首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >全局思考,无人驾驶冠军亲述算法经验 | AI challenger 2018

全局思考,无人驾驶冠军亲述算法经验 | AI challenger 2018

作者头像
AI科技大本营
发布2019-01-02 14:56:21
4220
发布2019-01-02 14:56:21
举报

作者 | Just

出品 | AI科技大本营

视觉是无人驾驶汽车的勘探物理世界的非常重要的“器官”。在它背后,考验的则是机器算法能力。

无人驾驶技术的算法包括感知、定位、预测、决策、控制等层面,而在由创新工场、搜狗、美团点评、美图公司联合主办的 AI Challenger 2018 全球 AI 挑战赛中,无人驾驶赛道的题目就是最基础的视觉感知,所有参赛队伍需要解决如何通过视觉传感器看到的数据,来感知判断出障碍物、路标、汽车限速以及红绿灯等维度的问题。

在近日的总决赛颁奖礼上,美团点评首席科学家夏华夏称,由于视觉感知有上述诸多不同的识别维度,那在工程层面不可能对每项任务都做一个模型出来,最好的方案是由一个模型可以同时用视觉信号找到多种识别目标,但这并不容易。

根据大赛规定,此次自动驾驶赛道的评判标准分为两部分,一是准确度,二是速度,后者在实验室研究中很容易忽略,更具体来说,在测试和实际运行时,很少有参赛队伍在比赛前考虑能否实现实时性检测的问题。体现在算法上,关键的是要平衡算法执行效率和性能。

在历时 3 个多月,经过数轮比赛角逐后,来自中科院自动化所 SeeLess 团队最终斩获了这一赛道的冠军。那么,他们是如何让算法发挥了最佳效果?

首先在数据上,主办方给无人驾驶的赛道数据量约 1.2 亿张,其中 10 万张属于标注数据。冠军成员中的博士研究生赵旭在接受 AI科技大本营采访时称,标注数据中大约有 7 万张是优质数据,他们验证了 1 万张图片数据,2 万张在测试时使用,剩下的则是未标注数据,他们用了自动化方法来处理这些数据。赵旭认为,庞大的数据量对训练算法性能非常重要。

而在算法层面,执行效率分为两部分:算法实现复杂度和工程实现的优化。基于此,他们同时做了几个方案,另一冠军成员朱优松在颁奖礼上举例称,就车道线行驶区域的判别以及道路上的物体检测两大任务,他们使用了同一模型来实现,以降低算法实现的复杂度,同时他们把神经网络进行压缩,并使用了“老师教学生(大模型教小模型)”的方法。

而工程实现上他们注重细节,不断调整优化,比如就可行驶道路区域分割问题,仅使用底层的计算机视觉特征并不足够,他们还因此引入了一些全局特征,此外还将 GPU 并行做到极致,如此才达到了很好的效果。

“全局思考”是赵旭对这次比赛的经验性总结,当然,基础研究更要考虑工程实践具体情况的观点也尤为重要。

创新工场人工智能工程院执行院长王咏刚评价 SeeLess 团队的成绩时表示,他们在保持识别精度的同时识别性能也远超其他团队,在算法和工程的结合度上远超预计,这代表未来不同的硬件平台都可以利用先进的无人驾驶技术。

不过,视觉感知只是做无人驾驶的一个切面,要做好它需要考虑对技术栈的综合应用,这包括很多软硬件的能力。美团点评首席科学家、无人配送部总经理夏华夏认为,全场景下的无人驾驶技术应用还有很远的距离,感知、定位、预测、规划、控制每一方面都极具挑战,如果要预估什么时候人们能普遍做上无人驾驶汽车,“十年之后”是他给出的一个非常乐观的期限。

(*本文由AI科技大本营整理,转载请联系微信1092722531)

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-12-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI科技大本营 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档