城市NOH量产、超算中心官宣,毫末智行1000天交卷 | 甲子光年
毫末智行第6次AI Day的核心亮点。
或许是因为频次较高,毫末智行昨天举办的第6次AI Day并没有带来太多新的“重磅”信息。
毫末智行的最新成绩单;
自动驾驶3.0时代:大模型的应用与挑战;
毫末智行城市NOH的技术进展;
毫末智行超算中心官宣,尚未公布合作云厂商。
1.毫末智行从0到1的成绩单
2.自动驾驶3.0:大模型的应用与挑战
开启自监督学习
在自动驾驶中应用大模型,业界常用的方式是监督学习。但由于有数据标注,时间成本和金钱成本还是很高。
构造增量式学习训练平台
在训练过程中,毫末并不会使用全量存量数据,因为又贵又慢,而是抽取部分存量数据加上新数据组合成一个混合数据集。训练时要求新模型和旧模型的输出保持尽量一致,对新数据的拟合尽量好。
使用时序transformer提供实时空间认知能力
毫末的城市NOH采用了重感知、轻地图路线,在城市实现导航自动驾驶只用和人类驾驶员一样的普通导航地图,而不依赖业界常用的高精地图。
利用人类世界的交互接口更精确地感知世界
上次AI Day上毫末介绍了如何在城市环境中不依赖高精地图解决自动驾驶系统和红绿灯的交互问题。最近毫末正在升级车上的感知系统,希望能够加入了对车辆信号灯状态的专门识别,包括刹车灯和转向灯。这样毫末就可以在前车减速、周围车辆切入等场景中开的更安全和更舒适。
使用交通流实景仿真
对于仿真,主要有三个层次的工作:一个是基础仿真能力,仿真环境和运动的基础能力,主要衡量的是精准性;一个构建场景的能力,主要看的效率;另一个定义场景的能力,主要看有效性。
学习常识和动作拟人化
毫末借鉴多模态大模型的方法来更好解决认知问题,让系统的动作更加拟人,具备常识。具体做法是对覆盖海量人驾进行深度理解,构建毫末自动驾驶场景库,并基于典型场景挖掘海量司机的实际驾驶行为,构建taskpromt,训练一个基于时空Attention的驾驶决策预训练大模型,使得自动驾驶决策更像人类实际驾驶行为,以保证实现自动驾驶决策的可控、可解释。
4.超算中心官宣,尚未公布合作云厂商
毫末智行率先量产城市辅助驾驶,叫板华为小鹏
毫末智行,为阿里达摩院造无人车
微信扫码关注该文公众号作者
戳这里提交新闻线索和高质量文章给我们。
来源: qq
点击查看作者最近其他文章