`

СПЕЦИАЛЬНЫЕ
ПАРТНЕРЫ
ПРОЕКТА

Архив номеров

Что для вас является метрикой простоя серверной инфраструктуры?

Best CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Система автономного вождения учится действовать в незнакомых ситуациях

+11
голос

Система автономного вождения учится действовать в незнакомых ситуациях

Инженеры, стремящиеся довести эффективность системы автономного управления автомобилями до предела при одновременном сохранении безопасности, должны заранее обеспечить её детальной информацией об условиях вождения, например, о сцеплении колёс с дорожным покрытием. Но в реальном мире это трудноосуществимо, так как трение, особенно в условиях оледенения, может меняться непредсказуемым образом.

«Сегодня часто приходится выбирать между методами, основанными на данных, и подходами, основанными на фундаментальной физике, — сказал Дж. Кристиан Гердес (J. Christian Gerdes), профессор машиностроения и соавтор статьи, которая вышла 27 марта в журнале Science Robotics. — Мы полагаем, что оптимальный путь заключается в слиянии этих подходов, и в использовании преимуществ каждого из них. Физика может дать представление о структурировании и применяться для проверки моделей нейронных сетей, которые, в свою очередь, могут использовать огромные объемы данных».

Созданная исследователями из Стэнфордского университета нейронная сеть интегрирует данные предшествующего опыта вождения на калифорнийском треке Thunderhill и на зимнем тестовом полигоне за Полярным Кругом с базовой физической информацией о 200 тысячах траекторий.

В сравнительных тестах на трассе Thunderhill машина, управляемая новой нейронной сетью показала сопоставимые результаты прохождения кругов с автомобилями, контролируемыми опытным водителем и «физической» автономной системой, снабжённой полной информацией о маршруте и дорожных условиях.

В симуляциях нейросеть оставила позади «физическую» систему в сценариях как с высоким, так и с низким трением. Особенно выгодно она показала себя в условиях, сочетающих оба этих сценария.

Обнадеживающие результаты, достигнутые нейросетью, не отменяют того факта, что подобные модели плохо работают вне условий, в которых они обучались. Авторы, тем не менее, утверждают, что в ходе эксплуатации растущий флот автономных машин будет генерировать дополнительные тренировочные данные, и постепенно нейросеть сможет осваивать управление во всё более широком диапазоне сценариев.


Вы можете подписаться на наш Telegram-канал для получения наиболее интересной информации

+11
голос

Напечатать Отправить другу

Читайте также

 
 
IDC
Реклама

  •  Home  •  Рынок  •  ИТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Сети  •  Безопасность  •  Наука  •  IoT