菲洛嘉青春动能素135HA FILLMED® NCTF 135HA LED指示灯的常见故障分析 智微智能 Elkhartlake K075终端,零售产业新选择 天空蓝拓客管理系统详细介绍版 muso公链项目 天使计划 是什么?[秘] 独家揭秘最前沿的家装“黑科技”——掌赋 天博体育欧洲杯特辑,东道主法兰西的失意2016 亚马逊的送货侦察员 学习听起来像挡泥板 Google Comics Factory使ML变得容易 笑着说-男性或女性 Amazon Rekognition中更好的人脸检测 关于Spaun的真相-大脑模拟 两个聊天机器人彼此聊天-有趣又怪异 GANPaint:将AI用于艺术 WCF和WF给予社区 从耳朵到脸 所有神经网络的深层缺陷 蠕虫在尾巴上平衡杆子 Kickstarter上的OpenCV AI套件 TensorFlow-Google的开源AI和计算引擎 众包取代新闻工作者 Google的DeepMind学会玩街机游戏 哑机器人V智能机器人 .NET与.NET 5融为一体 Google的深度学习-语音识别 LInQer将.NET LINQ移植到Javascript 机器人TED演讲-新的图灵测试? GAN的发明者加入苹果 您的智能手机会监视您键入的内容 人工智能帮助改善国际象棋 Zalando Flair NLP库已更新 TensorFlow 1.5包含移动版本 AlphaGo输了一场比赛-比分3-1 虚拟机器学习峰会 Microsoft开源AI调试工具 SharePoint走向移动 F#4.0发出文化变革的信号 克里斯蒂拍卖AI艺术品 人工智能如何区分 Facebook在蒙特利尔的新AI实验室 Mozilla想要您的声音 微软使用极深的神经网络赢得ImageNet 建立AI合作伙伴关系 .NET Core 3-Microsoft几乎回到了起点 神经网络-更好的销售商? Google使用AI查找您的住所 虹膜-适用于Android的Siri证明苹果没有优势 TensorFlow 2提供更快的模型训练 深度学习研究人员将为Google工作
您的位置:首页 >数据库 >

Google的自动驾驶汽车-不是​​那么聪明吗?

Google的自动驾驶汽车是否像我们认为的那样先进?如果不是,您是否相信他们做正确的事?

麻省理工学院技术评论部有一个由李·戈麦斯(Lee Gomes)写的新闻,它将谷歌的自动驾驶汽车带入一个新的视角。

我们都印象深刻,或者应该被印象深刻的是,实验车已经行​​驶了700,000英里,唯一的事故发生在人类接管车轮时。新的较小型“城市”自动驾驶汽车似乎已经接近量产,并且可以在Googleplex周围行驶,并且再次无事故发生,而无需引起关注。它们只能以最高时速25英里/小时的速度行驶,这可能会让您稍稍停顿一下,也许该技术以40的发言速度并不安全,但您可以将其归结为Google的谨慎态度。

但是,本文指出的是,在很多情况下,汽车无法应对,这排除了您可能想去的地方的90%。

该视频说明了Google希望您如何考虑其汽车:

我的猜测是,像我一样,您假设无人驾驶汽车是“智能”或“非常智能”汽车,但事实并非如此。

根据《麻省理工学院技术评论》的说法,尽管Google已经阐明了本文中的某些要点,但Google并未与主要观点相抵触,它需要走的道路要远远超过Google地图。我们已经知道汽车在一段时间内会使用地图,但是以前对地图质量的依赖程度并没有真正得到强调。

它需要特殊的传感器车辆进行多次通过,然后手动和计算机处理结果数据。据称,尽管汽车可以处理一些地图遗漏,但道路变化仍可能使它混淆。该地图不仅用于使汽车准确定位自身,而且GPS还不够,因此它可以感知本地特征。例如,如果停车标志未在地图上显示,则机载传感器可能仍会检测到它,但如果错过了停车标志,则在必要时必须依靠基本的避障措施将汽车停下来。但是,一个复杂的路口加上多个交通信号灯可能会使它感到困惑。

selfdrive2

自动驾驶软件是基于地图的,并且仅在传感器的辅助下进行,这一事实意味着必须对整个国家进行准确的地图绘制,并且目前仅进行了数千英里的调查。想法是,一旦地图绘制完成,汽车本身将通过发送有关变化和任何新数据的数据来使地图保持最新。

然后是天气问题。目前,汽车无法应付雨雪。此外,他们还没有解决大型复杂停车场或多层车库的问题。尽管摄像机可以检测到交通信号灯的颜色,但尚未解决阳光刺眼摄像机时该怎么办的问题。目前,在检测到的行人与试图指挥交通的警察之间没有区别。最终,坑洞是一个无法检测到的问题,它在等待车辆晃动。

鉴于汽车是基于地图的,并且车载软件不使用机器学习,您必须问系统可以解决什么问题?

汽车最简单的驾驶就是反馈控制问题-将车辆保持在道路上,避免障碍物移动和静止。在添加常见情况时,您需要计算机视觉来帮助汽车应对交叉路口和其他交通事故。您还必须添加算法来应对对其他道路使用者的影响,希望不是字面意义上的影响,例如制动速度和驶入其他车辆的路径。当您上升一个缺口并开始考虑一些不太常见的情况时,例如路员,改道,交通事故和其他危险,您开始怀疑需要真正的情报。

人们很容易以为,自动驾驶汽车就是没有轨道的火车,而我们所要做的就是提供基于软件的轨道。更深入的考虑表明,汽车在现实世界中存在,并且可能会遇到各种各样的情况,这些情况很可能需要即时决策来解决-这远远超出了基于地图的传感器系统所能处理的范围。

很有可能90%的路都可以自动驾驶,但是最后10%的路可能比我们现在需要的更多。

自我驱动图标

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。