자율주행 시나리오에서 롱테일 문제를 해결하는 방법은 무엇입니까?

어제 인터뷰에서 롱테일 관련 질문을 해본 적이 있느냐는 질문을 받아서 간략하게 정리해볼까 합니다.

자율주행차의 롱테일 문제는 자율주행차의 에지 케이스, 즉 발생 확률이 낮은 가능한 시나리오를 말합니다. 인지된 롱테일 문제는 현재 단일 차량 지능형 자율주행차의 운영 설계 영역을 제한하는 주요 이유 중 하나입니다. 자율주행의 기본 아키텍처와 대부분의 기술적인 문제는 해결되었으며, 나머지 5%의 롱테일 문제는 점차 자율주행 발전을 제한하는 핵심이 되었습니다. 이러한 문제에는 다양한 단편적인 시나리오, 극단적인 상황, 예측할 수 없는 인간 행동이 포함됩니다.

자율주행의 엣지 시나리오

"롱테일"은 자율주행차(AV)에서 엣지 케이스를 의미하며 발생 확률이 낮은 시나리오입니다. 이러한 희귀 이벤트는 자주 발생하지 않고 더 고유하기 때문에 데이터 세트에서 누락되는 경우가 많습니다. 인간은 선천적으로 엣지 케이스를 잘 처리하지만 AI의 경우에도 마찬가지입니다. 엣지 씬을 유발할 수 있는 요인으로는 돌출부가 있는 트럭이나 특수 형상 차량, 급회전하는 차량, 혼잡한 군중 속에서의 운전, 보행자 무단횡단, 악천후 또는 조명 상태가 좋지 않은 경우, 우산을 들고 있는 사람, 자동차 안에 있는 사람 그런 다음 상자를 옮기는 경우, 나무가 쓰러지는 경우 등이 있습니다. 도로 중간 등

예:

자동차 앞에 투명 필름을 붙이면 투명한 물체가 인식되어 차량의 속도가 느려지나요?
1. 라이다 회사인 Aeye가 도전한 자율주행은 어떻게 대처할까요? 길 한가운데에 떠 있는 풍선? L4 무인 자동차는 충돌을 회피하는 경향이 있으며, 이 경우 불필요한 사고를 피하기 위해 회피 조치를 취하거나 브레이크를 적용합니다. 풍선은 부드러운 물체이므로 장애물 없이 직접 통과할 수 있습니다.

롱테일 문제를 해결하는 방법

합성 데이터는 큰 개념이고, 지각 데이터(너프, 카메라/센서 시뮬레이션)는 가장 뛰어난 분야 중 하나일 뿐입니다. 업계에서는 합성 데이터가 오랫동안 롱테일 행동 시뮬레이션의 표준 답변이 되어 왔습니다. 합성 데이터 또는 희소 신호 업샘플링은 롱테일 문제에 대한 첫 번째 솔루션 중 하나입니다. 롱테일 능력은 모델의 일반화 능력과 데이터에 포함된 정보의 양을 곱한 것입니다.

Tesla 솔루션:

합성 데이터를 사용하여 가장자리 장면을 생성하여 데이터 세트를 확대합니다. 데이터 엔진의 원리: 먼저 기존 모델의 부정확성을 감지한 다음 이 클래스 사례를 단위 테스트에 추가하여 사용합니다. . 또한 유사한 사례에 대해 더 많은 데이터를 수집하여 모델을 재교육합니다. 이러한 반복적 접근 방식을 통해 가능한 한 많은 엣지 케이스를 포착할 수 있습니다. 엣지 케이스를 생성할 때 가장 큰 과제는 엣지 케이스를 수집하고 라벨을 지정하는 비용이 상대적으로 높다는 점이며, 다른 하나는 수집 동작이 매우 위험하거나 달성하기 불가능할 수도 있다는 것입니다.

NVIDIA 솔루션:

NVIDIA는 최근 "모방 훈련"이라는 전략적 접근 방식을 제안했습니다(아래 그림). 이 접근 방식에서는 실제 시스템 오류 사례를 시뮬레이션 환경에서 재현한 후 자율주행차용 교육 데이터로 사용합니다. 이 주기는 모델 성능이 수렴될 때까지 반복됩니다. 이 접근 방식의 목표는 결함 시나리오를 지속적으로 시뮬레이션하여 자율 주행 시스템의 견고성을 향상시키는 것입니다. 시뮬레이션 교육을 통해 개발자는 실제 세계의 다양한 오류 시나리오를 더 잘 이해하고 해결할 수 있습니다. 또한, 대량의 훈련 데이터를 빠르게 생성하여 모델 성능을 향상시킬 수 있습니다. 이 사이클을 반복함으로써

다음 실제 장면에서는 트럭이 너무 높아(위), 차량의 튀어나온 부분이 후방 차량을 가로막고 있기 때문에(아래) 모델이 정지할 때 차량 프레임이 손실되는 현상이 발생합니다. 출력되어 엣지 장면이 됩니다. NVIDIA를 통해 개선된 후 모델은 이 엣지 케이스에서 올바른 경계 상자를 생성할 수 있습니다.

생각:

Q: 합성 데이터는 가치가 있나요?

A: 여기서 값은 두 가지 유형으로 나뉩니다. 첫 번째는 테스트 효율성, 즉 생성된 장면에서 감지 알고리즘의 일부 결함을 찾을 수 있는지 테스트하는 것입니다. 두 번째는 훈련 효율성, 즉 생성된 장면입니다. 알고리즘의 훈련이 효과적으로 성능을 향상시킬 수 있는지 여부가 사용됩니다.

Q: 가상 데이터를 사용하여 성능을 향상시키는 방법은 무엇입니까? 훈련 세트에 더미 데이터를 추가하는 것이 정말로 필요한가요? 추가하면 성능 저하가 발생합니까?

A: 이러한 질문은 답변하기 어렵기 때문에 훈련 정확도를 향상하기 위한 다양한 솔루션이 제작되었습니다.

• 하이브리드 훈련: 실제 데이터에 다양한 비율의 가상 데이터를 추가하여 성능을 향상합니다.
• 전이 학습: 실제 데이터를 사용하여 모델을 사전 훈련한 다음 특정 레이어를 동결한 다음 훈련을 위해 혼합 데이터를 추가합니다.
• 모방 학습: 모델 오류에 대한 일부 시나리오를 설계하고 일부 데이터를 생성하여 모델 성능을 점진적으로 향상시키는 것도 매우 자연스러운 일입니다. 실제 데이터 수집 및 모델 훈련에서는 성능 향상을 위해 일부 보충 데이터도 목표 방식으로 수집됩니다.

일부 확장:

AI 시스템의 견고성을 철저하게 평가하려면 단위 테스트에 일반 사례와 특수 사례가 모두 포함되어야 합니다. 그러나 일부 극단적인 경우는 기존 실제 데이터세트에서 사용하지 못할 수도 있습니다. 이를 위해 AI 실무자는 합성 데이터를 테스트에 사용할 수 있습니다.

한 가지 예는 자율 차량의 시각 지능을 테스트하는 데 사용되는 합성 데이터 세트인 ParallelEye-CS입니다. 실제 데이터를 사용하는 것에 비해 합성 데이터를 생성하는 이점은 각 이미지의 장면에 대한 다차원 제어가 가능하다는 것입니다.

합성 데이터는 프로덕션 AV 모델의 극단적인 경우에 대한 실행 가능한 솔루션 역할을 합니다. 이는 실제 데이터 세트를 엣지 케이스로 보완하여 비정상적인 상황에서도 AV가 견고하게 유지되도록 보장합니다. 또한 실제 데이터보다 확장성이 뛰어나고 오류 발생 가능성이 낮으며 저렴합니다.

위 내용은 자율주행 시나리오에서 롱테일 문제를 해결하는 방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!