Преодоление «барьера безопасности» является обязательным условием для масштабирования

Недавно из-за дорожно-транспортного происшествия с беспилотным автомобилем Weilan концепция автономного вождения вызвала много споров. В споре Tesla также столкнулась с расследованием Национальной администрации безопасности дорожного движения. Понятно, что расследование напрямую указывает на его автоматическую систему помощи при вождении Autopilot или затрагивает 765 000 автомобилей Tesla.

20 августа пять ведомств, в том числе Государственное управление киберпространства Китая, совместно выпустили «Положения об управлении безопасностью автомобильных данных», целью которых является стандартизация операций по обработке автомобильных данных. В «Регламенте» особо подчеркивалось, что технология искусственного интеллекта, представленная автоматическим вспомогательным вождением, становится все более популярной, и возможности обработки данных автомобиля увеличиваются день ото дня, а выявленные проблемы безопасности данных автомобиля и скрытые риски становятся все больше и больше. видный.

В сочетании с «Мнениями об укреплении управления интеллектуальными производителями автомобилей и доступом к продуктам», опубликованными недавно Министерством промышленности и информационных технологий Китая, можно четко ощутить, что надзор за автономным вождением со стороны регулирующих органов становится все более строгим. .

Стандарты и правила нуждаются в уточнении

Некоторые представители отрасли считают, что в дополнение к усилению надзора за отраслью автономного вождения с макроэкономической точки зрения наиболее важным для отрасли является разъяснение отраслевых стандартов и правил на техническом уровне, а также оценка безопасность системы автономного вождения каждого предприятия в соответствии с этими нормами и правилами. Производительность, надежность и стабильность.

Помимо технологических прорывов и обновлений, наиболее эффективной мерой по повышению безопасности и стабильности автономного вождения является усиление симуляционных испытаний и дорожных испытаний. Однако для каждой компании не существует четких единых требований к объему тестирования. Это напрямую влияет на энергетические и капитальные вложения предприятий в этой сфере. Только путем дальнейшего совершенствования этих стандартов и процедур с точки зрения дизайна высшего уровня беспилотные автомобили могут быть заранее одеты в «защитную одежду».

Безопасность всегда должна быть на первом месте

Чжан Цзянь сказал китайской газете Securities Times, что в отношении транспортных средств вопросы безопасности должны быть поставлены на первое место. Перед масштабным продвижением смарт-автомобилей традиционные автомобили также сталкиваются с проблемами безопасности. Вся отрасль постоянно укрепляет активную и пассивную безопасность транспортных средств. В эпоху умного вождения очень важна безопасность автомобилей. Всегда будут проблемы, и компании обязаны вкладывать долгосрочные усилия в эту область, чтобы постоянно улучшать стабильность и надежность своих продуктов.

Некоторые люди в отрасли считают, что для четкого обеспечения конечной безопасности продукта необходимо, чтобы вся отрасль обобщила и обдумала проблемы, выявленные на этом этапе, и как можно скорее нашла решения на техническом уровне. . Шен Хуэй, основатель, председатель и главный исполнительный директор Weima Motors, считает, что на пути к автономному вождению могут быть разные эпизоды, но технологические исследования, исследования и разработки в общем направлении не остановятся.

Масштабируемые высококачественные обучающие данные — ключ к успеху

Основная модель алгоритма автономного вождения в основном основана на контролируемом глубоком обучении. Это модель алгоритма, которая выводит функциональную связь между известными переменными и зависимыми переменными. Для обучения и настройки модели требуется большой объем структурированных размеченных данных.

Исходя из этого, если вы хотите сделать беспилотные автомобили более «интеллектуальными» и сформировать замкнутый цикл бизнес-модели для беспилотных приложений, который можно воспроизвести в различных сценариях вертикальной посадки, его необходимо поддерживать массивными и качественные данные о реальных дорогах.

Текущий искусственный интеллект также называют интеллектом данных. На этом этапе разработки чем больше слоев нейронной сети, тем глубже нейронная сеть и тем больший объем данных необходимо использовать для обучения. Для глубокого обучения данные имеют смысл только в том случае, если они правильно помечены, и их можно использовать для машинного обучения и эволюции.

Новое решение для проекта аннотации данных

ByteBridge, платформа инструментов для маркировки данных, управляемая людьми и основанная на машинном обучении, также осознала такие неотложные проблемы в отрасли маркировки данных и взяла на себя обязательство расширить возможности разработки ИИ с помощью своей автоматизированной панели маркировки данных. »

Точность

  • Емкость с поддержкой машинного обучения может помочь сократить количество человеческих ошибок за счет автоматической предварительной маркировки.
  • QA и QC в режиме реального времени интегрированы в рабочий процесс маркировки, поскольку для обеспечения эффективности введен механизм консенсуса.
  • Механизм консенсуса: мы даем одну и ту же задачу десяткам работников для проверки качества, и правильный ответ исходит от большинства результатов.
  • Все результаты работы полностью проверяются и проверяются машинами и людьми.

Таким образом, ByteBridge может подтвердить, что уровень принятия и точности наших данных составляет более 98%.

"Экономически эффективным"

Сочетание человеческого труда и алгоритмов искусственного интеллекта обеспечивает на 50 % более низкую цену по сравнению с обычным рынком.

Сервис аннотаций 3D-облака точек

Самостоятельно разработанные ByteBridge средства маркировки 3D-облака точек, инструмент контроля качества и функции предварительной маркировки могут выполнять высококачественную и высокоточную аннотацию 3D-облака точек для слияния 2D-3D или 3D-изображений, предоставляемых различными производителями и оборудованием, и обеспечивают одно- служба управления станцией маркировки, обеспечения качества и контроля качества.

Дополнительная информация: ByteBridge запускает первую в мире мобильную службу маркировки данных 3D Point Cloud

Типы аннотаций 3D-облака точек:

  • Sensor Fusion Cuboids: 49 категорий, включая автомобили, грузовики, тяжелые транспортные средства, двухколесные транспортные средства, пешеходы и т. д.
  • Сегментация Sensor Fusion: классификация препятствий, разграничение различных типов дорожек
  • Отслеживание кубоидов Sensor Fusion

① Отслеживание одного и того же объекта с тем же идентификатором, маркировка состояния ухода;

② Могут быть предоставлены синхронизированные по времени 2D-изображения, только облака точек.

Преимущества нашего сервиса аннотаций 3D-облака точек:

· Поддержка слияния датчиков 2D/3D, поддержка нескольких камер

· Поддержка масштабируемой аннотации данных

· Инструмент для слияния датчиков с искусственным интеллектом: маркировка со скоростью в 2-5 раз больше.

· Простота использования инструмента контроля качества: проверка в реальном времени и синхронная обратная связь

Конец

Если вам нужны услуги по маркировке и сбору данных, загляните на bytebridge.io, доступны четкие цены.

Доступна интерактивная демонстрация контроля качества 3D точки помутнения. Пожалуйста, не стесняйтесь обращаться к нам: support@bytebridge.io

Источник: https://baijiahao.baidu.com/sid=1708636385451580450