Машины учатся быть безопаснее

Как компьютеры, которые работают в автомобилях в качестве автопилота, могут усвоить правила дорожного движения?

Некоторые инженеры считаю, что было бы хорошо, если бы компьютеры учились в виртуальной реальности, на сделанных ошибках там, а не на реальных улицах.

Это способ выявления недостатков в эксплуатации автопилота, не подвергает опасности реальных людей. Если машина ошибется в имитации то, инженеры могут перенастроить программное обеспечение, включив в него новые правила.
Исследователи также разрабатывают методы, которые позволят машинам самостоятельно обучаться новому поведению, это будет куда быстрее чем если это будут делать инженеры в ручном режиме кодирования.

Эти методы являются частью радикальных усилий для ускорения развития автономных автомобилей с помощью, так называемого машинного обучения.

Когда Google разрабатывала свои первые самоуправляемые автомобили, почти десять лет назад, инженеры создавали в ручную огромное программное обеспечение, внимательно кодируя каждый алгоритм поведения. Но благодаря последним усовершенствованиям в вычислительной мощности, автономные автопроизводители применяют сложные алгоритмы, которые могут осваивать такие задачи как выявление пешеходов на проезжих частях или предсказания будущих событий самостоятельно.

Существуют определенные сложности с данным исследованием, прежде всего они заключены в том, что алгоритмы обрабатывают огромные объемы информации, которые превосходят способности обработки любого человека, и поэтому сложно порой понять развитие поведения и причины тех или иных действий программ после обучения. Однако, в будущем машинное обучение будет иметь огромное значение для развития автономных транспортных средств.

Современные автомобили все еще не так автономны, как нам может показаться, однако уже после 10 лет исследований, разработок и испытаний автомобили Google готовы предложить поездку по улицам Аризоны. Waymo, который является дочерней компанией Google, готовится запустить услуги такси возле Феникса, и в отличии от других сервисов он не будет нуждаться в помощи человека, однако, машина все равно останется на коротком поводке.

Сейчас автономные автомобили, вероятно, будут ограничены не большой площадью, малым количеством остановок и малым количеством пешеходов. Автономная машина будет ездить на низких скоростях с долгим ожиданием перед маневром, есть так же концепция, при которой машина будет стараться избегать таких ситуаций и выстраивать более простой, для автономной реализации, маршрут.

На ведущих предприятиях убеждены в том, что эти автомобили в конечном итоге сможет обрабатывать более сложные задачи, благодаря продолжению разработок и проведению испытаний, а так же внедрению новых датчиков, которые могут обеспечить более детальное представление об окружающем мире и дальнейшему развитию машинного обучения.
Waymo и многие из его соперников уже охватили глубокие нейронные сети, сложные алгоритмы, которые могут освоить задачи по анализу данных. Анализируя фотографии пешеходов, например, нейронная сеть может научиться определять пешехода. Эти алгоритмы также помогают идентифицировать дорожные знаки и разметку, предсказать, что будет дальше на дороге и планировать маршруты вперед.

Беда в том, что для этого требуется огромное количество данных, собранных с помощью камер, радаров и других датчиков, что требует документирование реальных объектов и ситуаций. И люди должны создавать метки этих данных: выявление пешеходов, дорожные знаки и тому подобное. Сбор, маркировка и описывание все возможных ситуации невозможно. Еще сложнее найти сведения о несчастных случаях. В этом нам может помочь моделирование.

Недавно, Waymo представила симулятор проезжей части он называется Carcraft. Сегодня, компания заявила, что этот симулятор предоставляет возможность тестирования своих автомобилей в масштабе, что невозможно в реальном мире.
Toyota уже использует образы моделируемой дорог для обучения нейронных сетей, и этот подход позволил получить обнадеживающие результаты. Другими словами, моделирование достаточно близко к физическому миру.

Преимуществом тренажера является то, что исследователи имеют полный контроль над ним. Не приходится тратить время и деньги маркировки на маркировку изображений, при этом есть шанс ошибки в ярлыках.

Другие используют более сложный метод обучения с подкреплением. Это важное направление исследований внутри многих из крупнейших в мире лабораторий искусственного интеллект, таких как DeepMind (Лондонская лаборатория принадлежит Google), OpenAI и другие. Эти лаборатории строят алгоритмы, которые позволяют машинам освоить задачи в виртуальном мире посредством интенсивных проб и ошибок.

DeepMind использовала этот метод, чтобы построить машину, которая могла бы играть в древнюю игру GO лучше, чем любой человек. В сущности, машины играют тысячи и тысячи игр против себя, тщательно записывая, каждый успешный и неуспешный шаг. И теперь, DeepMind и другие ведущих мировые лаборатории, использующих подобные методы в построении машин, которые могут играть сложные видео игры, такие как Старкрафт.

Это может показаться несерьезным. Но если машины могут перейти в эти виртуальные миры, они смогут построить свой путь через физический мир.

Внутри uber- автономного управления автомобиля, исследователи обучили систему , играть в популярные игры Гранд кражи, с целью применения этих методов, в конце концов, в реальном мире. Системы обучения и моделирования в физических местах-это следующий шаг.

Преодоление разрыва между виртуальной и физической средой-задача не из легких. Помимо этого компании должны гарантировать, что алгоритмы не сформируют неожиданных или вредного поведения во время самостоятельного обучения самостоятельно. Это стало большим беспокойством среди исследователей искусственного интеллекта.

По этой и другим причинам, такие компании, как Toyota и Waymo не строят автономные автомобили исключительно вокруг машинного обучения. Они по-прежнему используют ручное кодирование программного обеспечения, эти более традиционные способы помогут обеспечить определенное поведения. Поэтому машины Waymo не научатся останавливаться на стоп-фонари, это будет прописано в ручном режиме как жесткое правило.

Однако, индустрия движется в сторону машинного обучения, и это лучший способ обучать автономные машины выполнять сложные задачи, выполнение которых требует гораздо более глубокого понимания окружающего мира.

Фото: seriouswheels.com

Banner
Напишу о Вас. PR@WSJournal.ru

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Смотрите также