“端到端”,可以说是神经网络战胜传统算法的最重要法宝。一个训练好的神经网络,只需要部署在一个接受输入数据的模块里面,就可以直接输出该任务的最终结果,曾经让目标检测、语义分割、关键点检测等计算机视觉(现在已经不限于视觉了)无论是精度、速度还是模块本身的部署都有了划时代的进展。
文章来自网易科技(原标题:AI 到底怎么在自动驾驶领域派上用场?看这篇你就懂了) 编者按:以深度学习架构为基础的人工智能技术(如深度神经网络,DNN)早已在全球铺开,其应用范围覆盖了汽车市场、计算机视觉、自然语言处理、传感器融合、物体识别和自动驾驶等领域。眼下,自动驾驶新创公司、互联网公司和 OEM 商都在探索图形处理单元(GPU)在神经网络中的应用,推动车辆早日进入自动驾驶时代。 如今,业界最先进的高级驾驶辅助系统(ADAS)一般都建立在集成或开放平台之上。想要获得更智能更复杂的ADAS系统并迈向完全
本文转载自公众号“汽车AI科技”(Auto_AI_Tech) 近日,由腾讯汽车主办的“源计划”媒体赋能学院第一期在北京举行。作为首批特邀五家媒体之一,量子位全程参与了“源计划”课程的打造与设计。
选自 Nvidia blog 机器之心编译 作者:Danny Shapiro 参与:李泽南 在真实世界中驾驶车辆会遇到无限多种可能性,这意味着对每一种情况进行预先编程是难以想象的,而人工智能的出现为我们解决了机器面临突发情况的问题。而且,现在你还可以看到它们在工作中都会关注哪些东西。 通过 NVIDIA PilotNet,英伟达和谷歌的工程师们构建了一个基于神经网络的全新系统,可以通过观察人类的行为学习驾驶汽车。研究人员在这一研究之上探索了在进行驾驶决策时应该优先考虑哪个方面的问题。这样一来,我们不仅无需手
在变化条件无穷无尽的情况下,想要开发出一部在各种情况下都能自动驾驶的车辆,一点都不切实际。 然而拜人工智能之赐,我们能够教它怎么开车,而车跟你家中正处于青春期的孩子不同的是,你会看到车子注意着什么。 有了NVIDIA PilotNet 便可开发出一套藉由观察人类行为,就能学习驾驶技术的神经网络系统。这还不是我们的目标。我们开发出一套方法,让神经网络告诉我们在它对驾驶情况做出决定时,优先考虑的项目有哪些。 科技虽让我们创造出无法以人工编写程序的方式一一叙述、就能学习执行事物的系统,我们仍可解释系统做出决定这件
摘自:网易科技 自从诞生以来,计算机就一直生活在一个充满1和0的世界,不厌其烦地处理着 if-then和and-or语句。 一种为自动驾驶汽车研发的技术可能会改变这一切。它将赋予机器人通过视觉理解这个世界的能力,更有可能是机器人自我意识的第一步。 我们称这项技术为“深度学习”,一种基于神经网络算法模仿大脑运行的科技。尽管目前研究者们在许多领域应用了深度学习,如语音识别等等,视觉识别才是和深度学习最相关的一个。自动驾驶汽车更是其中最热门的研究领域。 简单标签 为了让自动驾驶汽车能够在我们的城镇和乡村中穿梭自如
预测安全的无碰撞轨迹是阻碍自动驾驶汽车在公共道路上全面普及的最大挑战。虽然利用机器学习方法最近在自动驾驶运动预测方面取得了一些进展,但该领域仍处于早期阶段,需要进一步开发更有效的方法以准确地估计周围物体的未来状态。
【新智元导读】计算机设计自动化的顶级会议之一DATE日前在德累斯顿落下帷幕。本文介绍会上的两个关于自动驾驶的主题演讲,分别代表了当前开发自动驾驶汽车的两大阵营:新技术公司和传统汽车制造商,带来关于人工智能在自动驾驶中的应用、自动驾驶领域的重点研究方向等问题的观点碰撞。 计算机设计自动化的顶级会议之一DATE上周五(3月24日)在德累斯顿落下帷幕。会上的两个关于自动驾驶的主题演讲非常精彩,吸引了广泛关注。其中一位演讲者是Amnon Shashua,Mobileye(2017年被Intel以153亿美元收购
特斯拉为客户提供两种不同的高级驾驶辅助包:自动驾驶和全自动驾驶,其中全自动驾驶需要额外支付5000美元。
作者 CDA 数据分析师 被堵在路上是件心累又烧钱的事儿,除了让人头疼还可能错过重要的约会。据统计,美国每年因交通堵塞的直接损失达到 780 亿美元。今年,MIT 推出了深度学习公开课,试图让学生们在模拟游戏中尝试解决交通拥堵问题。 MIT 于 2017 年 1 月开设了 6.S094 课程,名为《深度学习与自动驾驶》( Deep Learning for Self-Driving Cars ),旨在教学生们为自动驾驶搭建一个深度学习系统,授课者为 Lex Fridman。 本课程是通过建立自动驾驶汽
众所周知,当数据量足够多时,深度监督模型会被训练得很好,但目前的深度学习仍存在泛化性能不好和训练效率不高的问题,研究人员一直在寻求构建智能模型的新方法。当前人们探求的方向总是更深的网络,但这意味着更高的算力消耗。因此正如人们所思考的那样,必须寻找一种需要更少数据或更少神经网络层的方法,让机器实现智能化。
特斯拉已经宣布了世界上第五个最强大的新型超级计算机。它将成为特斯拉下一款新型 Dojo 超级计算机的前身。
在Waymo,机器学习几乎在我们自动驾驶系统的每个模块都起着关键作用。它可以帮助我们的汽车看清周围的环境、感知世界、预测其他人的行为,并决定自己下一步最佳移动。
1 Delphi与Mobileye合作开发全自动驾驶汽车技术 汽车配件供应商Delphi Automotive和Mobileye于23日宣布,将合作开发全自动驾驶系统。从2019年开始,汽车厂商将可以
【新智元导读】以往的对抗攻击需要进行复杂的数据处理,但最近华盛顿大学、密歇根大学、石溪大学和加州大学伯克利分校的一组研究人员发表了一篇文章,表明在物理世界中进行轻微的改变,也能诱骗视觉分类算法。通完自动驾驶安全之路,或许是完全排除人类因素。 人类非常难以理解机器人是如何“看”世界的。机器的摄像头像我们的眼睛一样工作,但在摄像头拍摄的图像和对于这些图像能够处理的信息之间的空间里,充满了黑盒机器学习算法。训练这些算法通常包括向机器显示一组不同的图像(比如停止标志),然后看看机器能否从这些图片中提取足够的常见特征
特斯拉是本人盈利倍数第二高的股市投资,财务数据和产品路线都比较熟悉,但是具体的技术却了解不多,因为保密以及DNA等原因,特斯拉公开的paper和技术细节资料都挺少的。有个朋友跳到特斯拉,印象最深的倒是她对加班之猛丝毫不输国内996的各种吐槽...... 吐槽归吐槽,几年了也没见她跑路,可见再大的困难,也没有什么是有理想加持的Money克服不了的。
晓查 发自 凹非寺 量子位 报道 | 公众号 QbitAI 打造一个自动驾驶控制系统需要多少个神经元? MIT的科学家告诉你,最少只要19个!方法是向线虫这种初等生物学习。 最近,来自MIT CSAIL、维也纳工业大学、奥地利科技学院的团队已经开发了一种基于线虫大脑的新型AI系统。研究成果登上了最近的《自然·机器智能》杂志。 他们发现,具有19个控制神经元的单个算法,通过253个突触将32个封装的输入特征连接到输出,可以学习把高维输入映射到操纵命令。 这种新的AI系统用少量人工神经元控制车辆转向。而基于
自动驾驶汽车严重依赖输入的训练数据来做出驾驶决策,从逻辑上来说,数据越详细,车辆做出决策就越好,最重要的是更安全。虽然现代相机可以捕捉到非常详细的真实世界特征,但输出结果仍然是2D的,效果并不够理想,因为它限制了我们可以提供给自动驾驶汽车神经网络的信息,这意味着汽车必须学会对3D世界做出猜测。与此同时,相机捕捉信息的能力有限,比如在下雨的时候,相机捕捉到的图像几乎无法辨别,而激光雷达仍然可以捕捉信息。因此,2D相机无法在所有环境下工作,由于自动驾驶汽车是神经网络一个高危应用场景,我们必须确保构建的网络尽可能完美,这一切要从数据说起。理想情况下,我们希望我们的网络将3D数据作为输入,因为它需要对3D世界进行预测,这就是激光雷达的用武之地。
马斯克和软硬件高管们一起,正式推出特斯拉全自动驾驶产品,包含芯片、硬件,以及软件配套方案。
在过去十年中,深度神经网络取得了突破性进展,从微软亚洲研究院在ImageNet图像识别挑战赛中使用的残差网络,到DeepMind的alphaGo围棋算法,它们都依赖深度神经网络的发展与完善。
我们先以汽车在现代科技领域的演进来开始这次的chat,最早的就是电动汽车,其中的代表无疑是特兹拉,相信大家对电动车还是比较熟悉的,这里就不展开说明了。接下来就是最近很火的共享车,以滴滴来讲,据滴滴官方报道平台用户3亿,车主1500万,日均订单有1400万,从1400万的数据来看订单数已经超过美团,大众点评,在中国互联网界仅次于阿里巴巴和京东,要知道滴滴是个非常年轻的公司,但是这1400万的日均订单也只占整个出行市场的1%,可见整个出行市场的天花板还远远望不到头。接下来就是车联网领域,车联网是个很广义的概念,
根据埃隆·马斯克(Elon Musk)的说法,截至2020年7月初,特斯拉接近于自动驾驶汽车,也称为5级自动驾驶。无论是真的还是假的,一件事情变得越来越清晰:特斯拉已准备好在其他任何人之前实现完全的自主权。一旦他们这样做,其他人可能很快就会跟进。
前不久,来自腾讯科恩实验室的研究人员们找到了几种使用「物理攻击」的方式欺骗特斯拉自动驾驶系统的方法。
神经网络模型的发展几经沉浮,早在20世纪40年代,它就被提出来了,到80年底曾经达到过一次巅峰,但很快又归于平静,直到近年才又大放异彩。
自动驾驶的“大脑”——控制工程篇(一) 中国人工智能系列白皮书 -智能驾驶2017 中国人工智能系列白皮书 --智能交通2017(附报告pdf下载) 一文带你看懂自动驾驶 给自动驾驶一双"通天眼"——环境感知器篇 自动驾驶的“大脑”——决策规划篇 ▌智能汽车控制架构设计 ---- 智能驾驶汽车通过搭载先进的车载传感器、控制器和数据处理器、执行机构等装置,借助车联网和 V2X 等现代移动通信与网络技术实现交通参与物彼此间信息的互换与共享,从而具备在复杂行驶环境下的传感感知、决策规划、控制执行等功能,以实现安
选自Nature 作者:Yuchi Tian 机器之心编译 参与:Panda 自动驾驶汽车是一种对安全性有极高要求的人工智能应用,但软件都有漏洞,寻找那些可能导致致命危险的漏洞是至关重要的。近日,来自弗吉尼亚大学和哥伦比亚大学的几位研究者提出了一种自动测试深度神经网络自动驾驶汽车的方法 DeepTest,可以对自动驾驶系统进行更加全面的测试评估。机器之心对该研究的论文进行了摘要介绍,更多详情可阅读原论文。 论文地址:https://arxiv.org/pdf/1708.08559.pdf GitHub 地址
此刻,一辆无人驾驶的小型货车正行驶在亚利桑那州凤凰城的郊外。你可能会担忧它是否安全,但为这辆车打造了自动驾驶大脑的 Waymo 希望能向你保证,这辆车是很安全的。
AI科技评论按:今年是英伟达 GTC(GPU 技术大会)在中国举办的第二年。在 AI 革命势头正劲之际,英伟达创始人兼 CEO 黄仁勋亮相北京。据了解,为期三天的 GTC 盛会将吸引超过 3500 名科学家、工程师和媒体参加。 首日的英伟达GPU技术峰会上,由英伟达创始人兼CEO黄仁勋宣布了一系列重要消息,包括新版神经网络推理加速器TensorRT 3,与国内OEM厂商联合推出基于 Tesla V100 的 HGX-1 加速器,此外还有更多关于自动驾驶的新动态。本文将围绕英伟达 TensorRT 3 与自动
根据马斯克另一条推特透露,这款新芯片能够使自动驾驶汽车性能提升500%-2000%。
用深度学习当「外挂」,本文将教你如何用 PyTorch 在GTA 5 中训练自动驾驶模型。
自动驾驶汽车毫无疑问是未来出行的标准方式。世界上的科技巨头,从Google、Uber到丰田及通用汽车等企业,都投入了巨资来促进该技术的成熟及商业化,因为它将是一个万亿级的市场。
麻省理工学院(MIT)的研究者开发出了一种新型的神经网络,其不仅能在训练阶段学习,而且还能持续不断地适应。他们将这种灵活的算法命名为「Liquid」网络,因为其能像「液体」一样改变其底层的数学方程以持续适应新的输入数据。这一进展能助力基于动态变化数据的决策任务,比如医疗诊断和自动驾驶中涉及到的任务。
任何负责人的英语老师都会告诉学生,英语不是一门学科,而是一种工具,硅谷科技公司对于人工智能这种新技术也是同样的看法。我们总是能在硅谷科技公司身上首先看到基于深度学习技术的人工智能实装到产品中,去驱动一些有趣、好玩,大部分时候有用的功能。 比如每天早上都会在FacebookMessenger上用一个叫“Poncho”的聊天机器人了解天气资讯,会给它打字,“今天桑尼韦尔的天气怎么样?”就像跟朋友聊天一样。另外,由于硅谷一天中的温差较大,这个机器人还会给我提供几个按钮,看我是否想要进一步了解每小时的温度播报。 跟
谷歌的人工智能平台Alpha Go让AI再次进入了普通老百姓的视野,我记得2016年3月时Alpha Go第一轮测试结果就令大家十分震惊。随着技术的进步,AI的能力一定会越来越强。我们可以看到近两年AI在深度学习方面的技术进展成果显著。今天我为大家准备了一些最近与摄像头相关的人工智能研究成果。
【新智元导读】早想动笔写点深度学习在自动驾驶中的应用,无奈羁绊太多总也未能成行。最近两晚恰好李师傅怂恿而且大力支持,提供了大部分素材,揭开了目前的应用现状,让我再一次深刻认识到,深度学习或将成为自动驾驶领域的黑科技,姑且称之为“深度智驾”吧。本文结合Nvidia、 Mobileye、Comma.ai的自动驾驶框架研究现状,谈谈深度智驾的原理、优点和未来。 【特约编辑】小猴机器人,人工智能博士,自动驾驶技术爱好者,参与多个自动驾驶项目研发,有丰富的行业经验,尤其对决策规划控制方面了解深入。 大背景 基于深度
和之前的预告一样,几位特拉斯工程师相继上台,分别介绍了纯视觉自动驾驶系统、FSD软件、Dojo超级计算机系统等AI软硬件成果。
MIT 紧跟时代步伐,开设的 6.S094 课程名为《为自动驾驶构建深度学习》的课程,旨在教学生们为自动驾驶搭建一个深度学习系统,授课者为 Lex Fridman。课程要求学生拥有基本的编程知识(最好是 Python)。 全课只有九节一小时的课程,于 1 月 9 日开课,今天就结课啦。而且!据AI科技评论从议程表上了解到,从开课一直到 1 月 16 日,官网表示会陆续放出 PPT 及视频文件,AI科技评论会持续关注。 DeepTesla 与 DeepTraffic 就是 MIT 这门课程里面的两个重点培训内
传记作家Walter Isaacson在他即将出版的《Elon Musk》中,提前剧透了一部分内容。
我们相信开发自动驾驶技术是我们这个时代最大的工程挑战之一,行业和研究团体之间的合作将扮演重要角色。由于这个原因,我们一直在通过参加学术会议,以及最近推出的自动驾驶数据集和基于语义地图的3D对象检测的Kaggle竞赛,来帮助研究社区解决自动驾驶这个挑战。
在Waymo,机器学习几乎在自动驾驶系统的每个部分都起着关键作用。它可以让汽车看到周围环境,感知和了解世界,预测其他人的行为方式,并决定他们的下一步行动。 感知:我们的系统采用神经网络的组合,以便我们的车辆能够识别传感器数据、识别物体并随着时间的推移跟踪它们,以便它能够深入了解周围的世界。这些神经网络的构建通常是一项耗时的任务;优化神经网络架构以实现在自动驾驶汽车上运行所需的质量和速度是一个复杂的微调过程,我们的工程师要完成一项新任务可能要花费数月时间。 现在,通过与Brain团队的谷歌AI研究人员合作,我们将前沿研究付诸实践,用来自动生成神经网络。更重要的是,这些最先进的神经网络比工程师手动微调的质量更高,速度更快。 为了将我们的自动驾驶技术带到不同的城市和环境,我们需要以极快的速度优化我们的模型以适应不同的场景。AutoML使我们能够做到这一点,高效,持续地提供大量的ML解决方案。
【AI100 导读】随着卷积神经网络的出现和深度神经网络的完善,近些年来基于深度学习的人工智能计算机视觉飞速发展,开始为医疗健康领域做出贡献。本文整合了深度学习和自动驾驶的最新动态。 使用数据科学战胜
对不同的场景,标注技术是完全不同的,比如:视线分类的标注、身体姿态估计的标注、SegFuse 比赛中图片像素级的标注。
机器之心报道 编辑:张倩 人经常走一条路能走熟,自动驾驶汽车也应该能。 自动驾驶汽车靠各种传感器「看到」这个世界,然后再借助人工神经网络处理来自传感器的数据。它们和人类不同,因为人类是有记忆的,一条路多走几次就熟了,但对于使用人工神经网络的自动驾驶汽车来说,这条路每天都是新的。这在天气恶劣时会成为一个问题,因为这种天气下,传感器往往没有那么可靠。 为了缓解这一问题,来自康奈尔大学 Ann S. Bowers 计算机与信息科学学院和工程学院的研究人员在 CVPR 2022 上发表了两篇研究论文,在ICLR
运动预测(Motion Prediction)模块主要解决自动驾驶车辆与周围环境中的其它运动物体(车辆、行人等)的协同交互问题。该模块对感知模块所检测到的运动物体进行未来一段时间内行为意图的预测,并将预测的结果转化为时间维度和空间维度的轨迹。以这些障碍车、行人、非机动车等运动物体的预测轨迹作为输入,自动驾驶车辆可以做出更加合理的驾驶决策,规划出更加合理、安全的车辆运动行为。
雷锋字幕组获MIT课程团队授权翻译自动驾驶课程,视频链接:http://www.mooc.ai/course/483/info 我们为你整理了每一个Lecture的课程笔记,提炼出每一讲的要点精华,推荐结合课程笔记观看视频内容,学习效果更佳。 原标题 MIT 6.S094:Deep Learning for Self-Driving Cars 2018 Lecture 1 Notes 作者 | Sanyam Bhutani 翻译 | 李瀚 刘徽 整理 | 凡江
在道路上放置一些简单的贴纸就能欺骗特斯拉Model S进入反向车道?游戏手柄就能操控车辆行驶?图像干扰能自动启动雨刷?
NVIDIA 于绘图卡市场称皇称霸,市场巩固,近年积极向多元化发展,除了早前涉足 VR 市场, 5 日宣布推出全球车载」 ,加速自动车驾驶进展,其采用 NVIDIA 最新 GPU 来处理深度学习功能,掌握车子周遭 360 度的情境,精准判断车子所在位置,并推算出安全舒适的行进路线,并能随时警戒监控,带来更高的安全性。 NVIDIA 公司共同创办人暨执行长黄仁勋表示,开车的驾驶人所面对的是无限复杂的世界。现今人工智能加上 GPU 的许多突破,让 NVIDIA 终于能克服自动驾驶车面临的各种艰巨挑战。 NVID
麦肯锡专家Kersten Heineke、Philipp Kampshoff、Armen Mkrtchyan和Emily Shao等人撰文讨论了自动驾驶面临的主要挑战与发展方向,主要内容如下: 自动驾驶汽车(AV)无疑开创了交通运输行业的新时代,但该行业仍然需要克服一些挑战,自动驾驶技术才能变得实用。高级辅助驾驶系统(Advanced Driver Assistance Systems,ADAS)解决方案已经能够减轻驾驶负担,让驾驶变得更安全。但在某些情况下,技术也会带来问题。其中一个就是,人类过度
广泛推行自动驾驶车需要对消费者进行教育、获得消费者的信任,再加上人工智能技术的进步。
领取专属 10元无门槛券
手把手带您无忧上云