uutiset

Kun päästä päähän suuret mallit tulevat suosituksiin, voiko autonominen ajaminen johtaa lopulta?

2024-07-15

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Kun Baidun itseajava taksi "Carrot Run" poistui ympyrästä, autonominen ajaminen näyttää todella tulleen tavallisille ihmisille. Useimpien ammatinharjoittajien mielestä nykyiset L4 Robotaxit tai älykkäiden sähköautojen älykkäät ajoapujärjestelmät ovat kuitenkin vielä kaukana helppokäyttöisyydestä ja laajamittaisesta kaupallistamisesta.

"Näemme tällä hetkellä, että suurin osa nykyisestä kaupunkialueiden NOA:sta on vielä käyttökelpoisessa vaiheessa, eivätkä ole vielä saavuttaneet helppokäyttöisyyttä. Suurimpia ongelmia ovat edelleen liikenteen heikko tehokkuus ja persoonaton käyttäytyminen. Määrän nopea kasvu Autoyhtiöiden kaupunkikattavuus on johtanut järjestelmän saatavuuden laskuun. Todella helppokäyttöisen Smart Driving 2.0 -järjestelmän on tarjottava antropomorfinen älykäs ajokokemus Autofoorumi, jossa autonominen ajaminen tuo ChatGPT-hetken.

Vuodesta 2023 alkaen Tesla väitti omaksuneensa FSD:n V12-version täysin päästä päähän laajamittaisen mallin, mikä laukaisi myöhemmin laajoja keskusteluja autoteollisuudessa, kuten Xpeng ja Weilai, sekä toimittaja Yritykset, kuten Horizon ja Yuanrong Qixing, ilmoittivat peräkkäin ottavansa käyttöön älykkään ajojärjestelmän.

Äskettäin Chentao Capital ja kolme osapuolta julkaisivat "End-to-End autonomisen ajoteollisuuden tutkimusraportin" (jäljempänä "raportti") osoittaa, että yli 30 autonomisen alan asiantuntijan joukossa sen haastattelema ajoteollisuus, 90 % Hän sanoi, että yritys, jossa hän työskentelee, on investoinut päästä päähän -teknologian tutkimukseen ja kehittämiseen, ja useimmat teknologiayritykset uskovat, että tätä teknologista vallankumousta on sietämätöntä jättää väliin.

Yu Qian, yksi Qingzhou Zhihangin perustajista ja toimitusjohtaja, uskoo, että viimeaikainen päästä päähän -tekniikka on antanut selkeän suuntauksen älykkään ajotekniikan kehitykseen.

Julkinen tieto osoittaa, että päästä-päähän on syväoppimisen käsite, joka viittaa tekoälymalliin, joka voi tulostaa lopputuloksen niin kauan kuin alkuperäinen data syötetään. Tyypillinen esimerkki on suosittu ChatGPT. Päästä päähän -teknologian soveltaminen autonomisessa ajamisessa on muuttanut useiden mallien, kuten havainnoinnin, ennustamisen ja suunnittelun, alkuperäisen arkkitehtuurin "integroidun havainnon ja päätöksenteon" yhden mallin arkkitehtuuriksi. Maallikolla sanottuna autonomiset ajoreitit olivat ennen kuin useat ihmiset ajaisivat autoa, mutta end-to-end -tekniikka on yhden ihmisen ajoa, mikä on lähempänä todellista ihmisajoa.

"Päästä päähän iso malli on koulutettu todennäköisyysmallin perusteella. Yksi ongelma siinä on, että suhteellisen yksinkertaisissa ja helposti kuvattavissa skenaarioissa sen tulos ei usein ole niin tarkkaa ja tulos on suhteellisen alhainen; Tesla on tehnyt tällä alalla melko paljon, mutta tätä ongelmaa ei ole täysin ratkaistu. Uskomme, että nykyisen riittävän datan puutteessa meidän on edelleen toteutettava asteittainen moduuli moduuli kerrallaan. täydellinen päästä päähän samalla kun varmistetaan turvallisuus Suhteellisen vankka tekninen infrastruktuuri ja nopea iterointimenetelmä voivat asteittain lisätä järjestelmän suorituskyvyn ylärajaa ja varmistaa samalla järjestelmän suorituskyvyn alarajan", Chen Liming sanoi.

Saiko Intelligent CTO Yu Qiankun kertoi, että älykäs ajo-sovellus voidaan jakaa kahteen vaiheeseen: ensimmäinen vaihe on kaksimalliratkaisu, joka on tällä hetkellä alan yleisempi suuntaus, mutta kaksi- malli Koska keskellä on eksplisiittinen lähtö, -malliratkaisussa tulee väistämättä jonkin verran informaatiota, mikä vaikeuttaa anturitietojen täysimääräistä hyödyntämistä, toinen vaihe on yhden mallin ratkaisu -vaiheratkaisu Tällä hetkellä monet tekevät esitutkimusta, joka on lähempänä AGI:n suuntaa, mutta tämä suunta on suhteellisen vaikea, ja sen arvioidaan näkevän suuria sovelluksia vasta 3-5 vuoden kuluttua. myöhemmin. On syytä huomauttaa, että monet autoyritykset eivät ole täysin luopuneet perinteisestä "sääntöjen hallinnasta" julkistettuaan "päästä-päähän" ajoneuvojen lanseeraukset.

Autoyhtiön autonomisen ajoalgoritmin insinööri sanoi, että koska hermoverkon tuottamilla tuloksilla on tietty todennäköisyys, ei ole takeita siitä, että tulosten tulokset ovat täysin turvallisia. Siksi sääntömenetelmä on edelleen tarpeen sen jälkeen, kun päästä päähän laaja malli on käynnistetty. Tällä hetkellä useimmat päästä-päähän älykkäät ajojärjestelmät käyttävät edelleen joitain sääntömenetelmiä suorittaakseen toissijaisen tarkistuksen hermoverkon lähdölle.

Tällä hetkellä teollisuus uskoo yleisesti, että kotimaisten autoyhtiöiden ja Teslan välinen tutkimus- ja kehityskuilu on noin 1,5–2 vuotta. Gu Junli, Chery Automobile Co., Ltd.:n varatoimitusjohtaja, uskoo, että jotta Tesla saataisiin kiinni liiketoimintamallin suhteen, tuotteita on skaalattava. "Kun data saavuttaa yli miljoonan Teslan tason, mallin intensiivisen koulutuksen avulla älykäs ajo voi oppia videovirran ja kertoa kuljettajalle suoraan ajosuuntaan, aivan kuten tällä hetkellä suosittu ChatGPT."

Verrattuna lähes ainoaan ulkomaiseen Teslaan, kotimaiset älykkäät ajojärjestelmät ovat vaiheessa, jossa satoja kukkia kukkii. Eri mallien ja erilaisten teknisten ratkaisujen välinen tiedon yhdistäminen on vaikeaa, mikä tuo mukanaan tiettyjä vaikeuksia -lopun suuren mittakaavan malli, joka perustuu tietoihin.

Chen Liming sanoi: "Tällä hetkellä kohtaamamme vaikeus on se, että monien mallien ja antureiden arkkitehtuuri, antureiden järjestely ja käyttöönotto jne. muuttuvat jatkuvasti. Vaikka olemme keränneet paljon dataa, dataa ei kerry korkealle. laadukasta ja sitä voidaan käyttää jatkuvasti. Kyllä, tämä on kysymys, josta meidän ei tarvitse keskustella vain yrityksenä, vaan koko toimialana. Toisin sanoen, me kaikki voimme yhdessä ratkaista tämän ongelman pitää keskustella yhdessä."

Yu Qiankun uskoo myös, että päästä päähän -tekniikan sovelluksissa on tällä hetkellä ongelmia, kuten tiedonkeruun heikko täydellisyys, tiedonkeruun huono uudelleenkäytettävyys ja alhainen koulutuksen laskentateho.