您好,欢迎来到中国自动驾驶高精地图行业创新发展论坛2021!

Helm.ai对2至4级自动驾驶汽车实施“深度教学”

发布日期:2020-07-22

库鲁马工場 hdmap 今天 

手机阅读

点击上方蓝色字体,关注我们

为了使机器人和车辆更具自主性,开发人员正在寻找构建人工智能的方法,这些人工智能需要较少的数据和费力的注释。Helm.ai Inc.上个月宣布了“深度教学”,它被描述为一种无需人工注释或模拟即可训练神经网络的新方法。


这家位于加利福尼亚州Menlo Park的初创公司声称,“深度教学”可以比当前方法更快,更准确地提供计算机视觉性能。Helm.ai补充说,它可以更有效地训练大量数据,而无需大规模的舰队或众多的人工注释者。


Helm.ai**执行官Vlad Voroninski表示:“依赖人工批注数据的传统AI方法完全不适合满足自动驾驶和其他要求对人类水平的计算机视觉准确性要求严格的安全关键系统的需求。” “深度教学是无监督学习的一项突破,它使我们能够通过训练真实的传感器数据来充分利用深度神经网络的强大功能,而无需人工注释或仿真。”


他对《机器人报告》说:“注释的市场价格是每张图像美元,一辆车每天可以收集数千万张图像。” “人类不只是学会通过实践来驾驶;我们已经从世界各地的操作中了解了很多事情,并且我们可以轻松地解释驾驶中以前看不见的新情况。”


深度教学可推广到新场景


在Helm.ai的“深度教学”技术的第一个用例中,它训练了一个神经网络,可以检测来自世界各地成千上万个不同行车记录仪视频中成千上万张图像上的车道,而无需任何人工注释或模拟。这样一来,它就可以处理在自动驾驶行业中众所周知的困难情况,例如雨,雾,眩光,褪色或缺少车道标记以及各种照明条件。


Helm.ai说,它能够使用该神经网络以*小的工程工作量和传统深度学习方法所需的成本和时间的一小部分超越公共计算机视觉基准。


Voroninski说:“我们已经开发出了无需注释或模拟即可对原始传感器数据进行训练的功能。” “通过减少从更多图像中学习的资金成本,我们可以获得更准确的结果和更通用的人工智能。”


此外,Helm.ai还构建了完整的软件堆栈,使车辆仅使用一台摄像头和一个GPU,但无需地图,激光雷达和GPS即可在陡峭弯曲的山路上自动驾驶。该公司表示,该系统无需事先培训这些道路的数据即可正常工作。


“典型的自动驾驶堆栈包括传感器数据,解释该数据的感知层,了解代理商将来可能如何做出反应的意图预测模型,路径规划模块以及执行决策的车辆控制堆栈,”沃罗宁斯基解释。“控制部分或多或少地得到了解决,但是在感知和意图预测步骤中发生了很多繁重的事情。”


他说:“当我们第一次进入这个领域时,我们检查了其他公司正在采用的方法。”传统的人工智能还不够。要获得Helm.ai的功能,需要进行大量的研究和开发,并且通过将我们的经验与应用数学和压缩感知相结合以及对深度学习的理解相结合,我们具有一些独特的优势。在Helm,我们有一个由小团队组成的团队,他们在AI研发方面拥有顶尖技能,专注于开发产品。”


从那时起,Helm.ai将“深度教学”应用到数十个对象类别的语义分割,单眼视觉深度预测,行人意图建模,激光雷达视觉融合以及高清制图的自动化。



基准和奖项


Helm.ai声称其“深度教学”系统在性能基准方面已经超过了*先进的生产系统,并指出它已在Tech.AD底特律获得认可。


Voroninski说:“行驶里程数或收集的车队数据的度量标准并不表示成功。” “很难证明感知堆栈能够做出正确的决定。通过对具有各种对抗性场景的大型数据集进行训练,我们实现了通用化,可以开箱即用地处理极端情况。”


他说:“我们希望将我们的系统置于与生产系统相同的约束下。” “我们不想过分适应特定的情况,并且由于我们无法控制生产系统中车辆的行驶位置,因此我们在全新的情况下尝试了该系统。”



安全和L2到L4车辆


Helm.ai表示,人工智能和机器视觉应用程序(例如Web搜索或零件检查)对时间和安全性的要求不如自动驾驶汽车重要。该公司表示,其“对图像和其他传感器数据的巨大数据集进行经济培训”的方法将使自动驾驶汽车行业受益。


Quora**执行官Adam D’Angelo说:“ Helm.ai的自动驾驶技术非常适合发挥自动驾驶的潜力。” “我期待团队在未来几年中将继续取得的进步,并且很高兴能够对公司进行投资。”


同时,Helm.ai专注于高级驾驶员辅助系统(ADAS),而不是5级或全自动驾驶汽车。Voroninski说:“我们不依赖传感器硬件模式的突破。” “能够从摄像机的角度接近人眼的能力很棒,但是在解释传感器数据时,瓶颈在于推理方面。”


Voroninski承认,Helm.ai的演示只使用了一个摄像头,但是其他传感器在实现自主的道路上可能会有所帮助。


他说:“例如,雷达在下雨,下雪或起雾时具有更大的冗余度和耐用性。” “激光雷达可以精确地测量深度,但是容易受到其他许多问题的影响,包括尘埃云或汽车尾气弹起的趋势。为了真正弄清楚哪些激光雷达回报是相关的,您无论如何都必须使用视觉,这就是为什么我们认为通过无监督学习用计算机视觉训练神经网络是实现真正可扩展的自治系统的*有效方法。”



深度教学的其他机会


Helm.ai表示,除了自动驾驶汽车外,深度教学还可以在航空,机器人技术,制造和零售业中使用。


Voroninski说:“我们不知道深度教学的通用性如何,但是随着技术的发展,我们发现它非常通用。” “对于我们训练的对象类别而言,这并不重要,我们可以为其中的任何一个训练。”


他说:“在与世界互动并需要高级AI堆栈的安全关键型系统中,Helm有很多机会。” “我们已经在与多家汽车制造商和车队合作。”


在COVID-19大流行严重影响美国之前,Helm.ai在三月份筹集了1300万美元的种子资金。


Voroninski说:“我们所做的绝大多数是软件开发,因此我们可以远程有效地进行工作。” “我们可以在带电车辆上进行测试。这种情况凸显了对自动化的需求,它将加快速度。但是到了Robotaxis真正大规模投放时,希望到那时COVID不会成为问题。”


他说:“我们对生态系统的价值主张是稳定的-提供高价值的自治软件。”


作者:Eugene Demaitre

原文链接:https://www.therobotreport.com/deep-teaching-helm-ai-applies-level-2-4-autonomous-vehicles/



相关文章

东芝的光传感器为廉价激光雷达铺平道路
高精地图技术在自动驾驶系统中的重要意义
除了汽车高精度地图无人驾驶传感器之外的另一只眼睛




SELECTED EVENTS




 

长按二维码识别关注



我就知道你“在看”


  • 电话咨询
  • 021-22306692
  • 15021948198
None