Разработчики: | Toyota, Intel |
Дата премьеры системы: | 2017 |
Отрасли: | Транспорт |
Исследователи из Intel, Toyota и испанского Центра компьютерного зрения разработали в 2017 году симулятор городской среды, предназначенный для обучения алгоритмов управления беспилотными автомобилями. Он позволяет имитировать работу различных сенсоров и получать данные в реальном времени. Код симулятора опубликован[1] под свободной лицензией, поэтому разработчики могут адаптировать его под свои нужды. Также исследователи изучили с помощью симулятора эффективность алгоритмов разных типов. Разработка была представлена на Конференции по обучению роботов в штаб-квартире Google, статья опубликована на arXiv.org[2].
Многие крупные автопроизводители разрабатывают беспилотные автомобили. Поскольку для самостоятельного управления они должны учитывать огромное количество факторов, алгоритмы поведения в тех или иных ситуациях в основном не прописываются «вручную» программистами, а формируются в процессе обучения. Для этого используется реальное тестирование, при котором автомобиль передвигается по дорогам вместе с инженером, готовым в случае неправильных действий алгоритма перехватить управление.
Исследователи под руководством Владлена Колтуна (Vladlen Koltun) из Центра Компьютерного Зрения в Барселоне создали симулятор с открытым кодом под названием CARLA. В нем имитируется городская среда со зданиями, пешеходами, автомобилями и другими объектами, а также меняющаяся погода. Для рендеринга в симуляторе используется бесплатный для некоммерческого использования движок Unreal Engine 4. Разработчики алгоритмов для беспилотных автомобилей могут подключать к симулятору свои алгоритмы через специальный API. На данный момент в симуляторе доступны несколько сенсоров: обычная камера, камера глубины и сегментирующая камера, классифицирующая объекты. Также доступен API для подключения сторонних датчиков.
Разработчики также оценили с помощью своей системы разные подходы, используемые при обучении таких алгоритмов. Они сравнивали подход, называемый модульным конвейером, в котором за обработку разных входных данных, например, визуальное восприятие, планирование и управление, отвечают разные подсистемы. Такой подход с некоторыми различиями в реализации используется в большинстве существующих систем управления беспилотных автомобилей. Также исследователи оценивали два вида оконечного (end-to-end) глубокого обучения, при котором система получает максимально «сырые», то есть неразмеченные данные. Для оценки такого подхода исследователи выбрали нейросети, обученные с помощью имитационного обучения, при котором сеть старается имитировать поведение человека, и подкрепление с обучением, при котором она получает оценку своих действий.
Они выяснили, что разные подходы в большинстве случаев имели примерно одинаковую эффективность, и их результаты различались менее, чем на 10 процентов. Но также исследователи обнаружили, что в случае, когда погода отличалась от той, на которой алгоритм тренировался, модульный подход имел заметное преимущество, а в случае нового города, отличавшегося от тренировочного, наоборот проигрывал другим алгоритмам. Исследователи также сравнили между собой два метода оконечного глубокого обучения, и выяснили, что алгоритмы, обученные с подкреплением справлялись значительно хуже во всех задачах.
CARLA is an open-source simulator for autonomous driving research. CARLA has been developed from the ground up to support development, training, and validation of autonomous urban driving systems. In addition to open-source code and protocols, CARLA provides open digital assets (urban layouts, buildings, vehicles) that were created for this purpose and can be used freely. The simulation platform supports flexible specification of sensor suites and environmental conditions.Помощник или конкурент? Чем ИИ может быть полезен в HR-процессах
Робототехника
- Роботы (робототехника)
- Робототехника (мировой рынок)
- Обзор: Российский рынок промышленной робототехники 2019
- Карта российского рынка промышленной робототехники
- Промышленные роботы в России
- Каталог систем и проектов Роботы Промышленные
- Топ-30 интеграторов промышленных роботов в России
- Карта российского рынка промышленной робототехники: 4 ключевых сегмента, 170 компаний
- Технологические тенденции развития промышленных роботов
- В промышленности, медицине, боевые (Кибервойны)
- Сервисные роботы
- Каталог систем и проектов Роботы Сервисные
- Collaborative robot, cobot (Коллаборативный робот, кобот)
- IoT - IIoT - Цифровой двойник (Digital Twin)
- Компьютерное зрение (машинное зрение)
- Компьютерное зрение: технологии, рынок, перспективы
- Как роботы заменяют людей
- Секс-роботы
- Роботы-пылесосы
- Искусственный интеллект (ИИ, Artificial intelligence, AI)
- Обзор: Искусственный интеллект 2018
- Искусственный интеллект (рынок России)
- Искусственный интеллект (мировой рынок)
- Искусственный интеллект (рынок Украины)
- В банках, медицине, радиологии, ритейле, ВПК, производственной сфере, образовании, Автопилот, транспорте, логистике, спорте, СМИ и литература, видео (DeepFake, FakeApp), музыке
- Национальная стратегия развития искусственного интеллекта
- Национальная Ассоциация участников рынка робототехники (НАУРР)
- Российская ассоциация искусственного интеллекта
- Национальный центр развития технологий и базовых элементов робототехники
- Международный Центр по робототехнике (IRC) на базе НИТУ МИСиС
- Машинное обучение, Вредоносное машинное обучение, Разметка данных (data labeling)
- RPA - Роботизированная автоматизация процессов
- Видеоаналитика (машинное зрение)
- Машинный интеллект
- Когнитивный компьютинг
- Наука о данных (Data Science)
- DataLake (Озеро данных)
- BigData
- Нейросети
- Чатботы
- Умные колонки Голосовые помощники
- Безэкипажное судовождение (БЭС)
- Автопилот (беспилотный автомобиль)
- Беспилотные грузовики
- Беспилотные грузовики в России
- В мире и России
- Летающие автомобили
- Электромобили