AI Technology Review par: Avec le développement de l'intelligence artificielle, sans pilote progressivement possible. Bien que le développement de l'intelligence artificielle sans pilote a apporté beaucoup de dividendes, mais dans le domaine de l'intelligence artificielle est de toujours il y a des défis techniques.
Récemment, sur Lei Feng réseau AI Yanxishe classe ouverte, Ph.D., École des sciences informatiques et de la technologie, l'Université du Zhejiang à partager l'argent Wei sans pilote de travail lié sa participation. Ouvrir l'URL de lecture vidéo de classe:
Qian Wei: Zhejiang University College of Computer Science et de la technologie, le Dr mentor professeur He Xiaofei. Ce qui a de nombreuses années d'apprentissage de la machine et la recherche de l'expérience de l'apprentissage en profondeur, a publié de nombreux articles sur la réunion de premier plan de l'intelligence artificielle de IJCAI. En outre, il possède une vaste expérience dans les algorithmes de vision R & D, il a été membre de noyau d'une étoile à participer à des start-up impliquées dans la plate-forme d'apprentissage en profondeur pour construire et développement d'algorithmes, et en tant que membres de l'équipe initiale sans pilote entreprise de renom sont impliqués dans la conception du module de perception visuelle et la recherche et le développement. Détection personne Algorithm maintenant responsable de voler la technologie Step.
Partager Sujet: Intelligence artificielle sans pilote de défis
grandes lignes de l'action:
1, vision sans pilote
2, offrir des possibilités de développement de l'intelligence artificielle de
3, les défis sans pilote
Lei Feng réseau AI Yanxishe au contenu des actions se résument comme suit:
AI défi aujourd'hui pour partager avec vous dans sans pilote. Pourquoi dois-je faire d'abord introduire le sans pilote?
La moyenne mondiale il y a 2,5 personnes sont mortes dans des accidents de la circulation chaque minute, en 2015, la cause de la mort au premier rang de dix du monde, les accidents ne sont pas seulement liés à la condition physique, devrait être en mesure d'éviter les ruptures. Spécifique à la cause des accidents de la circulation, dont 94 pour cent sont indépendants du véhicule et l'environnement de conduite, mais causé par une erreur du pilote, la plupart des erreurs et des erreurs de reconnaissance d'un obstacle, le conducteur des erreurs de prise de décision, si nous donnons le véhicule capteur combiné est monté dans un 360 degrés, être identifié par un programme informatique, et la prise de décision, la possibilité d'une erreur du conducteur peut être réduite à presque zéro.
Transport terrestre dans l'innovation, nous espérons fournir une voiture auto-conduite environnement plus sûr pour tout le monde, libéré le conducteur de conduire dans la fatigue potentiellement dangereux. Pour ce faire de Google en 2009 a commencé le développement de véhicules sans pilote, au cours des dernières années, l'investissement de l'industrie dans les véhicules sans pilote de plus en plus grande, on se sent tout l'atterrissage technologie sans pilote se rapproche.
Notre entreprise offre également une solution sans pilote pile complète:
(Sur les solutions full-stack sans pilote expliquent, s'il vous plaît regarder en arrière la vidéo 00h01: à 55 ans,
Le développement de l'intelligence artificielle pour sans pilote a apporté beaucoup de dividendes, la chose la plus importante est d'apprendre la profondeur et la puce intelligente.
Avant l'apprentissage en profondeur se produit, les méthodes d'apprentissage machine traditionnelle face de ces images est difficile de juger de la catégorie image ci-dessous, il va d'abord construire des éléments artificiels, comme une image en utilisant la couleur et la texture, l'utilisation du pas audio et le volume, le texte dans le texte etc., sont appliqués en entrée aux réseaux de neurones superficiels, discriminateur logique de régression au résultat de la discrimination. La qualité des caractéristiques artificielles construites déterminent en grande partie le résultat de la discrimination du discriminateur.
À cette fin, les chercheurs ont construit une des caractéristiques remarquables artificiels EIPD, SURF, etc. Ces caractéristiques la performance 2012 est très bien en effet, mais pas aussi bon que la performance de la profondeur de l'apprentissage. En 2006, Hinton, qui a proposé le concept d'apprentissage en profondeur, et d'établir le cerveau humain a une structure profonde du réseau de neurones, les neurones ont des couches, couche par transfert de signal de couche avant. Par exemple, dans la tâche d'image, la profondeur de l'apprentissage sera directement entrer dans l'image originale plutôt que artificiellement construit de bonnes caractéristiques, le modèle de caractéristiques hiérarchiquement abstraites et d'expression, le dernier des fonctionnalités avancées et la sortie du modèle sera très pertinent, peut obtenir de très bons résultats.
Par rapport à l'apprentissage en profondeur, notre apprentissage machine traditionnelle est appelée apprentissage superficiel. Différents apprentissage et une faible profondeur d'apprentissage utilisation efficace des énormes quantités de données, avec la quantité de données de formation afin d'améliorer la profondeur de l'apprentissage pour atteindre une plus grande précision.
Si la profondeur de l'apprentissage comme un élément nécessaire de la fusée, et que les données sont étude approfondie du combustible, comme jeu IMAGEnet, les millions d'images disponibles pour classer, puissance de calcul est le moteur, en raison des grandes il y a des décennies de données, il ne peut pas être une bonne données de formation, mais avec le développement de la technologie et des serveurs GPU, les clusters, l'émergence du cloud computing, les données ont été en mesure de soutenir informatique à grande échelle, en plus avec l'ajout de talents, calcul mise à jour de puissance accélère; algorithme il est un composant de noyau, tel que CNN, RNN, la plate-forme est à la base, par exemple tensorflow, Caffe, Pytorch.
En général, la profondeur de l'apprentissage pour apporter une meilleure connaissance de la situation et de meilleures caractéristiques environnementales résultent d'expression, afin de prendre des décisions plus précises.
besoins d'étude approfondie à considérer très bonne force, les voitures driverless des besoins GPU CPU + W 2000-3000, la consommation est très alarmante. Mais fort heureusement, beaucoup de jetons sont maintenant en mouvement dans la direction de haute performance, le développement de faible puissance, tels que la consommation d'énergie FPGA que la moyenne du CPU, GPU est beaucoup plus faible, après le lancement de NVIDIA TX2, TPU de Google et d'autres puces faible consommation d'énergie, considérée comme plus forte.
À cette fin, nous avons conçu une consommation d'énergie inférieure à 10W, modèle puce embarqué pour répondre le nombre nécessaire de la force, pour accélérer les véhicules terrestres sans pilote. Nous avons lancé la profondeur de l'apprentissage architecture MPV dédié, en plus de son intégré plus de 1,3 milliard (l'ensemble de la population chinoise) nanotransistor (1/3000 d'un cheveu humain), peuvent être des données hautement parallèle de lecture et d'écriture, de calcul, mais aussi pour sans pilote sur mesure module de calcul d'envergure.
(Plus de détails sur cette architecture monocorps en détail, s'il vous plaît regarder en arrière la vidéo à 00:09:30,
puce sans pilote apporte la consommation d'énergie plus faible et plus la force de l'opérateur, dans son aide, la vitesse du véhicule de réponse aux situations d'urgence plus rapidement que le conducteur de la voiture course F-1, améliorant ainsi considérablement le sans pilote sécurité.
Malgré cela a apporté beaucoup à l'aide au développement de l'intelligence artificielle, sans pilote, mais il y a encore de nombreux défis. Je parle d'une relation relativement étroite avec tout le monde mais le problème oublie facilement - pour comprendre le problème.
Ici, afin d'expliquer « Bien que nous ayons un bon modèle d'apprentissage profondeur, mais l'utilisation directe de ces modèles est toujours pas résolu le problème de notre réalité, » les défis auxquels est confronté le drone, ma détection d'obstacle visuel, visuel voie de détection et de scènes complexes de positionnement par exemple à élaborer:
(Sur détection d'obstacle visuel, la détection des voies et des scènes visuelles complexes pour expliquer le positionnement de ces trois cas, s'il vous plaît regarder en arrière la vidéo 00: à 11h55,
En réponse à ces défis, notre approche est simple - le SLAM traditionnel (localisation et cartographie simultanées, également connu sous le nom programme CML (cartographie simultanées et la localisation), qui est la localisation et cartographie simultanées, ou d'une carte de construction simultanée et l'emplacement est pas pas une seule personne conduisant la scène de voiture pour comprendre la structure, la technologie de base pour obtenir eux-mêmes position relative dans l'environnement. nous utilisons un radar laser, capteurs de vision, ainsi que les données, avec le GPS et IMU peut atteindre centimétrique, complexe tout temps position de la scène, où le drone est encore très important.
Les modèles traditionnels à base de SLAM comportent généralement le point (basée sur les caractéristiques), mais ce mode et ne sont pas bien adaptés pour la scène sans pilote.
Tout d'abord, depuis la scène visuelle caractéristique répétitive et monotone, un grand nombre de points caractéristiques peut être confondu avec un match;
En second lieu, sous réserve de la lumière faible, caractérisée en scène visuelle médiocre, un large éventail de zone de point non-caractéristique est susceptible de se produire;
En troisième lieu, il y aura un grand nombre de scène dynamique sans pilote état, un grand nombre de points de caractéristique détecté sur l'objet dynamique, facilement conduire au solveur du système global faible précision de SLAM.
Haut pour les raisons ci-dessus, nous supprimons la structure de solution SLAM points caractéristiques, et en fonction de la scène, ce qui améliore de manière significative toute la scène caractéristique visuelle faible système SLAM (conditions de faible éclairage, fastidieux caractéristique visuelle de la scène et reproduire substantiellement similaires) en localisation de précision et les résultats de la cartographie.
Par rapport à la SLAM traditionnelle, il présente les avantages suivants:
Tout d'abord, un grand nombre d'importantes caractéristiques visuelles Évitez les trouve sur un objet dynamique, assure la précision du système de SLAM de calcul;
En second lieu, dans une région d'extraction faible caractéristique visuelle également sous la forme d'une caractéristique de scène structure de la scène riche;
En troisième lieu, par rapport à correspondre point correspondre à la structure permet de réduire la probabilité d'erreur d'une correspondance dans une large mesure.
Bien que l'apprentissage en profondeur dans le développement continu, nous fait sentir l'identité visuelle très complète l'information sémantique des caractéristiques d'abstraction de haut niveau peut être mis en uvre, toutefois, la simple utilisation de ces fonctionnalités n'améliore pas l'effet de SLAM, nous devons trouver le vrai problème de point de douleur pour le traitement.
Enfin, introduire des ateliers innovants et autres parrainé AI AI Challenger 2018 Global Challenge, dans ce jeu vous utiliserez pour modèle très forte, beaucoup d'intégration du modèle, et aussi pour obtenir plus du point de vue de la pensée pour comprendre le problème.
(Sur la description spécifique AI AI Challenger 2018 Global Challenge, s'il vous plaît regarder en arrière la vidéo 00: à 32:41,
Ce sont les clients actuels partagent tous. Plus ouvert go vidéo de classe à Lei Feng réseau AI Yanxishe communautaire (https://club.leiphone.com/) à regarder. Mise au point sur le numéro public micro-canal: AI Yanxishe (okweiwu), vous pouvez obtenir le dernier avis de temps en classe ouverte en direct.
A propos de AI Challenger
« AI AI Challenger Global Challenge » est la plate-forme open-source pour les compétitions de collecte et de programmation des données pour le monde du personnel de l'intelligence artificielle. AI Challenger 2018 de cette année par l'Innovation Works, Sogou, les commentaires du groupe des États-Unis, Mito argent organisé conjointement prix plus de 3 millions de yuans, les autres participants ont la possibilité de trouver du travail fourni conjointement par les organisateurs, la formation et l'investissement.
AI Challenger 2018 Les ensembles de données et concours le 29 Août, se terminera le 11 Novembre et Décembre 18-19 pour participer à la finale et les prix défense. informations spécifiques d'événement de clic
Compréhension détaillée.
