【威尼斯欢乐娱人城】人工智能可战胜柯洁 为何迟迟没搞定自动驾驶?

企业新闻 | 2020-11-07

首页-5月27日,万众瞩目的象棋人机大战在2月落幕,柯洁以0:3不敌人工智能AlphaGo,导致车祸,但很多人都预料到了,因为人工智能发展太快。与2016年韩国棋手李世石挑战AlphaGo1.0版1.0相比,今年柯洁的挑战对象升级到了2.0。新程序改变了原来自学人类棋谱的做法,以提高棋艺。反而可以自学,发现规律。

还包括发现一些人类战斗中显然无法使用的招数,凭借强大的计算能力,最终赢得比赛,成为围棋之神。事实上,除了棋手领域,人工智能在医疗技术、智能家居、物联网平台、自动驾驶等行业的应用也越来越普遍,越来越被人们所了解。尤其是自动驾驶,作为未来汽车行业的许多趋势,许多企业现在都致力于应用人工智能技术来构建更高水平的自动驾驶。在这个过程中,人工智能逐渐被指出是构建自主车辆的关键,是推动自主驾驶商业化的核心。

首页

但是,虽然各方造车力量已经意识到人工智能对于自动驾驶的重要性,但由于核心技术不成熟、法律法规不完善、专业人才缺乏等原因,很多汽车公司和科技公司在通过人工智能推动汽车自动化和智能化的道路上并没有如期取得长足的进步,很多还停留在思考和测试的早期阶段,无法量产。缺少核心技术就像自动驾驶可以评分,人工智能也可以评分。对于应用于自动驾驶的人工智能技术,目前普遍的看法是将其分为三个层次:弱人工智能、强人工智能和超级人工智能,其中弱人工智能是我们今天看到的AlphaGo、Siri和微软小娜。不如作为人类的工具,专注于问题的具体领域,解决问题;强大的人工智能有能力在某些领域做大部分人类的工作,甚至没有自我意识;超真实人工智能是一个比人类聪明的人工智能系统。

要打造自动驾驶,最多必须超过强人工智能的水平,而无人驾驶必须超过超级人工智能的水平。不仅要解读车内人员的意图,还要时刻仔细观察周围车辆和行人的运动状态,预测他们的不道德行为,制定对策。它的可玩性远高于棋手。

从这一点来看,现在的技术似乎几乎被排斥了。众所周知,通过人工智能构建自动驾驶相当于用机器人代替人类驾驶。

要改变人类的驾驶员,这个机器人还必须有人类的眼睛、大脑和手脚。从这个角度来看,汽车上安装的各种传感器,如摄像机、激光雷达、毫米波雷达等。相当于传统驾驶员的眼睛,可以帮助自主车辆看到周围的环境信息,收集路况信息;高效处置芯片相当于大脑,用于信息处理和分析,为下一步决策获取依据;最后,根据结果,控制车辆加速、滑行、改变方向等。

从而构建与人类相同的驾驶员级别,甚至与人类驾驶员级别一样多,并提高驾驶员安全性。目前这四个层面都没有涉及到严重的技术缺陷。第一,感官技术。

目前,自主驾驶研发中使用的传感器主要包括摄像头和雷达,其中雷达除了新兴的生物传感器外,还可分为激光雷达、毫米波雷达和超声波雷达。在功能上,这些传感器各具匠心,如相机分辨率低、速度快、成本低,激光雷达的观测范围广、观测精度高,毫米波雷达的识别精度高、性能稳定。

但是单独使用时,它们的缺点也很明显。比如激光雷达在雨、雪、雾等极端天气下性能更好,价格更低。毫米 在这种背景下,一些企业现在考虑使用不同种类的传感器部署组,如相机毫米波雷达超声波传感器组或超声波雷达毫米波雷达激光雷达摄像机组。

效果确实比用单个传感器要好,但是成本往往更高,所以用在量产车上显然不现实。第二,数据瓶颈。

了解人机对弈战的人告诉我们,AlphaGo在学习棋艺的时候通过分析大量数据,学会了3000多万步的专业棋艺,解读了什么被认为是合规的方法,通过加强自学,寻找比基础棋谱更好的棋路,玩博弈论,然后再取得今天的成就。微软公司萧冰最近出版了一本诗集,他对自己创作现代诗歌的能力达成了一致,他对1920年后的519位现代诗人的数千首诗歌进行了10000次重复自学。可以说,一旦留下这些数据,人工智能就无法在棋手领域称帝,出诗了。

所以,某种程度上,自驾汽车是这样的。如果你期望汽车享受和人类一样的驾驶员水平,那么你必须从驾驶员的情况中提取海量数据,并根据不同的场景对这些数据进行分类,供人工智能自学使用。

这样,且不说现实世界中车辆简单多样的工作状态,就算要收集几乎所有用于自学的数据,也一定需要很长时间。业内普遍认为,自动驾驶汽车必须测试数亿到数千亿公里,才能测试其在日益增多的交通事故中的可靠性。

更何况,即使收集大量数据需要很长时间,也不能涵盖该地区的所有情况。此外,这些数据的分类标定、数据质量、算法等方面还存在很多不确定因素,不足以影响行车安全。此外,该算法是困难的。由于现实生活中车辆的工作条件千变万化,所以极其简单,自动驾驶是一个对准确度拒绝度很低的操作者,稍有不慎也不会导致人员伤亡。

因此,为了尽可能提高驾驶员的安全性,需要收集足够的数据,让车辆对周围环境有准确的了解,从而为下一步的控制和执行创造决策依据。在这种背景下,传统算法由于难以实现深度自学的高精度拒绝,早已不能满足自主车的市场需求;面对非道路环境,传统算法无法给出数据库中的道路信息,可能会做出错误的判别。另外,面对相当大的数据,传统的计算能力也不会让人工智能的训练和自学过程显得异常漫长,甚至几乎不可能构建出最基础的人工智能。数据量已经超过了内存和处理器支持的下限,从而极大地允许了人工智能在自动驾驶领域的发展和应用。

更重要的是,即使现在的交通法规已经这么完备了,还是有大量的人不遵守交通法规,他们以不同的形式来规范交通法规,这往往会让人们大吃一惊。在这种情况下,意味着很难应对自学的工作条件,但需要超越原有的判别标准,根据不熟悉的脑出血情况重新构建一个应对方案,这需要超级人工智能来获得技术支持。最后,掌握控制权,继续执行。

自动驾驶控制的继续执行类似于传统汽车,即操作者加速、滑行、改变车辆方向。作为以上所有步骤的最终执行者,其持续执行效果必然关系到自动驾驶汽车能否准确、动态地完成上层智能控制系统的控制指令,对于保障驾驶安全至关重要。然而,与传统汽车不同,大规模生产的自动驾驶汽车必须对车辆的传统执行机构进行电子改造,并将其升级为具有外部控制协议模块的线控连续执行组件系统,以便车辆能够发射更多的ac 但在现实中,这项在传统汽车领域仍被很多车企视为优势的技术,却被自驾汽车领域的少数大型零部件供应商所垄断,这些供应商大多享有一整套自带系统的底盘控制系统,且大多不对外开放,这也在一定程度上制约了自驾汽车的发展。

除了上述技术瓶颈之外,自动驾驶安全问题,尤其是网络安全,仍然是大多数汽车公司面临的问题,尤其是在最近互联网上的全球软件反击之后,这可以称为自动驾驶网络安全。法律法规也存在缺陷,包括前期针对自驾汽车研发的检测规定,国家对自驾汽车的性能指导方针和检测标准,后期汽车上路后对法律法规的排斥,如交通事故责任的划分等,也是后期亟待解决的问题。_首页。

本文来源:威尼斯欢乐娱人城官网-www.gooveshark.com