人類介入的深度學習將提高無人駕駛汽車的安全性
人工智慧學家
作者:NAVEEN RAO翻譯:Younger
審校:心原文:venturebeat
不久以後,AI驅動的無人駕駛汽車將大規模上路。
但是無人駕駛車上路只是成功的一半。系統操作員還需要對上路的無人車軟體模型,車隊頻繁地部署升級。無人車不是幾個月才升級一次的手機小遊戲,為了保證乘客安全,無人車的軟體必須定期升級。
很多汽車製造商認為,他們面臨的最大的挑戰就是需要持續地對軟體模型進行訓練和升級。最終解決方案中,深度學習AI技術平台,組織管理功能,甚至包括人類都是其中各司其職的一部分。
距完全無人駕駛汽車的發布至少還需要5年左右。目前的無人車安全性還沒有達到大規模商用的標準。谷歌無人汽車還在犯錯,比如它不明白為什麼停車標誌下騎車的人坐著不動,可以在高速上行駛的特斯拉Autopilot卻在當地街道上出現故障。其實,需要解決的無人駕駛汽車的極端情況數不勝數,還有很多未發現或未考慮在內的問題。只有解決了足夠多的場景下可能出現的問題後,無人駕駛汽車才能說是「足夠安全」的。正如特斯拉最近發布的消息:
「無人車的正確率達到99%相對容易,但要達到99.9999%卻要困難的多,而這才是我們最終的目標, 因為以70英里每秒行駛的車如果出現故障後果不堪設想。」
持續不斷的升級挑戰
雖不能達到100%的精準度,但我們仍要繼續嘗試,這正是在無人汽車大規模進入市場後,持續對其「大腦」進行升級將成為業界慣例的原因之一。同時,這也是新興科技與人類強強聯合的用武之地。
想要理解為什麼持續升級過程會帶來挑戰,以及科技和人類如何合作,可以先了解一點無人汽車的工作模式,以及人類「教」無人車駕駛的方法。假設現在是2025年,Hooli公司 的全無人汽車已經商用了好幾年。在上百萬已經上路的Hooli無人汽車中,大概每輛汽車中都有一個機載計算機。計算機將車載感測器的信號作為輸入,並輸出汽車應該採取的操作。計算機用一個高度精準的深度學習神經網路模型編程而成,汽車可以高質量地完全幾百種行為,比如遵守停車標誌,遇見黃燈減速,避免撞到十字路口的行人等等。但如上所述,Hooli希望定期升級模型以提高安全性,而他們希望的升級頻率是一周一次。
為簡單起見,假設Hooli只想提升一項汽車行為的性能——變換車道。Hooli的無人汽車每周都要執行1億多次變換車道的操作,在此期間汽車會搜集附近汽車的地理空間信息並據此作出操作抉擇。而附近汽車的地理空間信息由車載攝像機所拍攝圖片的3D「包圍盒」顯示出來。
人工介入
深度學習模型計算出的某些包圍盒難免會有瑕疵,而這些錯誤可能會導致災難。比如,如果模型估計旁邊那輛15英尺的汽車只有10英尺長,無人駕駛汽車就會變換車道並撞到這輛車的保險杠,導致車禍甚至是人員傷亡。幸運的是,這種災難可以通過人類的介入而避免。人類能夠檢查模型得出的邊界框,發現任何錯誤都可以重新繪製,不斷糾正的過程中車載模型就能夠不斷升級。
當然,讓人類每周檢查1億個變換車道的視頻並不實際,幸運的是,Hooli有一個更簡單的辦法。產生包圍盒的深度模型有不同的置信度,低置信度通常會產生不準確的邊界框,因此如果Hooli的員工只觀看低置信度的邊界框,也能合理地確保能夠找到無人車最嚴重的故障。
比如,Hooli 讓員工觀看的含邊界框的視頻的置信度低於30%。結果顯示滿足這一標準的視頻只有5000,這明顯比1億個視頻更好追溯。假設對一個視頻的邊界框進行檢查和糾正(如果必要的話)需要一分鐘,那麼5000個視頻則可以由100個人在一個小時內完成,那麼Hooli 每周就有足夠的時間升級深度學習模型。
改正了錯誤的邊界框,升級後的圖像可以饋入訓練過程,並生成升級後的模型。為了檢驗升級後模型的性能是否優於升級前模型,Hooli 分別用驗證數據集對兩個模型進行檢驗(比如,含有人類驗證後的邊界框的共計一個小時的視頻),並比較兩個模型預測的邊界框與人類驗證後的邊界框的整體「貼近度」。然後將提升後的模型部署到1百萬輛Hooli 汽車中,這與現在的特斯拉的軟體升級有點像。
很多人擔心AI會不會讓所有事物自動化,偷走人類工作,甚至將人類趕下台等。深度學習等科技帶來了無人駕駛的巨大進步,但仍然需要人的大量參與才能識別無人駕駛系統的故障,研發並管理更改故障的流程,這或許讓人稍感寬慰。簡而言之,讓汽車學習思考還是需要人類出馬。
備註:Naveen Rao 是 Nervana Systems 的CEO,同時也是一位神經學家和處理器架構師,一直致力於研發電腦模擬人腦的方法。
歡迎科技企業參加人工智慧學家舉辦的活動
人工智慧學家Aitists
人工智慧學家是權威的前沿科技媒體和研究機構,2016年2月成立人工智慧與互聯網進化實驗室(AIE Lab),重點研究互聯網,人工智慧,腦科學,虛擬現實,機器人,移動互聯網等領域的未來發展趨勢和重大科學問題。
長按上方二維碼關注微信號 Aitists
投稿郵箱:post@aitists.com
視覺搜索的未來:自動化物體檢測
機器能夠超越人類?2016世界人工智慧智商測試結果公布
Niubility!機器將能理解人類情感
人工智慧做出更好的商業決定!
TAG:人工智慧學家 |
※深度學習:遠非人工智慧的全部和未來
※深度學習與人工智慧的未來
※西門子收購自動駕駛公司 通過深度學習模擬車禍現場
※深度學習絕不是遠非人工智慧的全部和未來
※VR、AR、機器學習、無人駕駛是未來 但眼下還有更切實際機遇
※深度學習、無人駕駛、機器人、區塊鏈等,這 7 大顛覆性技術將價值萬億美元
※Google工程師:從零開始學習無人駕駛技術 ——端到端無人駕駛
※如何使用深度強化學習幫助自動駕駛汽車通過交叉路口?
※深度睡眠強化了對運動技能的學習
※深度學習重大突破:具有學習能力的深度學習軟體,不需要在雲端運行的伺服器
※工程領域的人工神經網路和深度學習等方法,是否需要尋求其在神經科學、認知科學和生物學等其他領域的合理性?
※深度學習在推薦領域的應用
※「無人駕駛+深度學習=?」看看這家美國初創公司吧
※深度強化學習的資源
※自動駕駛及其中的機器學習概述
※進化者機器人小胖深度評測:人性化的學習小助手
※深度學習,是提升自己最快的方式
※無人化發展已經是大趨勢,科學家造出能自主學習的機器人
※一群缺乏安全感的印度女人,努力學習「自衛」