浙江大学钱炜,无人驾驶中的人工智能挑战

浙江大学钱炜,无人驾驶中的人工智能挑战 | AI 研习社第 86 期大讲堂

雷锋网 AI 科技评论编者按:随着人工智能技术的发展,无人驾驶逐渐变得可能。虽然人工智能发展给无人驾驶带来了诸多红利,但是该领域依旧存在着一些人工智能技术挑战。

地面交通工具在不断革新,我们希望无人驾驶汽车能为大家提供一个更安全的环境,将司机从疲劳驾驶的潜在危险中解脱出来。为此 Google 从 2009 年就开始研发无人驾驶汽车,近几年,业界对无人驾驶汽车的投入也越发庞大,大家也觉得无人驾驶技术的落地越来越近了。

为此,研究人员构建了 SIFT 、SURF 等优秀的人工特征,这些特征在 2012 年前确实表现非常好,但不如深度学习的表现。2006 年,Hinton 等人提出深度学习的概念,建立起人脑一样具有深层结构的神经网络,人脑神经元是有层次的,信号一层一层向前传递。比如在图像任务中,深度学习会直接输入原始图像而不是人工构造好的特征,然后模型有层次地抽象特征和表达,最后的高级特征和模型输出会高度相关,能够得到很好的效果。

相较于深层学习,我们将传统的机器学习叫做浅层学习。与浅层学习不同,深度学习能有效利用海量数据,随着训练数据数量的提升,深度学习方法能达到更高的准确率。

为此我们也设计了功耗低于 10w,能满足车载模型所需算力的芯片,来加速无人驾驶汽车的落地。我们首创了深度学习专用 MPV 架构,其除了集成超过 13 亿(全中国人口)纳米级晶体管 (人类头发的 1/3000),能高度并行的数据读写、计算外,还为无人驾驶定制了大型计算模块 。

尽管人工智能的发展带来了很多帮助,但是无人驾驶中仍然存在很多挑战。我讲一个和大家关系比较紧密但是容易被忽视的问题——对于问题的理解。

传统 SLAM 一般使用基于特征点的模式(feature-based),但这种模式并不能很好地适用于无人驾驶场景。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181107A0K4D700?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券