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。-AI-php.cn

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。。。

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。