véhicules autonomes filiale Waymo de l'alphabet a annoncé récemment les résultats de la voiture du pilote automatique de formation à la recherche, conduite par un grand nombre de données réelles, pour créer un modèle de réseau de neurones, non seulement l'apprentissage des données sur disque des circonstances normales, Waymo données également synthétisés à partir d'autres conditions, de sorte que le modèle d'apprentissage comment faire face à une ingérence dans la route, le modèle peut non seulement de la conduite normale dans un environnement de simulation difficile, mais aussi dans un environnement réel fermé, conduite vraiment le véhicule.
Ces dernières années, de nombreuses études supervisées par la profondeur du réseau de neurones, a été marquée par un grand nombre de données pour améliorer rapidement la précision du modèle, en particulier les objets de modèles de perception et de prévision, et Waymo utiliser également cette méthode, la démonstration en direct par la conduite des millions de miles de données de conduite en tant que données de formation, avec une profondeur de méthode d'apprentissage supervisé, cependant, pour former comme une personne réelle conduite d'un modèle, imiter juste beaucoup de données réelles du trafic ne suffit pas, afin de rendre le modèle plus fiable, l'équipe Waymo a également ajouté des informations supplémentaires, en plus d'imiter un bon comportement, mais aussi sur la situation de mauvaise simulation.
équipe Waymo a créé un réseau de neurones profonds ChauffeurNet, laissez le modèle d'apprendre des experts réels, le modèle par programme modéré à observer, pour produire une piste de conduite, en raison du programme d'entrée, ne, il est pas manipuler les données brutes du capteur directement possible de décomposer la tâche de perception, étude l'équipe est également en mesure d'intégrer des données réelles et simulées pour l'apprentissage de transfert. Entrez le programme modèle est une scène de haut en bas des données environnementales, y compris les cartes, les objets environnants, les feux de circulation et d'autres données de mouvement du véhicule.
Après que le modèle de ChauffeurNet d'écriture prédit entraînement point de trajectoire, ce point sera utilisé comme une trajectoire prédite en se basant sur le point suivant, la sortie de la trajectoire d'entraînement répété modèle d'exécution 10 contient des points de la voie, qui sera envoyé à la sortie du régulateur, le convertisseur à des commandes de contrôle, telles que la façon de conduire ou accélérée. De plus, l'équipe de recherche Waymo utilisent également une perception distincte du réseau d'apprentissage en profondeur PerceptionRNN, dans le processus de conduite du véhicule, les prévisions autour des objets en mouvement.
ChauffeurNet modèle interne est divisé en deux réseaux, un réseau de convolution et FeatureNet AgentRNN, FeatureNet calculer une série de caractéristiques à partir des données d'entrée, puis responsable du rendu AgentRNN recueilli FeatureNet passé des images de la prédiction du modèle et ensuite en sortie les résultats, ces résultats sont prévus avec AgentRNN pour mettre à jour les données d'entrée, et à préparer pour le prochain temps de prédiction.
Source: Waymo
Une partie du modèle de formation, Waymo avec environ 60 jours de données de conduite pour former le modèle, a également rejoint la technologie d'abandon scolaire passé de mouvement pour faire en sorte que le modèle non seulement été déduit en fonction des mouvements dans le passé, et de générer l'action correspondante correcte sur l'environnement, de cette façon, modèle d'apprentissage peut répondre de manière appropriée aux conditions de circulation, tels que les feux de circulation rencontrés feront les bonnes décisions, cependant, même avec une grande quantité de modèle de données de formation, ou les modèles n'ont rencontré la situation.
les données de formation comprennent généralement conduite dans un bon cas par exemple, la capacité de former un mauvais cas de face modèle de voiture, l'équipe de recherche Waymo de perturber la piste de voie de circulation, début et la fin de la même, mais le biais de la piste, pour enseigner comment modèle dans le cas récupérer des perturbations, en outre, Waymo également des données synthétisées avec le bord de la route ou les objets entrent en collision, l'utilisation des données de synthèse et des notes d'incitation, afin d'apprendre comment faire face à un mauvais cas du modèle, par exemple, le modèle formé pour contourner un véhicule stationné sur la route, le trafic est revenu à voie normale pour continuer à conduire.
Cependant, pour construire le système d'auto-entraînement entièrement automatisé, il est nécessaire de résoudre le problème de l'effet à long queue dans le monde réel, le manque de données dans le scénario de modèle d'apprentissage profondeur, il y a encore beaucoup de problèmes, le modèle d'apprentissage en profondeur est en mesure d'identifier la pertinence des données de formation, mais ne peut pas passer corrélation observée pour créer un modèle de cause à effet, nous ne pouvons pas prendre l'initiative de tester la situation dans des conditions virtuelles, pour créer un modèle de causalité doit connaître la vraie raison du comportement au volant, et comment faire face à une situation particulière réagira, de comprendre les raisons pour rendre les véhicules autonomes deviennent plus de modèles sécurité.
Maintenant véhicules Waymo autonomes utilisés dans le modèle de planification de la circulation est une combinaison de l'apprentissage de la machine et des systèmes d'inférence claire, une évaluation continue de la probabilité de divers scénarios pour tirer le meilleur parti de la prise de décision de conduite, le modèle a été de 1000 millions de miles de tests routiers , et un test de simulation numérique d'un milliard de miles, Waymo dit que les modèles d'aujourd'hui sont encore loin d'un des modèles d'apprentissage machine à plein actuellement Waymo également poursuivi dans l'étude des problèmes du modèle de cause à effet.
