基于深度学习的自动驾驶有个根本问题

h
helloterran
楼主 (未名空间)

人类驾驶员干预的频率越低,模型的学习率也就越低。

最终会收敛到一个几乎水平的极限

但是这个极限的水平有没有达到普通人类驾驶员的认知能力?目前的普遍观点是还差的远。你还是不敢去后座上睡觉,永远得盯着。

多用传感器也是饮鸩止渴。 数据再多,模型学习率没法改善。 反而各分系统互相打架的情况会更麻烦。

总的来说,不看好lvl3以上的自动驾驶能够靠深度学习,靠堆数据砸算力来实现
s
spring405

你好 你对汽车主动安全有研究,是业内人士吗?
想请教一些问题

你的信箱满了
YWY

AlphaGo Zero, developed by humans, can beat the best Go players.
s
sue85

历史数据够多就行了,没有什么新情况。定期更新历史数据。
【 在 helloterran (hi you) 的大作中提到: 】
: 人类驾驶员干预的频率越低,模型的学习率也就越低。
: 最终会收敛到一个几乎水平的极限
: 但是这个极限的水平有没有达到普通人类驾驶员的认知能力?目前的普遍观点是还差的
: 远。你还是不敢去后座上睡觉,永远得盯着。
: 多用传感器也是饮鸩止渴。 数据再多,模型学习率没法改善。 反而各分系统互相打架
: 的情况会更麻烦。
: 总的来说,不看好lvl3以上的自动驾驶能够靠深度学习,靠堆数据砸算力来实现

PBSNPR

深度学习的AlphaGo,24小时内可以制造几亿个棋局,人类2000年积累的棋谱也不到阿
尔法狗记住的棋谱的百万分之一。

阿尔法狗最终可以把围棋所有可能的棋谱走法穷尽,而自动驾驶的路况的可能性比围棋棋谱的可能性少多了。

【 在 YWY (夜未央) 的大作中提到: 】
: AlphaGo Zero, developed by humans, can beat the best Go players.

PBSNPR

现在汽车芯片最高级别是40nm,大多数还在65nm水平,估计达到自动驾驶天马行空级别,需要7nm以下芯片。

大家都去找台积电出货汽车芯片,其实要求其为他们制造7nm以下芯片,这意味着台积
电必须造新厂,投资500亿美刀,谁来出钱?

米帝本来对兲朝的芯片制造限制在10nm,现在加严到14nm,不是为了枪毙华为手机,而是枪毙兲朝自动驾驶。
YWY

自动驾驶难度当然要大很多。

我举AlphaGo Zero的例子只是想说,人工智能可以比人类做得更好。基于深度学习的自动驾驶,等数据足够多后(可能要花很长时间),可以比人类做得更好。而且机器还不打瞌睡不疲劳,又一大优势。

所以,一定要有数据、数据、数据。

【 在 PBSNPR (大刀王五) 的大作中提到: 】
: 深度学习的AlphaGo,24小时内可以制造几亿个棋局,人类2000年积累的棋谱也不到阿
: 尔法狗记住的棋谱的百万分之一。
: 阿尔法狗最终可以把围棋所有可能的棋谱走法穷尽,而自动驾驶的路况的可能性比围棋
: 棋谱的可能性少多了。

PBSNPR

7nm芯片集成的晶体管数量100亿个,65nm芯片不过2亿个晶体管,就可以知道运算能力了

5nm芯片,目前可以达到160亿个晶体管,只有台积电能够量产。

大家都去抱台积电的大腿,就知道后面的故事了。
PBSNPR

数据可以模拟。

飞行员一定要出事故才能做到得到经验?

还不是靠模拟器来解决?

【 在 YWY (夜未央) 的大作中提到: 】
: 自动驾驶难度当然要大很多。
: 我举AlphaGo Zero的例子只是想说,人工智能可以比人类做得更好。基于深度学习的自
: 动驾驶,等数据足够多后(可能要花很长时间),可以比人类做得更好。而且机器还不
: 打瞌睡不疲劳,又一大优势。
: 所以,一定要有数据、数据、数据。

j
jwzhanggy

模拟器能做到的仅仅是一些场景下 sample,想要充分sample更多的可能情况,只能开
车出去不断采集数据。

【 在 PBSNPR(大刀王五) 的大作中提到: 】

: 数据可以模拟。

: 飞行员一定要出事故才能做到得到经验?

: 还不是靠模拟器来解决?

YWY

没必要出事故的,每当司机介入,都可以看作是自动驾驶遇到了还没学会的情景。采集这个情景的数据,喂给自动驾驶的深度学习,这样自动驾驶就会变得越来越好。所以,要有数据,前提是还要有采集数据的人和车,还要有采集数据的成熟机制。

【 在 PBSNPR (大刀王五) 的大作中提到: 】
: 数据可以模拟。
: 飞行员一定要出事故才能做到得到经验?
: 还不是靠模拟器来解决?

YWY

对,模拟的总是差些火候,还是在司机监控下的(未完全成熟的)自动驾驶在真实路况上开,才能遇到各种千奇百怪的edge cases。

【 在 jwzhanggy (CarMaker) 的大作中提到: 】
: 模拟器能做到的仅仅是一些场景下 sample,想要充分sample更多的可能情况,只能开
: 车出去不断采集数据。
:
: 数据可以模拟。
:
: 飞行员一定要出事故才能做到得到经验?
:
: 还不是靠模拟器来解决?
:

newIdRobot

DL 容易被Adversarial Attack,就识别不出来了。

这样太危险了。华为的激光雷达辅助反而更保险。

【 在 helloterran (hi you) 的大作中提到: 】
: 人类驾驶员干预的频率越低,模型的学习率也就越低。
: 最终会收敛到一个几乎水平的极限
: 但是这个极限的水平有没有达到普通人类驾驶员的认知能力?目前的普遍观点是还差的
: 远。你还是不敢去后座上睡觉,永远得盯着。
: 多用传感器也是饮鸩止渴。 数据再多,模型学习率没法改善。 反而各分系统互相打架
: 的情况会更麻烦。
: 总的来说,不看好lvl3以上的自动驾驶能够靠深度学习,靠堆数据砸算力来实现

ABCNBC

计算机模拟比人厉害多了。

你的围棋阿狗就是靠自己同自己下棋,每天下100万棋局,不重复,人类根本不是对手。

同样用高速计算机模拟路况路情,每天可以模拟100万种,还怕什么?

【 在 YWY (夜未央) 的大作中提到: 】
: 对,模拟的总是差些火候,还是在司机监控下的(未完全成熟的)自动驾驶在真实路况
: 上开,才能遇到各种千奇百怪的edge cases。

t
ttsu588

自动驾驶这个东西现在有没有进化到机机对话?

所有车辆之间二百米内无线电波广谱发射所有信息,不光要自己光学,雷达收集信息,也要收集别车的信息。比如前车看到前面一个大坑,但是因为后车视线受影响,无法看到这个大坑。如果前车看到坑的同时也广谱无线电告知后面所有车,现在自动驾驶有这功能吗?

h
hahan

其实码农多少都有几个朋友在自动驾驶公司吧
现在的自动驾驶基本还很primitive
就是给个图片 有个自行车 train
在给个自行车 车轮大一点 train
在给个自行车 车把有个框 train
基本就是这样
不少公司都放弃了 据说狗家的waymo也要砍

【 在 helloterran (hi you) 的大作中提到: 】
: 人类驾驶员干预的频率越低,模型的学习率也就越低。
:
: 最终会收敛到一个几乎水平的极限
:
: 但是这个极限的水平有没有达到普通人类驾驶员的认知能力?目前的普遍观点是还差的
: 远。你还是不敢去后座上睡觉,永远得盯着。
:
: 多用传感器也是饮鸩止渴。 数据再多,模型学习率没法改善。 反而各分系统互相打架
: 的情况会更麻烦。
:
: 总的来说,不看好lvl3以上的自动驾驶能够靠深度学习,靠堆数据砸算力来实现
h
hahan

你是片都不懂
计算机的算力和人脑比起来是天壤之別

【 在 ABCNBC (小李飞刀) 的大作中提到: 】
: 计算机模拟比人厉害多了。
:
: 你的围棋阿狗就是靠自己同自己下棋,每天下100万棋局,不重复,人类根本不是对
手。
:
: 同样用高速计算机模拟路况路情,每天可以模拟100万种,还怕什么?
:
:
: 【 在 YWY (夜未央) 的大作中提到: 】
: : 对,模拟的总是差些火候,还是在司机监控下的(未完全成熟的)自动驾驶在真实路况
: : 上开,才能遇到各种千奇百怪的edge cases。
j
jwzhanggy

你这明显就不懂瞎胡说,围棋状态枚举是有规则的,围棋棋盘 19x19个空,每个空分黑、白、无子 三种情况,下面要做的就是搜索,虽然空间很大但还是有限的

开车可不一样,现实世界可是连续,且任意一个地理空间上的状态可以有无数种可能性,你怎么做模拟器模拟?模拟器能模拟出高速路上出现鸵鸟和骆驼赛跑吗?现实世界还真的就出现了…

【 在 ABCNBC(小李飞刀) 的大作中提到: 】

: 计算机模拟比人厉害多了。

: 你的围棋阿狗就是靠自己同自己下棋,每天下100万棋局,不重复,人类根本不
是对手。

: 同样用高速计算机模拟路况路情,每天可以模拟100万种,还怕什么?

h
heihuafei

还有个问题 高速路上硬件软件故障系统崩溃怎么处理

m
meadude

传统的算法是你说的这样的。但是所有的棋谱的走法海量去了,当今的计算机也无能
为力的。这就是围棋为什么一直没有被计算机攻破,直到深度学习的出现。它不但赢了人类,还下出了人类从没有想到过的步路。

【 在 PBSNPR (大刀王五) 的大作中提到: 】
: 深度学习的AlphaGo,24小时内可以制造几亿个棋局,人类2000年积累的棋谱也不到阿
: 尔法狗记住的棋谱的百万分之一。
: 阿尔法狗最终可以把围棋所有可能的棋谱走法穷尽,而自动驾驶的路况的可能性比围棋
: 棋谱的可能性少多了。

j
jwzhanggy

你都没搞明白什么叫离散空间什么叫连续空间就瞎胡说

【 在 PBSNPR(大刀王五) 的大作中提到: 】

: 深度学习的AlphaGo,24小时内可以制造几亿个棋局,人类2000年积累的棋谱也
不到阿

: 尔法狗记住的棋谱的百万分之一。

: 阿尔法狗最终可以把围棋所有可能的棋谱走法穷尽,而自动驾驶的路况的可能性比围棋

: 棋谱的可能性少多了。

m
meadude

你知道这个空间有多大吗?有个故事,就是棋盘上放米粒儿,第一格一粒,第二格两粒,等等,放满一个棋盘,全世界的大米都不够。计算机下二十一点,都需要Monte
Carlo模拟抽样,而围棋的复杂度远远不是一个数量级的。

【 在 jwzhanggy (CarMaker) 的大作中提到: 】
: 你这明显就不懂瞎胡说,围棋状态枚举是有规则的,围棋棋盘 19x19个空,每个空分黑
: 、白、无子 三种情况,下面要做的就是搜索,虽然空间很大但还是有限的
: 开车可不一样,现实世界可是连续,且任意一个地理空间上的状态可以有无数种可能性
: ,你怎么做模拟器模拟?模拟器能模拟出高速路上出现鸵鸟和骆驼赛跑吗?现实世界还
: 真的就出现了…
:
: 计算机模拟比人厉害多了。
:
: 你的围棋阿狗就是靠自己同自己下棋,每天下100万棋局,不重复,人类根本不
: 是对手。
:
: 同样用高速计算机模拟路况路情,每天可以模拟100万种,还怕什么?
:

j
jwzhanggy

我可是专门做 deep learning 的… 这个空间非常大没有错,但是空间里并不需要每
个状态都枚举,通过算法每一步进行搜索空间剪枝,每一步只需要搜索下一步top k收
益最大都几个可能性,这是 alpha狗可以 work 的原因

围棋这个离散空间还是可数的,现实世界这个连续空间的可能性和搜索量级那就是无限了,学过基本离散数学的都明白这俩的差别了

【 在 meadude(meadude) 的大作中提到: 】

: 你知道这个空间有多大吗?有个故事,就是棋盘上放米粒儿,第一格一粒,第二格两粒

: ,等等,放满一个棋盘,全世界的大米都不够。计算机下二十一点,都需要
Monte

: Carlo模拟抽样,而围棋的复杂度远远不是一个数量级的。

m
meadude

那你觉得我不是做 deep learning 的 :)

【 在 jwzhanggy (CarMaker) 的大作中提到: 】
: 我可是专门做 deep learning 的… 这个空间非常大没有错,但是空间里并不需要每
: 个状态都枚举,通过算法每一步进行搜索空间剪枝,每一步只需要搜索下一步top k收
: 益最大都几个可能性,这是 alpha狗可以 work 的原因
: 围棋这个离散空间还是可数的,现实世界这个连续空间的可能性和搜索量级那就是无限
: 了,学过基本离散数学的都明白这俩的差别了
:
: 你知道这个空间有多大吗?有个故事,就是棋盘上放米粒儿,第一格一粒,第二
: 格两粒
:
: ,等等,放满一个棋盘,全世界的大米都不够。计算机下二十一点,都需要
: Monte
:
: Carlo模拟抽样,而围棋的复杂度远远不是一个数量级的。
: ...................

j
jwzhanggy

你用大米真逗,应该是超过全宇宙的原子数,数字虽然大但在数学上依旧是有限的数字。现实世界是连续空间,其复杂度是无限且其可能性数学上是不可数,自动驾驶难度超围棋太多太多太多

【 在 meadude(meadude) 的大作中提到: 】

: 你知道这个空间有多大吗?有个故事,就是棋盘上放米粒儿,第一格一粒,第二格两粒

: ,等等,放满一个棋盘,全世界的大米都不够。计算机下二十一点,都需要
Monte

: Carlo模拟抽样,而围棋的复杂度远远不是一个数量级的。

lisas


您这 。。。太外行了。。。

【 在 meadude (meadude) 的大作中提到: 】
: 你知道这个空间有多大吗?有个故事,就是棋盘上放米粒儿,第一格一粒,第二格两粒
: ,等等,放满一个棋盘,全世界的大米都不够。计算机下二十一点,都需要Monte
: Carlo模拟抽样,而围棋的复杂度远远不是一个数量级的。

m
meadude

我不是认识你啊,为什么这样开玩笑?你,是 Alpha Go 的作者?

【 在 lisas (wonderfulLand) 的大作中提到: 】
: 您这 。。。太外行了。。。

lisas


好吧,我没仔细跟帖,我道歉。。。当我没说。

【 在 meadude (meadude) 的大作中提到: 】
: 我不是认识你啊,为什么这样开玩笑?你,是 Alpha Go 的作者?

mrmaja

现在训练就是用的实际驾驶数据,特斯拉的优势就在于数据。所以他家用户其实一直在train他家的模型。
还有人想出了用赛车游戏来收集数据训练模型的招

搞数据这点国内其实更有优势,所以看好国内造车新势力的自动驾驶会很快领先

【 在 helloterran (hi you) 的大作中提到: 】
: 人类驾驶员干预的频率越低,模型的学习率也就越低。
:
: 最终会收敛到一个几乎水平的极限
:
: 但是这个极限的水平有没有达到普通人类驾驶员的认知能力?目前的普遍观点是还差的
: 远。你还是不敢去后座上睡觉,永远得盯着。
:
: 多用传感器也是饮鸩止渴。 数据再多,模型学习率没法改善。 反而各分系统互相打架
: 的情况会更麻烦。
:
: 总的来说,不看好lvl3以上的自动驾驶能够靠深度学习,靠堆数据砸算力来实现
j
jwzhanggy

我看你连基本复杂度都搞不明白,真不像从业人员… 顶多就是个只会 call
toolkit
凑代码搭框架的码农

【 在 meadude(meadude) 的大作中提到: 】
<br>: 那你觉得我不是做 deep learning 的 :)
<br>

B
BoeingCEO

这些系统是有标准rule 的
你给出一个棋盘的布子,rule 可以明确的告诉你结果是谁赢谁输

自动驾驶是没有rule 的
同样20张图片的输入
你是无法知道会不会撞人,该不该刹车的
即使是完全一样的输入
结果也可能是截然相反的

【 在 YWY (夜未央) 的大作中提到: 】
: AlphaGo Zero, developed by humans, can beat the best Go players.

l
laplace

卫星的运动是连续的,计算机算起来小菜一碟。计算机算飞机流场也算得挺不错的。就现有的认识,我们的世界都是离散的(量子的)。所以问题难度根本不在连续还是离散。深度学习处理接近连续的操作现在有就方法,打星际争霸不就是。
【 在 jwzhanggy (CarMaker) 的大作中提到: 】
: 你都没搞明白什么叫离散空间什么叫连续空间就瞎胡说
:
: 深度学习的AlphaGo,24小时内可以制造几亿个棋局,人类2000年积累的棋谱也
: 不到阿
:
: 尔法狗记住的棋谱的百万分之一。
:
: 阿尔法狗最终可以把围棋所有可能的棋谱走法穷尽,而自动驾驶的路况的可能性
: 比围棋
:
: 棋谱的可能性少多了。
:

B
BoeingCEO

现在的DL模型全靠数据是明显有问题的
人类从来没有海量数据一样开车好好的
我开了6次就考到驾照了
现在的大数据模型都误入歧途了

【 在 mrmaja (夏日炎炎) 的大作中提到: 】
: 现在训练就是用的实际驾驶数据,特斯拉的优势就在于数据。所以他家用户其实一直在
: train他家的模型。
: 还有人想出了用赛车游戏来收集数据训练模型的招
: 搞数据这点国内其实更有优势,所以看好国内造车新势力的自动驾驶会很快领先

a
allienpig

人类有几十亿年进化过程埋入dna的避害本能啊。。。。

【 在 BoeingCEO(Bimmer) 的大作中提到: 】

: 现在的DL模型全靠数据是明显有问题的

: 人类从来没有海量数据一样开车好好的

: 我开了6次就考到驾照了

: 现在的大数据模型都误入歧途了

B
BoeingCEO

连续的可以截断成离散的模拟
问题是自动驾驶如果按照人眼24frames/sec 的速度的话,连续分析前后一分钟的数据
就需要
60x24=1440个采样。数据量太大了
alphago 才314个棋子,最多314个采样而已

更别说自动驾驶的sensor数量巨大

【 在 laplace (laplace) 的大作中提到: 】
: 卫星的运动是连续的,计算机算起来小菜一碟。计算机算飞机流场也算得挺不错的。就
: 现有的认识,我们的世界都是离散的(量子的)。所以问题难度根本不在连续还是离散
: 。深度学习处理接近连续的操作现在有就方法,打星际争霸不就是。

B
BoeingCEO

这些东西当然需要搞清楚是什么
怎么建立到电脑中去

【 在 allienpig (猪 in black) 的大作中提到: 】
: 人类有几十亿年进化过程埋入dna的避害本能啊。。。。
:

j
jwzhanggy

你这就是偷换概念了,卫星可以 work 是因为知道物理学定律了,现实世界里按照定律来就可以。这个定律可以看作一个连续世界的映射,给定input能拿到对应的精确的
output。

计算机下围棋和开车,完全没有定律可以寻,围棋怎么下汽车遇到不同场景怎么处理,能做的就是在空间里搜索,搜索就会有复杂度的差别,这俩复杂的不是一个量级的。

【 在 laplace(laplace) 的大作中提到: 】

: 卫星的运动是连续的,计算机算起来小菜一碟。计算机算飞机流场也算得挺不错的。就

: 现有的认识,我们的世界都是离散的(量子的)。所以问题难度根本不在连续还是离散

: 。深度学习处理接近连续的操作现在有就方法,打星际争霸不就是。

j
jwzhanggy

你是没搞懂数据科学和自然科学的本质区别

而且计算机里游戏世界是连续的?你要是学计算机的估计你以前老师能气吐血了

【 在 laplace(laplace) 的大作中提到: 】
<br>: 卫星的运动是连续的,计算机算起来小菜一碟。计算机算飞机流场也算得挺不错
的。就
<br>: 现有的认识,我们的世界都是离散的(量子的)。所以问题难度根本不在连续还
是离散
<br>: 。深度学习处理接近连续的操作现在有就方法,打星际争霸不就是。
<br>

z
zhegufei2015

要求太高。没人指望自动驾驶100%安全。只要比人工驾驶安全得多就可以了。

【 在 jwzhanggy (CarMaker) 的大作中提到: 】
: 你这明显就不懂瞎胡说,围棋状态枚举是有规则的,围棋棋盘 19x19个空,每个空分黑
: 、白、无子 三种情况,下面要做的就是搜索,虽然空间很大但还是有限的
: 开车可不一样,现实世界可是连续,且任意一个地理空间上的状态可以有无数种可能性
: ,你怎么做模拟器模拟?模拟器能模拟出高速路上出现鸵鸟和骆驼赛跑吗?现实世界还
: 真的就出现了…
:
: 计算机模拟比人厉害多了。
:
: 你的围棋阿狗就是靠自己同自己下棋,每天下100万棋局,不重复,人类根本不
: 是对手。
:
: 同样用高速计算机模拟路况路情,每天可以模拟100万种,还怕什么?
:

j
jwzhanggy

这个你怎么保证呢?你要知道人是允许人犯错误的,但是不会允许机器犯错误…

你用电锅煮个饭被电死了你会起诉卖你锅的不?虽然电锅比你自己钻木取火生火做饭
安全多了

【 在 zhegufei2015(bdauidauicda) 的大作中提到: 】

: 要求太高。没人指望自动驾驶100%安全。只要比人工驾驶安全得多就可以了。

HALO3

有点明白你的意思。
机器学习的最大问题是,它能很容易学会“怎么做是对的”,但是“怎么做是错的”它学会的难度大大上升。有人用围棋,startcraft来举例,这和自动驾驶一大不同是,机器学习的过程中,他绝大部分时间面临的是失败的情况,是在错误中寻找正确的判断;但是自动驾驶的学习数据,绝大部分是正常驾驶的数据,是要在正确的判断中学习如何避免失误,这个太难了。
但是也不排除随着事故数据的积累,机器学习能最终学会如何处理危险,但是这个过程是需要无数小白鼠的。
自动驾驶学习,根本问题是试错的机会太少。

【 在 helloterran (hi you) 的大作中提到: 】
: 人类驾驶员干预的频率越低,模型的学习率也就越低。
: 最终会收敛到一个几乎水平的极限
: 但是这个极限的水平有没有达到普通人类驾驶员的认知能力?目前的普遍观点是还差的
: 远。你还是不敢去后座上睡觉,永远得盯着。
: 多用传感器也是饮鸩止渴。 数据再多,模型学习率没法改善。 反而各分系统互相打架
: 的情况会更麻烦。
: 总的来说,不看好lvl3以上的自动驾驶能够靠深度学习,靠堆数据砸算力来实现

WLion


【 在 helloterran (hi you) 的大作中提到: 】
: 人类驾驶员干预的频率越低,模型的学习率也就越低。
: 最终会收敛到一个几乎水平的极限
: 但是这个极限的水平有没有达到普通人类驾驶员的认知能力?目前的普遍观点是还差的
: 远。你还是不敢去后座上睡觉,永远得盯着。
: 多用传感器也是饮鸩止渴。 数据再多,模型学习率没法改善。 反而各分系统互相打架
: 的情况会更麻烦。
: 总的来说,不看好lvl3以上的自动驾驶能够靠深度学习,靠堆数据砸算力来实现

自动驾驶的深度学习 's just BS
ElonMusk

老夫也是内行做这个的

最终解决方案会是DL + 更多的sensor 可能是lidar 马斯克现在不用lidar是因为太贵了

等国产便宜货出来就可能改口用了
w
warpdrive

兄弟你不是内行啊。

今天的AI是基于统计的,并没有智能,也不懂知识。

学界有定论,自动驾驶和通用强人工智能是同样的难度。所以如果通用人工智能没有突破,就不要指望L4/L5的自动驾驶。Lidar在感知上有帮助,但并不能从根本上解决问题。

【 在 ElonMusk ($TSLA  (准备亏废)) 的大作中提到: 】
: 老夫也是内行做这个的
: 最终解决方案会是DL + 更多的sensor 可能是lidar 马斯克现在不用lidar是因为太
贵了
: 等国产便宜货出来就可能改口用了

ABCNBC

胡说八道。人类只有60000年历史,有文字历史5000年。

地球诞生不过45亿年,太阳诞生50亿年。

【 在 allienpig (猪 in black) 的大作中提到: 】
: 人类有几十亿年进化过程埋入dna的避害本能啊。。。。
:
: 现在的DL模型全靠数据是明显有问题的
:
: 人类从来没有海量数据一样开车好好的
:
: 我开了6次就考到驾照了
:
: 现在的大数据模型都误入歧途了
:

m
meadude

你我素未谋面,你真的知道我是谁?

【 在 jwzhanggy(CarMaker) 的大作中提到: 】

: 我看你连基本复杂度都搞不明白,真不像从业人员… 顶多就是个只会 call

: toolkit

: 凑代码搭框架的码农

:
m
meadude

你我素未谋面,你真的知道我是谁?

【 在 jwzhanggy(CarMaker) 的大作中提到: 】

: 我看你连基本复杂度都搞不明白,真不像从业人员… 顶多就是个只会 call

: toolkit

: 凑代码搭框架的码农

:
m
meadude

你我素未谋面,你真的知道我是谁?

【 在 jwzhanggy(CarMaker) 的大作中提到: 】

: 我看你连基本复杂度都搞不明白,真不像从业人员… 顶多就是个只会 call

: toolkit

: 凑代码搭框架的码农

:
m
meadude

你我素未谋面,你真的知道我是谁?

【 在 jwzhanggy(CarMaker) 的大作中提到: 】

: 我看你连基本复杂度都搞不明白,真不像从业人员… 顶多就是个只会 call

: toolkit

: 凑代码搭框架的码农

:
r
reddebris

lidar并不比camera+Radar好多少,只不过能把图像识别和距离测量做在一起,而不需
要sensor fusion。缺点是成本和数据处理量都大很多,所以马斯克看不上。
DL那就是算命,一顿鼓捣,你也不知道算的对不对,然后对不起你的命我决定了。

最终解决方案是固定封闭道路,外加V2X.至少固定道路能减少计算的数量。通过V2X你
能知道你算的是什么,算的对不对。

【 在 ElonMusk ($TSLA  (准备亏废)) 的大作中提到: 】
: 老夫也是内行做这个的
: 最终解决方案会是DL + 更多的sensor 可能是lidar 马斯克现在不用lidar是因为太
贵了
: 等国产便宜货出来就可能改口用了

m
meadude

还是可以打标的,一个场景,一堆变量,最后压缩成一个向量,决定是保持不变,还是拐弯,减速,等等,所做的决定是有限的。最终的输出是闸,油门,方向盘。这应该在在deep learning之前就有解了

【 在 BoeingCEO(Bimmer) 的大作中提到: 】

: 这些系统是有标准rule 的

: 你给出一个棋盘的布子,rule 可以明确的告诉你结果是谁赢谁输

: 自动驾驶是没有rule 的

: 同样20张图片的输入

: 你是无法知道会不会撞人,该不该刹车的

: 即使是完全一样的输入

: 结果也可能是截然相反的

a
allienpig

尼玛 单细胞都知道避害的。
这种最基本的生存功能早埋进dna了。
你不会以为你身体里的各种生化反应 不是几十亿年进化的结果?

【 在 ABCNBC(小李飞刀) 的大作中提到: 】

: 胡说八道。人类只有60000年历史,有文字历史5000年。

: 地球诞生不过45亿年,太阳诞生50亿年。

r
reddebris

这这么弄没有汽车厂敢用的。闸,油门,方向的应用必须是基于确定速度和空间向量的计算的。
计算机下棋出了臭棋没事,只要以后赢了就行。
自动驾驶出了事,一次就game over。
所以除了图像识别,我还没有听说有使用ML。

【 在 meadude (meadude) 的大作中提到: 】
: 还是可以打标的,一个场景,一堆变量,最后压缩成一个向量,决定是保持不变,还是
: 拐弯,减速,等等,所做的决定是有限的。最终的输出是闸,油门,方向盘。这应该在
: 在deep learning之前就有解了
:
: 这些系统是有标准rule 的
:
: 你给出一个棋盘的布子,rule 可以明确的告诉你结果是谁赢谁输
:
: 自动驾驶是没有rule 的
:
: 同样20张图片的输入
:
: 你是无法知道会不会撞人,该不该刹车的
:
: 即使是完全一样的输入
:
: 结果也可能是截然相反的
: ...................

TZarevich

晕,股版的人在做computer vision的学术讨论。。。

这个其实是一个典型靠数据驱动情况下machine learning在实际应用的long tail问题
。一些娱乐消费类的应用出个错反正问题也不大,让用户反馈下或者其他方法。但是这种人命关天的需要99.99999%的应用,一出错就会造成重大损失的问题很大。当然,你
可以说从所有驾驶员的统计学来说,在一些正常情况下出错率更小。可是对于单个个体,比如有经验的驾驶员或者某些复杂情况,就是无妄之灾了。

其实自动驾驶直接到L4或者L5就是步子迈得太大,对比现在愚蠢的汽车系统,能够非常智能化,给驾驶员反馈更多汽车周边的信息,更加友好的信息交互方式(屏幕放得不好很分神)以及在限制封闭(比如高速公路)下的各种天气的自动驾驶能够先做到完美就很好了,一步一步来。

rcam

人脑有860亿个神经元和100万亿个突触,而突触可塑性,是人类学习适应环境的关键。人工神经网络中神经元之间相关联的仅仅是关联weight与bias,和真实人脑差的远

【 在 allienpig (猪 in black) 的大作中提到: 】
: 人类有几十亿年进化过程埋入dna的避害本能啊。。。。
:
: 现在的DL模型全靠数据是明显有问题的
:
: 人类从来没有海量数据一样开车好好的
:
: 我开了6次就考到驾照了
:
: 现在的大数据模型都误入歧途了
:

newIdRobot

加一堆东西,贵。不如不搞

【 在 ElonMusk ($TSLA  (准备亏废)) 的大作中提到: 】
: 老夫也是内行做这个的
: 最终解决方案会是DL + 更多的sensor 可能是lidar 马斯克现在不用lidar是因为太
贵了
: 等国产便宜货出来就可能改口用了

rcam

关键是数据不能仅限于驾驶,必须要通用人工智能所需的数据集才可以。

开车只是人类擅长的活动中的一个子集,但是其功能的训练是从大量其他活动中得到的

【 在 BoeingCEO (Bimmer) 的大作中提到: 】
: 现在的DL模型全靠数据是明显有问题的
: 人类从来没有海量数据一样开车好好的
: 我开了6次就考到驾照了
: 现在的大数据模型都误入歧途了

ABCNBC

那不就是轨道交通了,成本是天文数字.

【 在 reddebris (混吃等死) 的大作中提到: 】
: lidar并不比camera+Radar好多少,只不过能把图像识别和距离测量做在一起,而不需
: 要sensor fusion。缺点是成本和数据处理量都大很多,所以马斯克看不上。
: DL那就是算命,一顿鼓捣,你也不知道算的对不对,然后对不起你的命我决定了。
: 最终解决方案是固定封闭道路,外加V2X.至少固定道路能减少计算的数量。通过V2X你
: 能知道你算的是什么,算的对不对。
: 贵了

ABCNBC

这里写帖子的有几个在做自动驾驶?

估计是零吧?
p
poppe

+1. 不知道为什么要把自动驾驶和AlphaGo比较?AlphaGo好像是基于RL算法,不是
supervised learning,性能/能力和训练数据量多少没太大关系。Supervised
learning最强大的功能是记忆,但是训练数据里隐含或者没有包涵的特性,单纯通过训练,机器自己很难“举一反三”的获得。

【 在 jwzhanggy (CarMaker) 的大作中提到: 】
: 你这明显就不懂瞎胡说,围棋状态枚举是有规则的,围棋棋盘 19x19个空,每个空分黑
: 、白、无子 三种情况,下面要做的就是搜索,虽然空间很大但还是有限的
: 开车可不一样,现实世界可是连续,且任意一个地理空间上的状态可以有无数种可能性
: ,你怎么做模拟器模拟?模拟器能模拟出高速路上出现鸵鸟和骆驼赛跑吗?现实世界还
: 真的就出现了…
:
: 计算机模拟比人厉害多了。
:
: 你的围棋阿狗就是靠自己同自己下棋,每天下100万棋局,不重复,人类根本不
: 是对手。
:
: 同样用高速计算机模拟路况路情,每天可以模拟100万种,还怕什么?
:

h
helloterran

封闭离散系统,结构化信息 vs

开放连续系统,非结构化信息

风险偏好 vs

极度的风险厌恶

毫无可比性。
【 在 YWY (夜未央) 的大作中提到: 】
: AlphaGo Zero, developed by humans, can beat the best Go players.
h
helloterran

人类司机的驾驶能力,是在几亿年进化出来的眼手协调基础上,做了一个简单的迁移学习而已

千万别以为围棋复杂,开车简单。恰恰相反。

围棋这种人类刚刚鼓捣了2000多年的小玩意儿,解空间算是非常小的。跟自动驾驶这种真实世界里的连续判定问题差了无数个档次。

【 在 BoeingCEO (Bimmer) 的大作中提到: 】
: 现在的DL模型全靠数据是明显有问题的
: 人类从来没有海量数据一样开车好好的
: 我开了6次就考到驾照了
: 现在的大数据模型都误入歧途了
:
: 【 在 mrmaja (夏日炎炎) 的大作中提到: 】
: : 现在训练就是用的实际驾驶数据,特斯拉的优势就在于数据。所以他家用户其实一直在
: : train他家的模型。
: : 还有人想出了用赛车游戏来收集数据训练模型的招
: : 搞数据这点国内其实更有优势,所以看好国内造车新势力的自动驾驶会很快领先
h
helloterran

基于深度学习的cv,泛化能力太差。stop sign上有块污迹,有个影子,就需要重新学
习。你这个历史数据永远更新不完。

【 在 sue85 (家有小灰兔) 的大作中提到: 】
: 历史数据够多就行了,没有什么新情况。定期更新历史数据。
: 【 在 helloterran (hi you) 的大作中提到: 】
: : 人类驾驶员干预的频率越低,模型的学习率也就越低。
: : 最终会收敛到一个几乎水平的极限
: : 但是这个极限的水平有没有达到普通人类驾驶员的认知能力?目前的普遍观点是还差的
: : 远。你还是不敢去后座上睡觉,永远得盯着。
: : 多用传感器也是饮鸩止渴。 数据再多,模型学习率没法改善。 反而各分系统互相打架
: : 的情况会更麻烦。
: : 总的来说,不看好lvl3以上的自动驾驶能够靠深度学习,靠堆数据砸算力来实现
h
helloterran

只要小白鼠用户的人工驾驶过程中没有事故险情, tsla的模型就感知不到loss。没有
loss就没有学习。

数据是不断在收集,但是在模型看来,全是些自相矛盾的垃圾数据

如果用户发生了事故, 那么模型从什么时候开始学习又是个大问题。可能恰恰是用户
自己的危险行为导致了事故,也可能是用户千钧一发的躲过了事故。怎么界定?

一摊烂账。

【 在 mrmaja (夏日炎炎) 的大作中提到: 】
: 现在训练就是用的实际驾驶数据,特斯拉的优势就在于数据。所以他家用户其实一直在
: train他家的模型。
: 还有人想出了用赛车游戏来收集数据训练模型的招
:
: 搞数据这点国内其实更有优势,所以看好国内造车新势力的自动驾驶会很快领先
:
: 【 在 helloterran (hi you) 的大作中提到: 】
: : 人类驾驶员干预的频率越低,模型的学习率也就越低。
: :
: : 最终会收敛到一个几乎水平的极限
: :
: : 但是这个极限的水平有没有达到普通人类驾驶员的认知能力?目前的普遍观点是还差的
: : 远。你还是不敢去后座上睡觉,永远得盯着。
: :
: : 多用传感器也是饮鸩止渴。 数据再多,模型学习率没法改善。 反而各分系统互相打架
: : 的情况会更麻烦。
: :
: : 总的来说,不看好lvl3以上的自动驾驶能够靠深度学习,靠堆数据砸算力来实现
l
luckykkkk

跟不需要100%正确识别。你人眼看走神认不出stop sign的概率也不小。机器学习只要
概率高于可能远高于人就够了。小概率在工程上是可以忽略的。而且像stop sign这种
重要的信息,都是有gps辅助的。

【 在 helloterran (hi you) 的大作中提到: 】
: 人类司机的驾驶能力,是在几亿年进化出来的眼手协调基础上,做了一个简单的迁移学
: 习而已
: 千万别以为围棋复杂,开车简单。恰恰相反。
: 围棋这种人类刚刚鼓捣了2000多年的小玩意儿,解空间算是非常小的。跟自动驾驶这种
: 真实世界里的连续判定问题差了无数个档次。
: 直在

h
helloterran

属实。比方说路上有个纸箱子。人类司机能根据"纸箱子被风吹跑"这个现象,判断出这是个空箱子。不用减速,不用换道,直接压过去没啥危险。

只依赖计算机视觉而没有这些先验知识,只能碰到障碍物无脑急刹车,或者危险并道。

【 在 rcam (八戒悟空) 的大作中提到: 】
: 关键是数据不能仅限于驾驶,必须要通用人工智能所需的数据集才可以。
:
: 开车只是人类擅长的活动中的一个子集,但是其功能的训练是从大量其他活动中得到的
:
: 【 在 BoeingCEO (Bimmer) 的大作中提到: 】
: : 现在的DL模型全靠数据是明显有问题的
: : 人类从来没有海量数据一样开车好好的
: : 我开了6次就考到驾照了
: : 现在的大数据模型都误入歧途了