766net_必赢766 net手机版_必赢亚洲唯一官网

当前位置:主页 > 新闻中心 > 行业动态 >

用高精766net标注化解自动驾驶风险

发布时间: 2019-02-09点击数:1855
本年 1 月,一年一度的国际核算机学会地舆信息体系国际会议 ACM SIGSPATIAL 按期举行。
会上,HERE 公司技能专家陈新(Xin Chen)教授宣布了名为《HD Live Maps for Automated Driving: An AI Approach》(意为主动驾驶高精实况766net标注:人工智能法)的主题讲演。会后,记者对陈新教授进行了专访,下文为采访实录编译如下,全文略有删减):
问:陈新教授,最近您在 ACM SIGSPATIAL 大会上做了有关高清766net的主题讲演。咱们期望您能向咱们共享下自己在高清766net上的经验。首先,请您谈谈自己在 HERE 的作业。
陈新:我是高级主动驾驶部分的一名工程主管。我担任“高清感知”团队,这一团队的主要任务是主动化整个高清实况766net产品的制作进程,咱们用的主要是机器学习和 3D 技能,这些技能都是业界最顶尖的。
766net标注
问:您在 HERE 公司,特别是高度主动驾驶部分有多少年的作业经验?
陈新:圣母大学(University of Notre Dame)博士结业后我就进了 HERE,在这里作业现已超过 12 年了,刚来时这家公司还叫 NAVTEQ 。至于高度主动驾驶部分,几年前它建立后我就过来了。来这个部分前我在研制干了几年,随后转岗到渠道以及中心766net部分作业了几年。
问:您在圣母大学学的什么专业?
陈新:我硕士和博士都在圣母大学学习,专攻核算机科学与工程专业。
问:那么,怎么精确定义高精766net?它和咱们日常运用的导航766net有什么差别?
陈新:传统的导航766net包括路途拓扑、路途中心线几许形状和路途等级特点,一般咱们称其为路途模型,在高精766net里这只能算三层中的一层罢了。
高精766net中还有一层是高清车到模型,它包括了车道拓扑数据、车道等级几许形状以及厘米级精度的特点。最终一层被称为高精定位模型,它由不同的功用组成,主要任务是为定位战略供给支持,将主动驾驶轿车指向高清766net上的确切车道及纵向方位。
多了这两层,766net就能有更丰厚且更精确的内容。HERE 的高清实况766net就是一项根据云端的效劳,它不但有多个高精度的映射层,还能持续晋级以支持 ADAS、高度或全主动驾驶处理方案。
问:那么,主动驾驶轿车为何需求高精766net?AI 不是现已完虐人类了吗?比如在围棋上打遍天下无敌手的 Alpha Go 和图画识别上逾越人类的微软深度学习技能。假如人类驾驶员都能借着普通导航来到一个生疏的地方,主动驾驶轿车为什么还要高精766net呢?
陈新:高精766net能救命。传感器和 AI 永远都不会致臻完美,它们也会犯错,这价值咱们可接受不起。有了高精766net,咱们就能通过减少差错来化解风险。此外,高清766net还能辅助道路规划作业的完结,彻底逾越传感器的“视力”范围。
当然,高清766net还能增强传感器和 AI 的才能,协助它们理解周围环境,特别是在罕见及恶劣的环境下。眼下,大多数主动驾驶处理方案都将高清766net看作传感、感知和规划的要害组成部分,而想用上丰厚的高清766net信息,车辆必须精确定位它在766net上的方位,现有的 GPS 定位方案在精度上却有些差强人意。想提升定位精度,就得把实时车辆感知与高清766net进行结合。
问:打造高精766net进程中会面临什么应战?
陈新:高精度、全覆盖、近实时刷新、量产可扩展性和766net互操作性都是咱们面临的应战。此前,高精766net从未大规模部署过,所以咱们也是该范畴的先行者。HERE 致力于与客户及协作伙伴紧密协作,不断进行产品迭代并完结高精766net与主动驾驶体系的整合。
问:能具体解说下什么是可扩展性和互操作性吗?
陈新:想在全球范围内制作厘米级精度的高清766net并确保实时数据更新在技能上难度很大并且本钱超高。没有哪家公司能承当数据收集、办理,软件、算法、东西、管道、工艺开发及运营的本钱。
因而,咱们必须拿出一个不拖垮公司还能轻松量产的处理方案。至于所谓的互操作性则指的是一套高精766net满意一切客户/协作伙伴的胃口,由于为每个客户定制不同的高清766net太不实际了。别忘了,咱们的主动驾驶处理方案都处在研制阶段,软硬件上的改变太快了。
问:面临这些应战,你们都准备了哪些对策?
陈新:AI 是杀手锏,具体来说就是核算视觉、3D 数据剖析和机器学习等技能。将这些技能进行合理整合就是高清766net制作主动化的最佳方案。
问:你提到的这些技能也是主动驾驶职业的中流砥柱吧?
陈新:当然。咱们用来建立高精766net的技能与主动驾驶传感/感知技能其实是硬币的两个面。前者注重质量,后者则注重实时功能。制作766net用到的传感器比主动驾驶轿车搭载的更现金更复杂,本钱也更高。
问:当下深度学习这个概念非常火爆,你们用了吗?
陈新:深度学习咱们也用到了,它是机器学习技能下的一个分类。咱们用它来主动进行特征提取,比如路途标线、路牌、障碍和路上的大坑等,数据则来自车载图画传感器和激光雷达等。
问:深度学习和核算视觉技能是怎么共存的?
陈新:深度学习能用来处理许多核算视觉问题,并且它有很强的可扩展性。与传统核算视觉算法比较,它能实现更高的精确度。当然,条件是有充足的练习数据和算力。假如练习数据不太够,核算视觉或机器学习也能搭把手。
问:HERE 会自行开发 AI 技能吗?
陈新:当然,我的团队就在开发核算视觉、深度神经网络、机器学习和 3D 数据剖析等技能,并且它们都是业界最尖端的。
问:为什么 HERE 不干脆收买现有 AI 公司、主动驾驶新创公司或渠道?将作业任务外包给它们也行。
陈新:咱们的“秘方”就是自己的数据和对数据的发掘才能,HERE 的数据集但是业界绝无仅有的存在。可以说,不断进化以及与这些数据相关的特殊要求是咱们数据发掘与开发上的优先级。
我的团队为 HERE 的数据集开发最先进的定制化技能并为高精766net供给优化支持。凭借 HERE 丰厚的练习数据,咱们能直接将现成的深度神经网络架构精确度提升到 70%-80%。未来,凭借专业技能和经验,这一数字还能再上浮 10%-20%。
我相信,AI 技能对766net公司也至关重要,它是 HERE 公司常识产权库的定海神针。光我自己就申请了 50 多份专利,而有的搭档专利比我还多。HERE 的许多工程团队也用到了 AI 技能,咱们团队开发的机器学习渠道就要成为 HERE 内部的 AI 助手,不管有没有这方面的布景你都能用它练习、提升、部署及共享自己的机器学习模型。
问:真有趣,你们团队能人可真多。
陈新:是的。我手下主要有三类人:第一类是研制工程师,他们的算法需求不断应战极限。第二类是软件工程师,他们得用好这些算法并保护公共代码库。第三类则是生产工程师,他们要为 AI 软件在云端或边际的运转建立基础设施和运用。HERE 有许多博士等级的研制工程师,他们来自麻省理工、普渡和卡耐基梅隆等名校。
问:为什么还要在边际运转 AI 软件?
陈新:我在 Boulder 还有个团队专门做边际感知和定位的作业。他们的任务就是运用高清766net为定位创造参阅性实施方案。除了操控和规划,这个团队简直涉及了主动驾驶的一切要害部分,并且由于装在消费级设备上,因而可生成 HERE Maplets 以晋级高清766net。
问:未来高清766net的生成能全主动化吗?一点手动操作都不需求了?
陈新:在不久的将来,手动作业仍然相当重要,由于没有核算视觉或机器学习是百分百完美的。咱们需求手动审阅并修复相关问题,让高清766net到达应有标准。一起,机器学习算法很依赖练习数据,而它们的生成还得靠人,咱们需求人类加入反馈环路才能让主动化的精确性更高。
问:制作766net时你们用什么传感器?
陈新:咱们有差分 GPS、惯性丈量单元(IMU)、多款工业级的高清摄像头以及激光雷达扫描设备。差分 GPS 和 IMU 会参阅图画和激光雷达点云,一起咱们也会从图画和激光雷达中提取高清766net特点。此外,咱们还会运用其他数据来历,比如卫星、空中成像和众包的传感器数据。
问:我传闻,一些公司在主动驾驶处理方案中都没用到激光雷达,你们为什么要用这种传感器呢?它可比摄像头贵多了。
陈新:是的,激光雷达想大规模部署不容易,它太贵了。不过全体趋势它是在降价的,并且体积也在不断缩小。因而我以为想让高清766net到达厘米级的精度,激光雷达必不可少。
眼下,核算视觉无法重构 3D 国际,因而其精度无法确保。举例来说,假如在 10 米内差错为 1 厘米,100 米开外差错就 1 米了,反观激光雷达传感器,数百米开外精度也能到达 1-2 厘米的精度。
摄像头也很重要,由于它能供给激光雷达没有的五颜六色信息,广视角和较长的探测距离也是其优势。大多数机器学习算法都是为 2D 图画研制的,眼下 ADAS 和高度主动驾驶轿车都倾向摄像头,并且根据摄像头的实时功用探测试晋级766net的绝佳来历。
问:已然 AI 技能开展那么快,您怎么能确保 HERE 的技能就是业界最顶尖的?
陈新:教职作业让我不得不快速更新自己的技能。2010 年以来,我一直在伊利诺伊理工大学和西北大学教授两门 AI 课。跟着时刻的推移,每门课的教育大纲都发生了巨大改变,由于每年咱们都有新算法、新技能、新趋势和新软件。
问:能具体说说您的 AI 课程吗?
陈新:我有一门课程叫做“地舆空间视觉与可视化”,在这门课上学生会在地舆空间信息的上下文中学习核算视觉、大数据剖析和机器学习。另一门课是计量生物学,这也是我博士论文的主题。这门课上学生通过面部、虹膜和指纹识别来学习 AI 技能。计量生物学是机器学习技能最成功的产品之一,并且它简直侵入了人类生活的方方面面,正推动机器学习走向规模化和高质量之路。不过,技能开展带来的道德和隐私问题也对社会造成了重大影响。
我的教育理念是让学生通过运用真实国际的数据来考虑实际国际的例子,并在课堂上处理实际国际的问题,从而在实际国际中学习机器学习。我想让学生掌握这个不断改变的职业所需的常识,经验和技能。
问:教职作业对你在 HERE 的工作有所协助吗?
陈新:当然。许多我的学生现在都成了 HERE 的搭档。一起,教职作业也让我和当地大学建立了良好联系,许多学员和博士生现在都在为 HERE 赞助的研讨项目效能。
在主动驾驶职业,伊利诺伊理工大学是仅次于卡耐基梅隆、斯坦福和加大伯克利的第四大黄埔军校,我期望自己的课程能为主动驾驶职业的开展尽一份力。当然,这也是 HERE 的中心价值之一。据我核算,过去八年来有 1000 多名学生修过我的 AI 课程。
问:最终,我想问问,开发者社区是否能从你的作业中受益?
陈新:咱们与开发者社区协作的方式多种多样。举例来说,咱们供给过不少高精766net样本,一起还与一个有名的研制项目渠道协作,将高精766net界面植入了它们的库。此外,与大学进行正式协作也是家常便饭,至于各种应战和比赛更是必不可少。我期待着能有更多人才加入咱们这个国际级团队。