مستقلة تابعة المركبات Waymo الأبجدية وأعلنت مؤخرا عن نتائج سيارة التدريب على البحوث الطيار الآلي، والقيادة من خلال عدد كبير من البيانات الحقيقية، لخلق نموذج الشبكة العصبية، لا تعلم فقط لدفع البيانات الظروف العادية، Waymo البيانات تصنيعه أيضا من الشروط الأخرى، حتى أن نموذج التعلم كيفية التعامل مع التدخل في الطريق، ونموذج لا يمكن إلا أن القيادة العادية في بيئة محاكاة تحديا، ولكن أيضا في بيئة حقيقية مغلقة، القيادة حقا السيارة.
في السنوات الأخيرة، وتشرف العديد من الدراسات من عمق الشبكة العصبية، اتسم عدد كبير من البيانات لتحسين سرعة دقة هذا النموذج، خصوصا الكائنات التصور والتوقع النماذج، وWaymo أيضا استخدام هذا الأسلوب، عرض حي عن القيادة ملايين الأميال من القيادة البيانات وتدريب البيانات، وعلى عمق طريقة التعلم تحت إشراف، ومع ذلك، لتدريب وكأنه شخص حقيقي يقود نموذج، مجرد تقليد الكثير من البيانات المرورية الحقيقي ليس بما فيه الكفاية، من أجل جعل النموذج أكثر موثوقية، وفريق Waymo وأضاف أيضا معلومات إضافية، بالإضافة إلى حسن السير والسلوك محاكاة، ولكن أيضا على محاكاة الوضع سيئا.
فريق Waymo خلق الشبكات العصبية العميقة ChauffeurNet، والسماح للنموذج للتعلم من الخبراء الحقيقيين، هذا النموذج من قبل برنامج معتدل لمراقبة، لإنتاج مسار القيادة، ويرجع ذلك إلى برنامج الإدخال، لا يعالج بيانات الاستشعار الخام مباشرة، فمن الممكن لكسر مهمة التصور، دراسة فريق هي أيضا قادرة على دمج البيانات الحقيقية ومحاكاة للتعلم النقل. أدخل البرنامج النموذجي هو مشهد من أعلى إلى أسفل البيانات البيئية، بما في ذلك الخرائط، والأشياء المحيطة بها، وإشارات المرور، وغيرها من البيانات حركة السيارة.
بعد توقع نموذج ChauffeurNet الكتابة القيادة نقطة مساره، وسوف تستخدم هذه النقطة مسار توقع استنادا إلى النقطة التالية، وإخراج مسار المتكررة نموذج التنفيذ القيادة 10 يحتوي على نقاط المسار، والتي سيتم إرسالها إلى الإخراج تحكم، المحول إلى أوامر السيطرة، مثل كيفية دفع أو متسارعة. وبالإضافة إلى ذلك، فريق البحث Waymo أيضا استخدام تصور منفصل من شبكة التعلم عمق PerceptionRNN، في عملية قيادة المركبة، فإن التوقعات حول الأجسام المتحركة.
وينقسم ChauffeurNet نموذج داخلي في شبكتين، شبكة التلافيف وFeatureNet AgentRNN، FeatureNet حساب سلسلة من الميزات من البيانات المدخلة، ثم المسؤول عن تقديم AgentRNN جمعت FeatureNet الماضي صورا للتنبؤ نموذج ومن ثم إخراج النتائج، وتوقع هذه النتائج مع AgentRNN لتحديث البيانات المدخلة، وإعداد للمرة التنبؤ المقبل.
المصدر: Waymo
جزء من نموذج التدريب، Waymo مع حوالي 60 يوما من القيادة البيانات لتدريب نموذج، وانضم أيضا الماضية التكنولوجيا التسرب الحركة لضمان أن النموذج ليس فقط تم الاستدلال على أساس التحركات في الماضي، وتوليد عمل المقابلة الصحيح على البيئة، وبهذه الطريقة، نموذج التعلم يمكن أن تستجيب بشكل مناسب لظروف حركة المرور، مثل إشارات المرور واجهت واتخاذ القرارات السليمة، ولكن، حتى مع وجود كمية كبيرة من نموذج التدريب البيانات، أو النماذج لا واجهت هذا الوضع.
تدريب البيانات عادة فقط تشمل القيادة في المثال حالة جيدة، والقدرة على تدريب حالة سيئة من وجه نموذج سيارة، فريق البحث Waymo لتعطيل القيادة مسار الممر، بداية ونهاية نفسه، ولكن التحيز المسار، لتعليم كيفية نموذج في حالة التعافي من الاضطرابات، بالإضافة إلى ذلك، Waymo أيضا توليفها البيانات مع حافة الطريق أو الأشياء تتصادم، واستخدام البيانات والملاحظات الحوافز الاصطناعية، لذلك تعلم كيفية التعامل مع حالة سيئة من هذا النموذج، على سبيل المثال، نموذج تدريب لتجاوز سيارة متوقفة على جانب الطريق، وعاد المرور إلى المسار الطبيعى لمواصلة القيادة.
ومع ذلك، من أجل بناء مؤتمتة بالكامل نظام القيادة الذاتية، فمن الضروري إيجاد حل لمشكلة تأثير ذيل طويل في العالم الحقيقي، وعدم وجود بيانات في عمق تعلم السيناريو نموذج، لا يزال هناك الكثير من المشاكل، نموذج التعلم العميق قادر على التماهي مع أهمية بيانات التدريب، ولكن لا يمكن ان تمر الارتباط الملحوظ لخلق نموذج السببية، ونحن لا يمكن أن تأخذ زمام المبادرة لاختبار الوضع في ظل ظروف افتراضية، لخلق نموذج السببية يجب أن تعرف السبب الحقيقي سلوك القيادة، وكيفية التعامل مع حالة معينة سيكون رد فعل، وفهم الأسباب لجعل المركبات الذاتية تصبح المزيد من النماذج الأمن.
الآن المركبات الذاتية Waymo المستخدمة في نموذج تخطيط المرور هو مزيج من التعلم الآلي ونظم الاستدلال واضحة، والتقييم المستمر لاحتمال سيناريوهات مختلفة لتحقيق أفضل عملية صنع القرار القيادة، وكان نموذج 1000 مليون ميل من اختبار الطريق ، واختبار المحاكاة الرقمية من مليار ميل، يقول Waymo النماذج التي اليوم لا تزال بعيدة عن آلة كاملة نماذج حاليا Waymo استمر أيضا في دراسة المشاكل نموذج السببية التعلم.
