本港台开奖现场直播 j2开奖直播报码现场
当前位置: 新闻频道 > IT新闻 >

码报:因吴恩达而名声大噪,我们和Drive.ai的创始人聊了(2)

时间:2017-08-18 06:58来源:本港台现场报码 作者:本港台直播 点击:
在应用领域上,Drive.ai要做的是应用于有限地理环境内的全栈式技术供应商。全栈式是说,这套自动驾驶方案不仅包括车辆的无人驾驶系统,还包括车辆与

在应用领域上,Drive.ai要做的是应用于有限地理环境内的全栈式技术供应商。全栈式是说,这套自动驾驶方案不仅包括车辆的无人驾驶系统,还包括车辆与行人、车辆与车辆间的交互系统。

而有限的地理环境则包括商业中心、封闭园区,以及共享出行等。这也是目前自动驾驶初创团队都在考虑的方向,因为大规模的乘用车消费市场对于车规级和成本的要求都十分之高,而封闭环境、有限环境下的商业应用领域则门槛相对较低。

李宏玮表示,她在很早的时候就看过被通用公司收入麾下的Cruise团队,而且也把硅谷的自动驾驶创业项目都看过一遍,于6个月前开始接触Drive.ai,做尽职调查,正是因为她看到,Drive.ai在技术上更加成熟,它的方案离商业化也更近一些。

“它(Drive.ai)选择的场景是可以标准化的,在这个场景里面再优化技术难点,会是一个渐进式的过程。所有场景里面难度最大的是城市无人驾驶,而短期内我觉得能够起来更快的,会是专用市场。”

在产品方向上,Drive.ai显然也没有走一条需要跟主机厂商“陪跑”的前向开发路线,这需要跟随一辆车型3-5年的开发周期,Drive.ai提供的一个自动驾驶方案的后装套件。“理论上只要有协议接口,都能用我们的方案实现自动驾驶。”王弢说。

据了解,Drive.ai 已经在一些物流货运公司进行合作,与主机厂的合作也正在推进当中。

Drive.ai的传感器配置使用了9个高清摄像头、2个毫米波雷达、6个Velodyne VLP16激光雷达,这套成本看起来可能不便宜,但王弢告诉钛媒体,这只是出于数据收集需要做的“更全面”的考虑,当实际应用的时候,根据不同场景,还会不同程度的成本缩减空间。

“现有的配置主要是为了一个安全和稳定性的考虑。”王弢说,“多加一些传感器能够收集到更多的数据,如果这些数据用不到也没关系,但是到时候如果发现少了一些数据,再去增加传感器就会麻烦了。”

深度学习和冗余设计

据了解,Drive.ai于去年4月份拿到了美国加州的无人驾驶路测牌照,目前该公司已经投入了尼桑、奥迪和福特三个平台的车型在进行路测。

前不久,Drive.ai在官网放出了一段视频,显示这家公司的无人驾驶车辆能够胜任大部分情况下的自动驾驶,包括夜间、雨天或下冰雹等极限条件。

王弢表示,这主要是因为他们在传感器上做了很好的冗余设计。

“Drive.ai 是多个传感器融合之后建立的模型。例如雨夜的场景,摄像头可能受到的限制比较多,但是激光雷达受到的影响可能就会小一些,而毫米波雷达受到的影响可能更小。”

当然,Dirive.ai之所以能取得现有的技术成果,还在于其对所收集到的数据进行了高效利用。

王弢介绍了他们目前的数据利用有三大特点:

第一,数据收集车所配置的传感器十分丰富,会同时采集图像数据、点云数据和雷达数据等多种数据类型;

第二,有一套自动化的数据处理系统,针对所采集的大量数据,他们有一套分布式的数据库和备份机制;

第三,半自动的数据标注系统,由于在自动驾驶方案的各个子系统都应用了深度学习技术,数据标注的工作量自然很大,而Drive.ai也通过深度学习实现了半自动化的标注工作,然后对一些结果进行人工校验即可。

“据我所了解,行业内的一些团队标注一个小时的数据大概需要800个小时的时间,我们半自动化系统的标注效率可以提高十几倍。”王弢告诉钛媒体。

王弢也对行业以“测试里程论英雄”的现象发表了看法, 他认为自动驾驶的瓶颈并不在于测试里程有多少,而是有没有足够丰富的数据类型和环境信息,以及对数据的高效率保存和标注。

当然,深度学习系统的识别能力是一种强大的工具,但也面临着计算过程不被解释的“黑盒子“问题。这种模式以端到端的方式呈现出计算结果,但是输入和输出的实际决策过程,人们却看不到,也不一定能够直观理解。

这也是大部分技术厂商选择传统机器学习算法做感知的原因,因为一旦系统发生了故障或者错误,atv直播,能够弄清楚原因何在。

王弢表示,针对深度学习模式的这个特点,Drive.ai采用了系统拆分的方法。

(责任编辑:本港台直播)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
栏目列表
推荐内容