ПОДКАСТ

Самоходные автомобили: прошлое, настоящее и будущее

Питер Гао о проблемах и инновациях, лежащих в основе автономного вождения

Примечание редактора. Этот выпуск является частью нашей серии подкастов о новых проблемах в области науки о данных и машинного обучения, которую ведет Джереми Харрис. Помимо размещения подкаста, Джереми помогает запустить стартап по наставничеству в области науки о данных под названием SharpestMinds.

Cruise - стартап по производству беспилотных автомобилей, основанный в 2013 году - в то время, когда большинство людей считали беспилотные автомобили предметом научной фантастики. И все же всего три года спустя компания была приобретена GM за более чем миллиард долларов, показав себя настоящим игроком в гонке за то, чтобы автономное вождение стало реальностью. Попутно компании пришлось ориентироваться и адаптироваться к быстро меняющемуся технологическому ландшафту, смешивая и сочетая старые идеи робототехники и разработки программного обеспечения с передовыми технологиями, такими как глубокое обучение.

Моим гостем в этом выпуске подкаста был один из первых сотрудников Круза. Питер Гао - специалист по машинному обучению с большим опытом работы в индустрии беспилотных автомобилей, а также соучредитель Aquarium Learning, стартапа при поддержке Y Combinator, который специализируется на повышении производительности моделей машинного обучения путем устранения проблем. с данными, на которых они обучаются. Мы обсудили опыт Питера в индустрии беспилотных автомобилей, в том числе инновации, которые возникли в результате технологий беспилотных автомобилей, а также некоторые технические и этические проблемы, которые необходимо преодолеть, чтобы сделать беспилотные автомобили массовыми. вокруг света.

Вот некоторые из моих любимых приемов:

  • История беспилотных автомобилей уходит корнями гораздо дальше, чем думает большинство людей. Еще в середине 1900-х годов были разработаны первые предложения по беспилотному транспорту, но, учитывая состояние технологий в то время, единственный реальный способ добиться этого заключалось в том, чтобы сильно ограничить проблему. Даже теоретически требовались специально построенные гусеницы, магниты, установленные под дорогами для направления транспортных средств, и другая нестандартная инфраструктура. Но со временем и развитием технологий ограничения можно было ослабить: к 1990-м годам рудиментарные алгоритмы компьютерного зрения позволили беспилотным автомобилям достаточно хорошо работать на шоссе. Но эти более современные методы требовали, чтобы автоматизированный автомобиль был заполнен серверными стойками, и были недостаточно приспособлены для езды по городу. Только с появлением глубокого обучения возможности восприятия и планирования, необходимые для повседневного использования, стали достаточно хорошими для массового использования: благодаря компьютерному зрению автомобили теперь могут интерпретировать инфраструктуру вокруг них, вместо того, чтобы строить ее вместе с ними. в уме. Тем не менее, даже современные беспилотные автомобили - это Франкенштейн-монстр глубокого обучения, классических алгоритмов трехмерной геометрической реконструкции, жестко запрограммированных структур правил и робототехники.
  • Основным узким местом при создании полностью автономных автомобилей с автоматическим управлением оказалась проблема нераспределенной выборки, проблема, которая возникает, когда автомобиль сталкивается со сценарием, с которым он не сталкивался во время обучения. Например, Питер ссылается на проблему идентификации пешеходов в сложных костюмах на Хэллоуин - если модель не встретила человека в костюме морфинга во время тренировки, вероятность того, что она правильно классифицирует их как нечто, чего следует избегать, невелика. Эта проблема выборки по существу делает технологию беспилотных автомобилей, разработанную в Сан-Франциско, опасной для использования в городах с разными размерами улиц и дорожными условиями, такими как Феникс или Монреаль, поэтому внедрение технологии беспилотных автомобилей, вероятно, продолжится в городе. по городам. Каждая новая среда - это принципиально новая проблема.
  • На самом деле для многих коммерчески ценных приложений полная автономия не требуется. Некоторые постановки задач, естественно, более ограничены, чем другие - и Питер приводит в качестве примера посудомоечные машины: технически они являются автономным приложением робототехники, но это стало возможным только благодаря тому факту, что они установлены в тщательно ограниченной среде. Менее ограниченными, чем у посудомоечных машин, но более ограниченными, чем проблема повседневного вождения, являются такие проблемы, как перемещение груза по верфи или использование беспилотных летательных аппаратов для проверки линий электропередач. Хотя эти приложения не всегда могут выглядеть как автономные автомобили, они являются ответвлениями той же технологии, которая делает возможными беспилотные автомобили.
  • По мере того, как мы передаем большую часть принятия решений машинам, мы начинаем сталкиваться с некоторыми трудными моральными вопросами - и нигде эти вопросы не являются более острыми, чем в технологии беспилотных автомобилей. Кто или что виноват в аварии? Ответ, конечно, будет зависеть от ситуации. Поскольку самоуправляемые автомобили обычно находятся под определенным контролем со стороны человека - в виде операторов, ответственных за несколько транспортных средств, которые могут вмешиваться в случае двусмысленности, - поэтому будут случаи, когда небрежность оператора может быть фактором. Тем не менее, есть сценарии, в которых решение на основе искусственного интеллекта приводит к плохим результатам. Когда это происходит, лежит ли ответственность на компании, создавшей ИИ, на компании, которая его развернула, на лицах, ответственных за разработку алгоритмов или за сбор данных, на которых была обучена машина?
  • Питер подчеркивает, что довольно часто проблемы с производительностью ИИ на самом деле возникают из-за проблем с данными обучения, а не из-за архитектуры алгоритма. Он столкнулся с относительно постоянным набором проблем и работал над их решением, используя удивительно универсальные методы.

Вы можете подписаться на Питера в Twitter здесь или подписаться на меня в Twitter здесь.

Главы:

  • 0:00 Вступление
  • 1:45 История Питера
  • 4:15 Ранние проекты
  • 8:00 Как работает восприятие у беспилотных автомобилей
  • 18:30 Основные ограничения
  • 22:50 Хронология развития технологий беспилотных автомобилей
  • 26:40 Захватывающие применения технологий для беспилотных автомобилей
  • 34:50 Автоматизация других полей
  • 42:35 Рассуждения через случайности и ошибки
  • 47:10 Самые распространенные проблемы среди наборов данных
  • 56:00 Различные типы ошибок и способы их устранения
  • 1:00:10 Подведение итогов