kerana pengenalan teknologi model besar. Model besar AI sedang membentuk semula laluan teknikal pemanduan autonomi.

Pada 27 September, kursus terbuka berkualiti tinggi mengenai pemanduan autonomi yang dianjurkan bersama oleh HaoMo Zhixing dan Institut Penyelidikan Industri Pintar (AIR) Universiti Tsinghua telah berjaya dimuktamadkan. Kelas terbuka ini memfokuskan pada algoritma AI terkemuka semasa untuk pemanduan autonomi, digabungkan dengan amalan khusus Hao Mo, membawa pesta teknologi pemanduan autonomi hujung ke hujung kepada pengamal pemanduan autonomi, rakan kongsi industri dan rakan media.

Kursus ini adalah yang ketiga dalam siri kursus terbuka mengenai pemanduan autonomi. Kursus pertama dan kedua sebelum ini memberikan pengenalan asas kepada sistem pengetahuan pemanduan autonomi masing-masing daripada industri makro dan prinsip teknikal. Dalam isu ketiga, Dr. Zhan Xianyuan, penolong penyelidik/penolong profesor di Tsinghua AIR, menerangkan ciri-ciri dan kemajuan semasa algoritma AI pemacu autonomi hujung-ke-hujung dari perspektif pengoptimuman keputusan, manakala Dr. Pan Xing, pengarah teknikal daripada HaoMo Zhixing, dijelaskan sepenuhnya daripada sistem gelung tertutup data Bagaimana algoritma model besar AI belajar dan mengoptimumkan dalam data besar-besaran, dan cara ia menunjukkan keupayaannya yang menakjubkan dalam amalan.

Dalam perkongsian bertajuk "Pemacuan Autonomi Hujung-ke-hujung dari Perspektif Pengoptimuman Keputusan", Dr. Zhan Xianyuan bermula daripada konsep hujung-ke-hujung dan digabungkan dengan sejarah pembangunan industri pemanduan autonomi selama 30 tahun, memberitahu semua orang tentang kaedah pembelajaran strategik hujung ke hujung, digabungkan dengan amalan kerjasama penyelidikan saintifik Tsinghua AIR dan Hao Mo, menggunakan algoritma Al untuk mendapatkan cerapan tentang konteks pembangunan industri, dan membuat ringkasan dan trend. pertimbangan terhadap pembangunan industri.

Dr. Zhan Xianyuan menegaskan bahawa hujung-ke-hujung, secara ringkasnya, menyepadukan semua seni bina dan modul yang berbeza ke dalam keseluruhan yang lengkap, menjalankan latihan secara langsung daripada input kepada output, dan menghantar isyarat pembelajaran ke hadapan dari titik membuat keputusan. Kelebihan modulariti asal ialah setiap modul dibongkar dengan sangat bersih, matlamat pemodelan setiap modul adalah sangat jelas, dan kebolehtafsiran adalah sangat baik. Walau bagaimanapun, di bawah seni bina modular, setiap modul mempunyai sistem tersendiri untuk reka bentuk dan pengoptimuman. Kelebihan hujung ke hujung terletak pada tiga perkara berikut. Pertama sekali, keseluruhan model hujung ke hujung boleh dianggap sebagai satu model yang sangat besar, jadi strukturnya sangat mudah Semua matlamat adalah pengoptimuman dan pembelajaran di sekitar matlamat utama membuat keputusan tahap pengoptimuman. Kedua, ia adalah pembelajaran hujung ke hujung daripada input kepada output keputusan akhir, yang boleh dengan mudah melaksanakan pembelajaran berasaskan data tulen yang bergantung pada data besar-besaran. Ketiga, kerana banyak model dilatih dalam sistem yang sama hujung ke hujung, tulang belakang model modul yang berbeza boleh dikongsi, dengan itu mengurangkan overhed pengiraan.

Dr. Zhan Xianyuan memperkenalkan bahawa semua model pemanduan hujung ke hujung boleh dianggap sebagai model membuat keputusan yang besar Latihan model sedemikian memerlukan penggunaan algoritma pengoptimuman membuat keputusan. Ini melibatkan pembelajaran tiruan dan pembelajaran pengukuhan ialah pemetaan yang dilatih secara langsung daripada data menggunakan kaedah pembelajaran tetulang bukan sekadar meniru data itu sendiri dan boleh dioptimumkan melalui pembelajaran yang lebih baik model membuat keputusan daripada data yang ada.

Pada pandangan Dr. Zhan Xianyuan, model pemanduan autonomi awal hujung ke hujung semuanya adalah model kecil yang membuat keputusan, tetapi hari ini, sistem hujung ke hujung yang dilaksanakan dalam industri semuanya adalah model besar pemanduan autonomi telah berkembang daripada model awal dalam talian Paradigma interaktif telah berkembang secara beransur-ansur kepada pembelajaran luar talian sepenuhnya. Apabila model menjadi lebih kukuh dan lebih baik, keselamatan menjadi lebih baik dan lebih baik, dan secara perlahan-lahan terdapat beberapa peningkatan dan peralihan pada tahap generalisasi. Selain itu, Dr. Zhan Xianyuan juga memberikan pengenalan terperinci kepada kerjasama antara Tsinghua AIR dan Haimou dalam pembelajaran tiruan dan pembelajaran tetulang luar talian, dan berkata bahawa algoritma ini akan digunakan secara beransur-ansur pada amalan senario pemanduan autonomi Haimou.

Selepas perkongsian Dr. Zhan Xianyuan, Dr. Per Xing mengambil "Hai Mo's Road to Autonomous Driving AI" sebagai tema dan menerangkan kepentingan algoritma AI dari perspektif industri melalui amalan khusus Hao Mo. Dr. Pershing berkata bahawa sebagai sebuah syarikat teknologi kecerdasan buatan yang berdedikasi untuk pemanduan autonomi, jarak tempuh pemanduan berbantu pengguna Haimo telah melebihi 80 juta kilometer NOH Urban juga dalam proses generalisasi dan lelaran, dan dijangka mencapai pengeluaran besar-besaran seterusnya tahun.

Pershing berkata dengan peningkatan dalam skala data, peningkatan dalam keupayaan algoritma dan aplikasi di bawah trend model besar, data besar dan kuasa pengkomputeran besar, industri semasa akan memasuki era pemacuan autonomi 3.0 yang dipacu data. Memandangkan produk pemanduan autonomi bergerak daripada senario berkelajuan tinggi kepada senario bandar, pembinaan sistem risikan data pemanduan autonomi adalah infrastruktur teras. Untuk mencapai gelung data tertutup, syarikat seperti Tesla, Haimo dan banyak syarikat domestik juga membina keupayaan AI awan dan pusat pengkomputeran mereka sendiri untuk mencapai hasil yang lebih baik melalui kuasa pengkomputeran yang lebih besar dan keupayaan pemprosesan data berskala lebih besar.

Pada masa ini, Haomo telah membina sistem risikan datanya sendiri MANA, dan pada awal tahun ini membina pusat pengkomputeran pintar terbesar dalam industri pemanduan autonomi China - MANA OASIS Snow Lake Oasis. Berdasarkan MANA OASIS, Haomo mengeluarkan model besar generatif pemacu autonomi pertama industri DriveGPT Xuehu·Hairuo pada April tahun ini. "Sebagai model besar asas, Haimo menggunakan DriveGPT untuk membina keupayaan AI selanjutnya, termasuk pengambilan semula pengurusan data, anotasi automatik, sintesis data simulasi AIGC, dll. Berdasarkan keupayaan dan perkhidmatan data ini, kami menambah baik lagi pelbagai modul dan algoritma kereta . keupayaan, dan akhirnya mencapai produk pemanduan autonomi yang lebih baik.”

Dr. Per Xing menegaskan bahawa kecerdasan data adalah teras kepada keseluruhan lelaran pemanduan autonomi Dalam proses ini, aset data yang besar mesti dikumpul Melalui model AI yang besar, aset data ini boleh diurus dengan lebih baik. Pada masa yang sama, kuasa pengkomputeran tidak dapat dielakkan diperlukan selepas data tersedia. Operasi pusat pengkomputeran pintar yang stabil dan berterusan juga menyediakan aliran kuasa yang mantap untuk lelaran model besar dan peningkatan pemanduan autonomi.

Dr. Pan Xing berkata, “Dengan data dan kuasa pengkomputeran, kaedah sambungan awan kereta dan latihan bersama boleh meningkatkan kesan algoritma sisi kereta melalui model besar, contohnya, dengan menggunakan DriveGPT menjadi sangat Berkesan mengurangkan kos keseluruhan pelabelan dan meningkatkan kecekapan pelabelan. Pada masa yang sama, DriveGPT juga boleh menggunakan model besar untuk terus menyokong peningkatan keupayaan model kecil pada bahagian kereta, dan lebih baik memindahkan keupayaan model besar awan kepada model pada bahagian kereta.

Dr. Pershing juga berkata, "Bagaimana untuk mendapatkan data simulasi yang lebih realistik dengan cekap, model besar boleh memainkan peranan yang sangat penting." Melalui perwakilan model besar yang berkesan, data boleh disunting Contohnya, halangan kenderaan yang tidak terdapat dalam video asal boleh ditampal, disunting, diputar sesuka hati, dan dimasukkan ke dalam video melalui DriveGPT, dengan itu mendapatkan simulasi sintetik Baharu. data. Selain aplikasi dalam bidang persepsi, model besar juga memainkan peranan yang besar dalam membuat keputusan dan perancangan pemanduan pintar menggunakan data pengguna pemanduan manusia untuk terus belajar dan mencapai tingkah laku pemanduan dan membuat keputusan.

Pada masa yang sama, Haimo DriveGPT bukan sahaja dapat membantu melengkapkan ramalan trajektori dan sintesis imej, tetapi juga mempunyai keupayaan untuk membuat keputusan yang bijak. "DriveGPT mempunyai keupayaan untuk memasukkan video untuk meramalkan trajektori masa hadapan dan menjawab soalan dalam proses membuat keputusan memandu, dan boleh memberikan keputusan yang boleh ditafsirkan menjadikan Weimo percaya bahawa dengan kemunculan pemanduan autonomi hujung ke hujung, makro." membuat keputusan dan tingkah laku Mikro, pembelajaran dan pemahaman bersama melalui model akan menjadi cara yang lebih berkesan. Dr. Pershing mendedahkan bahawa seterusnya, Haimou akan menghubungkan dua model persepsi dan kognisi dengan lebih mendalam dari hujung ke hujung supaya ia boleh disepadukan menjadi satu.

HaoMo Zhixing dan Institut Penyelidikan Industri Pintar (AIR) Universiti Tsinghua menganjurkan kursus awam berkualiti tinggi mengenai pemanduan autonomi, yang dibahagikan kepada 4 fasa ini adalah yang ketiga. Dalam dua kursus sebelum ini, pensyarah dari Tsinghua AIR dan Hao Mo Zhixing telah memperkenalkan pembangunan teknologi pemanduan autonomi seperti pemanduan autonomi pintar satu kenderaan, pemanduan autonomi kolaboratif kenderaan-jalan dan pembinaan jalan pintar peringkat tinggi kepada hampir seratus media industri. semua orang menjelaskan prinsip asas teknologi AI pemanduan autonomi dan trend aplikasi semasa model besar dalam pemanduan autonomi. Dalam kursus terbuka berkualiti tinggi mengenai pemanduan autonomi ini, Haimo dan Tsinghua AIR berkongsi algoritma AI yang lebih mendalam dan prinsip sistem AI pemanduan autonomi dengan pemerhati dalam industri pemanduan autonomi, dan menerima soalan dan pertukaran aktif daripada tetamu dalam talian dan luar talian.

Menghadapi laut bintang pandu sendiri, hanya tindakan yang benar-benar dapat mencapai matlamat masa depan. Melalui kursus terbuka berkualiti tinggi mengenai pemanduan autonomi, Haimo dan Tsinghua AIR telah berganding bahu dengan kakitangan media kanan dalam industri untuk menuai hasil penyelidikan terkini dan pengalaman praktikal mengenai algoritma pemanduan autonomi A Mereka telah berganding bahu merentasi gunung dan lautan untuk dikongsi kebijaksanaan pengetahuan AI dan menyumbang kepada industri pemanduan autonomi dan pengumpul pengetahuan.

Atas ialah kandungan terperinci HaoMo Zhixing & Tsinghua AIR kelas terbuka pemanduan autonomi Dr. Pan Xing mendedahkan jalan latihan AI pemanduan autonomi Haomo di tempat kejadian. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!