最近人気になっているいくつかの大型モデルと自動運転のコンセプトについて話しましょう。
最近、大型モデルのさまざまな応用が依然として盛んですが、10月初旬ごろから大型モデルを自動運転に応用しようとする、なかなかギミックの効いた記事が相次いで掲載されました。最近、多くの友人たちと関連する話題についてたくさん話していますが、この記事を書いているときに、一方では、私自身も含めて、過去に非常に関連性はあるものの、実際には異なる概念を混同してきたことに気づきました。 , それはこれらの概念の延長であり、皆と共有して議論する価値のある興味深い考えがいくつかあります。
大規模 (言語) モデル
これは間違いなく現在最も人気のある方向であり、最も集中した論文の焦点でもあります。大規模な言語モデルは自動運転にどのように役立つでしょうか? GPT-4V と同様に、画像との位置合わせによる非常に強力な意味理解機能を提供しますが、これについてはここではしばらく触れませんが、他方で、LLM をエージェントとして使用して、運転動作を直接実装します。実は後者は現在最も魅力的な研究の方向性であり、組み込みAIに関する一連の研究と密接に結びついています。
これまでに確認された後者のタイプの作業のほとんどは LLM を使用しています。1) 直接使用され、2) 教師あり学習を通じて微調整され、3) タスクを駆動するための強化学習を通じて微調整されます。本質的に、学習方法に基づいた運転という以前のパラダイムの枠組みから逃れることはできません。実際、非常に直接的な質問は、なぜこれを行うために LLM を使用する方が良いのかということです。直感的に言えば、言葉を使ってドライブするのは非効率的で冗長な行為です。そんなある日、LLM が実際には言語を通じてエージェントの事前学習を実装していることに突然気づきました。 以前 RL を一般化することが困難であった重要な理由の 1 つは、さまざまなタスクを統合し、さまざまな共通データを使用して事前学習することが困難だったということでした。各タスクは最初からしか学習できませんでしたが、LLM は非常に優れています。この問題は解決されました。しかし、実際には、十分に解決されていない問題がいくつかあります。 1) 事前学習の完了後、言語を出力インターフェイスとして保持する必要がありますか?これは実際には多くのタスクに多大な不便をもたらし、ある程度冗長な計算も引き起こします。 2)エージェントとしてのLLMのアプローチは、既存のRLモデルフリー方法の本質的な問題を依然として克服しておらず、モデルフリー方法のすべての問題が依然として存在する。最近では、モデルベースの LLM をエージェントとして使用する試みもいくつか見られ、これは興味深い方向性かもしれません。
各論文で私が最後に文句を言いたいのは、次のとおりです。 LLM に接続して、モデルを解釈可能にする理由を LLM に出力させるだけではありません。この理由はまだナンセンスかもしれません。 。 。今まで保証されていなかったことが、文章を出力したからといって保証されるわけではありません。
大規模 (ビジュアル) モデル
実際、純粋に大規模なビジュアル モデルはまだその魔法のような「出現」の瞬間を経験していません。大規模なビジュアル モデルについて話すとき、一般に 2 つの参照が考えられます。1 つは、CLIP、DINO、SAM などの大規模な Web データの事前トレーニングに基づく超ビジュアル情報特徴抽出ツールで、モデルの意味理解能力を大幅に向上させます。 otherとは、GAIAに代表されるワールドモデルで実装されるペア(画像、アクションなど)の結合モデルを指します。
実のところ、前者は従来の考え方に沿って直線的にスケールアップし続けた結果であり、現状では自動運転の量を変える可能性は見えにくいと思います。実際、今年は Wayve と Tesla が継続的に宣伝されたため、後者は研究者の視野に入り続けています。ワールド モデルについて話すとき、多くの場合、そのモデルはエンドツーエンド (アクションを直接出力) であり、LLM に関連しているという事実が含まれます。実際、この仮定は一方的なものです。世界モデルについての私の理解も非常に限られています。Lecun のインタビューと @Yu Yang のモデルベースの RL 調査をお勧めしますが、これについては詳しく説明しません:
Yu Yang: 環境モデル (世界モデル) について) 学習
https://www.php.cn/link/a2cdd86a458242d42a17c2bf4feff069
純粋な視覚的自動運転
これが実際です視覚センサーのみに頼った自動運転システムのことを指すと理解するとわかりやすいでしょう。実はこれが自動運転の最大かつ究極の願い、つまり人間と同じように両目で運転することなのです。画像の複雑なセマンティクスには有用な情報を抽出するための強力な抽象化機能が必要であるため、このような概念は通常、上記の 2 つの大きなモデルに関連付けられます。テスラの最近の継続的な宣伝攻勢の下では、このコンセプトは以下に述べるエンドツーエンドとも重なります。しかし実際には、純粋な視覚的な運転を実現する方法はたくさんあり、エンドツーエンドも当然その 1 つですが、それだけではありません。純粋に視覚的な自動運転を実現する際の最も難しい問題は、視覚は本質的に 3D 情報に鈍感であり、大型モデルでもこれが本質的に変わっていないことです。具体的には、1) 電磁波を受動的に受信する方法により、視覚は 3D 空間の幾何学的情報を測定できる他のセンサーと異なり、2) 遠近法により、遠くにある物体が誤差に非常に敏感になります。これは、デフォルトで等誤差 3D 空間に実装される下流の計画と制御にとって非常に不都合です。しかし、視覚によって運転することは、3D の距離と速度を正確に推定できることと同じでしょうか?これは、意味的な理解に加えて、純粋な視覚的自動運転において深く研究する価値のある表現の問題だと思います。
エンドツーエンドの自動運転
この概念は、センサーから最終出力までの制御信号を指します(実際には、広範囲に含めることができると思います)上流層の計画情報のウェイポイント)を共同で最適化したモデルを使用します。これは、1980 年代には ALVINN のようにセンサー データを入力し、ニューラル ネットワークを介して制御信号を直接出力する直接的なエンドツーエンド方式であることも、今年の CVPR ベストのような段階的なエンドツーエンド方式であることもできます。紙のUniAD。ただし、これらの方法の共通点は、各モジュールが独自に定義した最適化目標を持つのではなく、下流の監視信号を上流に直接渡すことができることです。結局のところ、ディープラーニングはそのような共同最適化に依存して富を築いています。しかし、自動運転や汎用ロボットなど、物理世界を扱う非常に複雑なシステムは、エンジニアリングの実装やデータの整理・利用効率の面で克服すべき課題が多くあります。
フィードフォワードエンドツーエンド自動運転
この概念はあまり言及されないように思えますが、実際にはエンドツーエンドの自動運転の存在が重要であると感じています。それ自体は価値があるのですが、問題はフィードフォワードを使って観察する方法にあります。実際、私も含めて、エンドツーエンドの駆動はフィードフォワードの形式でなければならないと常にデフォルトで決めてきました。なぜなら、現在の深層学習ベースの手法の 99% はそのような構造を前提としているからです。つまり、懸念される最終出力は(制御信号など)u = f(x)、x はセンサーのさまざまな観測値です。ここで、f は非常に複雑な関数になります。しかし実際には、問題によっては、最終出力が特定の特性を満たすかそれに近いものになるようにしたいと考えているため、フィードフォワード形式でそのような保証を与えることは困難です。したがって、このような制約付き最適化形式を u* = argmin g(u, x) s.t. h(u, x)
大型モデルの開発に伴い、この直接フィードフォワードのエンドツーエンド自動運転ソリューションが復活の波を迎えました。もちろん、大きなモデルは非常に強力ですが、私は疑問を提起し、皆さんに考えてもらいたいと思います。大きなモデルがエンドツーエンドで全能である場合、それは、大きなモデルが Go/Gobang エンドをプレイできる必要があることを意味しますか-端まで?毛織物? AlphaGo のようなパラダイムは無意味であるべきでしょうか? 答えがノーであることは誰もが知っていると思います。もちろん、このフィードフォワード法は高速近似ソルバーとして使用でき、ほとんどのシナリオで良好な結果が得られます。
Neural Planner の使用を公開しているさまざまな企業の現在の計画から判断すると、ニューラル部分は、後続の最適化における高度な非凸性の問題を軽減するために、後続の最適化計画に対して多数の初期化提案を提供するだけです。これは、AlphaGo の高速ロールアウトと本質的に同じことです。しかし、AlphaGoはその後のMCTS探索を「隠蔽」解決策とは呼ばない。 。 。 最後に、これがこれらの概念の違いとつながりを明確にし、問題を議論するときに誰もが何について話しているのかを明確に理解できるようになることを願っています。 。 。以上が最近人気になっているいくつかの大型モデルと自動運転のコンセプトについて話しましょう。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック











昨日の面接で、ロングテール関連の質問をしたかと聞かれたので、簡単にまとめてみようと思いました。自動運転のロングテール問題とは、自動運転車におけるエッジケース、つまり発生確率が低い考えられるシナリオを指します。認識されているロングテール問題は、現在、単一車両のインテリジェント自動運転車の運用設計領域を制限している主な理由の 1 つです。自動運転の基礎となるアーキテクチャとほとんどの技術的問題は解決されており、残りの 5% のロングテール問題が徐々に自動運転の開発を制限する鍵となってきています。これらの問題には、さまざまな断片的なシナリオ、極端な状況、予測不可能な人間の行動が含まれます。自動運転におけるエッジ シナリオの「ロング テール」とは、自動運転車 (AV) におけるエッジ ケースを指します。エッジ ケースは、発生確率が低い可能性のあるシナリオです。これらの珍しい出来事

従来のコンピューティングを超える能力を備えているだけでなく、より低コストでより効率的なパフォーマンスを実現する人工知能モデルを想像してみてください。これは SF ではありません。世界で最も強力なオープンソース MoE モデルである DeepSeek-V2[1] が登場しました。 DeepSeek-V2 は、経済的なトレーニングと効率的な推論の特徴を備えた強力な専門家混合 (MoE) 言語モデルです。これは 236B のパラメータで構成されており、そのうち 21B は各マーカーをアクティブにするために使用されます。 DeepSeek67B と比較して、DeepSeek-V2 はパフォーマンスが優れていると同時に、トレーニング コストを 42.5% 節約し、KV キャッシュを 93.3% 削減し、最大生成スループットを 5.76 倍に高めます。 DeepSeek は一般的な人工知能を研究する会社です

今月初め、MIT やその他の機関の研究者らは、MLP に代わる非常に有望な代替案である KAN を提案しました。 KAN は、精度と解釈可能性の点で MLP よりも優れています。また、非常に少数のパラメーターを使用して、多数のパラメーターを使用して実行する MLP よりも優れたパフォーマンスを発揮できます。たとえば、著者らは、KAN を使用して、より小規模なネットワークと高度な自動化で DeepMind の結果を再現したと述べています。具体的には、DeepMind の MLP には約 300,000 個のパラメーターがありますが、KAN には約 200 個のパラメーターしかありません。 KAN は、MLP が普遍近似定理に基づいているのに対し、KAN はコルモゴロフ-アーノルド表現定理に基づいているのと同様に、強力な数学的基礎を持っています。以下の図に示すように、KAN は

Boston Dynamics Atlas は正式に電動ロボットの時代に突入します!昨日、油圧式アトラスが歴史の舞台から「涙ながらに」撤退したばかりですが、今日、ボストン・ダイナミクスは電動式アトラスが稼働することを発表しました。ボストン・ダイナミクス社は商用人型ロボットの分野でテスラ社と競争する決意を持っているようだ。新しいビデオが公開されてから、わずか 10 時間ですでに 100 万人以上が視聴しました。古い人が去り、新しい役割が現れるのは歴史的な必然です。今年が人型ロボットの爆発的な年であることは間違いありません。ネットユーザーは「ロボットの進歩により、今年の開会式は人間のように見え、人間よりもはるかに自由度が高い。しかし、これは本当にホラー映画ではないのか?」とコメントした。ビデオの冒頭では、アトラスは仰向けに見えるように地面に静かに横たわっています。次に続くのは驚くべきことです

Google が推進する JAX のパフォーマンスは、最近のベンチマーク テストで Pytorch や TensorFlow のパフォーマンスを上回り、7 つの指標で 1 位にランクされました。また、テストは最高の JAX パフォーマンスを備えた TPU では行われませんでした。ただし、開発者の間では、依然として Tensorflow よりも Pytorch の方が人気があります。しかし、将来的には、おそらくより大規模なモデルが JAX プラットフォームに基づいてトレーニングされ、実行されるようになるでしょう。モデル 最近、Keras チームは、ネイティブ PyTorch 実装を使用して 3 つのバックエンド (TensorFlow、JAX、PyTorch) をベンチマークし、TensorFlow を使用して Keras2 をベンチマークしました。まず、主流のセットを選択します

AI は確かに数学を変えつつあります。最近、この問題に細心の注意を払っている陶哲軒氏が『米国数学協会会報』(米国数学協会会報)の最新号を送ってくれた。 「機械は数学を変えるのか?」というテーマを中心に、多くの数学者が意見を述べ、そのプロセス全体は火花に満ち、ハードコアで刺激的でした。著者には、フィールズ賞受賞者のアクシャイ・ベンカテシュ氏、中国の数学者鄭楽軍氏、ニューヨーク大学のコンピューター科学者アーネスト・デイビス氏、その他業界で著名な学者を含む強力な顔ぶれが揃っている。 AI の世界は劇的に変化しています。これらの記事の多くは 1 年前に投稿されたものです。

先頭と開始点に書かれている エンドツーエンドのパラダイムでは、統一されたフレームワークを使用して自動運転システムのマルチタスクを実現します。このパラダイムの単純さと明確さにも関わらず、サブタスクにおけるエンドツーエンドの自動運転手法のパフォーマンスは、依然としてシングルタスク手法に比べてはるかに遅れています。同時に、以前のエンドツーエンド手法で広く使用されていた高密度鳥瞰図 (BEV) 機能により、より多くのモダリティやタスクに拡張することが困難になります。ここでは、スパース検索中心のエンドツーエンド自動運転パラダイム (SparseAD) が提案されています。このパラダイムでは、スパース検索は、高密度の BEV 表現を使用せずに、空間、時間、タスクを含む運転シナリオ全体を完全に表します。具体的には、統合されたスパース アーキテクチャが、検出、追跡、オンライン マッピングなどのタスク認識のために設計されています。さらに、重い

この 1 か月間、いくつかのよく知られた理由により、私は業界のさまざまな教師やクラスメートと非常に集中的な交流をしてきました。この交換で避けられない話題は当然、エンドツーエンドと人気の Tesla FSDV12 です。この機会に、現時点での私の考えや意見を整理し、皆様のご参考とご議論に役立てたいと思います。エンドツーエンドの自動運転システムをどのように定義するか、またエンドツーエンドで解決することが期待される問題は何でしょうか?最も伝統的な定義によれば、エンドツーエンド システムとは、センサーから生の情報を入力し、関心のある変数をタスクに直接出力するシステムを指します。たとえば、画像認識では、従来の特徴抽出 + 分類子方式と比較して、CNN はエンドツーエンドと言えます。自動運転タスクでは、各種センサー(カメラ/LiDAR)からのデータを入力
