MIT 연구원들은 AI를 사용하여 자율주행차가 빨간 신호등에 공회전하지 않도록 돕습니다.
자동차 운전자가 매번 신호등을 통과할 수 있도록 정확한 여행 일정을 계획할 수 있다면 어떨까요?
이 일은 특히 운이 좋은 상황에서 인간 운전자에게만 일어날 수 있지만 AI를 사용하는 자율주행차에서도 가능합니다. 속도 제어가보다 안정적으로 구현됩니다.
매사추세츠 공과대학(MIT)의 과학자들이 새로운 연구에서 기계 학습 접근 방식을 보여줍니다. 이 방법은 신호가 있는 교차로에 접근하고 통과할 때 교통 흐름을 유지하기 위해 자율 차량을 제어하는 방법을 배울 수 있습니다.
시뮬레이션 결과에 따르면, 그들의 방법은 평균 차량 속도를 높이는 동시에 연료 소비와 배출을 줄일 수 있습니다. 이 기술은 도로 위의 모든 자동차가 자율주행차일 때 가장 잘 작동할 것이지만, 자동차의 25%만이 제어 알고리즘을 사용하더라도 여전히 엄청난 연료 및 배기가스 배출 이점을 가져올 것입니다.
“이곳은 개입하기에 정말 흥미로운 곳입니다. 교차로에 갇혀 있기 때문에 누구도 삶의 질이 나아질 수 없습니다. 다른 많은 기후 변화 개입에는 예상되는 삶의 질 차이가 있습니다. 거기로 들어가세요."라고 이번 연구의 수석 저자인 Cathy Wu가 말했습니다. 그는 토목환경공학과 길버트 W. 윈슬로 경력개발 조교수이자 데이터시스템사회연구소(IDSS)와 정보결정시스템연구소(LIDS) 회원인 것으로 알려졌다.
LIDS와 전기 공학 및 컴퓨터 과학과 대학원생 Vindula Jayawardana는 모두 이 연구의 첫 번째 저자입니다. 해당 연구는 유럽 통제 회의(European Control Conference)에서 발표될 예정이다.
복잡한 교차로
인간은 녹색 신호등에도 아무 생각 없이 운전할 수 있지만, 교차로 수는 차선 수, 신호등 작동 방식, 차량 수와 속도, 보행자 및 자전거 이용자의 존재 여부에 따라 수십억 가지의 다양한 상황에서 발생할 수 있습니다. , 등.
교차로 제어 문제를 해결하는 일반적인 접근 방식은 수학적 모델을 사용하여 간단하고 이상적인 교차로를 해결하는 것입니다. 이는 서류상으로는 좋아 보이지만 교통 패턴이 종종 혼란스러운 현실 세계에서는 유지되지 않을 가능성이 높습니다.
Wu와 Jayawardana는 이 문제를 해결하기 위해 모델이 없는 기술인 심층 강화 학습을 사용했습니다. 강화 학습은 제어 알고리즘이 일련의 결정을 내리는 방법을 학습하는 시행착오 방법입니다. 좋은 시퀀스를 찾으면 보상을 받습니다. 심층 강화 학습을 통해 알고리즘은 신경망에서 학습한 가설을 사용하여 수십억 개의 가능성이 있더라도 좋은 시퀀스에 대한 지름길을 찾습니다.
이는 이와 같은 장기적인 문제를 해결하는 데 유용합니다. Wu는 제어 알고리즘이 장기간에 걸쳐 차량에 500개 이상의 가속 명령을 내려야 한다고 지적했습니다. 게다가 그녀는 다음과 같이 덧붙였습니다. "그리고 우리는 배출을 잘 완화했고 좋은 속도로 교차로에 있다는 것을 알기 직전에 시퀀스를 얻어야 합니다.
하지만 여기에는 문제가 있는데, 그것이 바로 연구원들이 활성화하기를 원하는 것입니다." 연료 소비를 줄이고 이동 시간에 미치는 영향을 제한하기 위한 전략을 학습하는 시스템입니다. 이러한 목표는 서로 충돌할 수 있습니다.
"이동 시간을 줄이기 위해 우리는 자동차가 빠르게 주행하기를 원하지만 배기가스를 줄이기 위해 자동차가 속도를 늦추거나 전혀 움직이지 않기를 원합니다. 이러한 경쟁 보상은 학습 에이전트에게 매우 혼란스러울 수 있습니다."라고 Wu는 말했습니다.
이 문제의 일반성을 해결하는 것은 어려운 일이지만, 연구원들은 이 문제를 해결하기 위해 보상 형성이라는 기술을 사용했습니다. 보상 형성을 통해 시스템이 스스로 학습할 수 없는 일부 도메인 지식을 시스템에 제공합니다. 이 경우 차량이 완전히 정지할 때마다 시스템을 처벌하여 이러한 동작을 피하는 방법을 학습합니다.
교통 테스트
연구원들이 효과적인 제어 알고리즘을 개발하면 단일 교차로가 있는 교통 시뮬레이션 플랫폼을 사용하여 이를 평가합니다. 제어 알고리즘은 다가오는 신호등과 통신하여 신호등으로부터 위상 및 타이밍 정보를 수신하고 주변을 관찰할 수 있는 네트워크로 연결된 자율주행 차량에 적용됩니다. 제어 알고리즘은 각 차량에 가속 및 감속 방법을 알려줍니다.
그들의 시스템은 차량이 교차로에 접근할 때 정지 및 이동 교통을 유발하지 않았습니다. 시뮬레이션에서는 인간 운전자를 시뮬레이션하는 모델보다 단일 신호등 단계에서 더 많은 차량이 통과했습니다. 정차 및 이동을 방지하는 것을 목표로 하는 다른 최적화 방법과 비교할 때, 이 기술은 연료 소비 및 배기가스 배출을 훨씬 더 크게 줄여줍니다. 도로 위의 모든 자동차가 자율주행차라면 제어 시스템은 연료 소비를 18%, CO2 배출량을 25% 줄이면서 20% 더 빠르게 운전할 수 있습니다.
Wu는 다음과 같이 말했습니다. “한 번의 개입으로 연료나 배출량이 20~25% 감소한다는 것은 정말 놀라운 일입니다. 하지만 제가 흥미롭고 보고 싶은 것은 이러한 비선형 확장입니다. 차량의 25%만 제어하면 연료와 배기가스 배출이 50% 감소합니다. 이는 이 접근 방식의 이점을 얻기 위해 100% 자율주행차에 도달할 때까지 기다릴 필요가 없다는 것을 의미합니다.”
다음으로 연구원들은 희망합니다. 여러 교차점 간의 상호작용 효과를 연구합니다. 또한 차선 수, 신호등, 타이밍 등과 같은 다양한 교차로 설정이 이동 시간, 배기가스 및 연료 소비에 어떤 영향을 미치는지 조사할 계획입니다. 또한 자율주행차가 인간 운전자와 도로를 공유할 때 제어 시스템이 안전에 어떤 영향을 미치는지 연구할 계획입니다.
이 작업은 아직 초기 단계이지만 Wu는 이 접근 방식이 가까운 시일 내에 구현이 더 실현 가능하다고 믿습니다.
위 내용은 MIT 연구원들은 AI를 사용하여 자율주행차가 빨간 신호등에 공회전하지 않도록 돕습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











이 사이트는 6월 27일에 Jianying이 ByteDance의 자회사인 FaceMeng Technology에서 개발한 비디오 편집 소프트웨어라고 보도했습니다. 이 소프트웨어는 Douyin 플랫폼을 기반으로 하며 기본적으로 플랫폼 사용자를 위한 짧은 비디오 콘텐츠를 제작합니다. Windows, MacOS 및 기타 운영 체제. Jianying은 멤버십 시스템 업그레이드를 공식 발표하고 지능형 번역, 지능형 하이라이트, 지능형 패키징, 디지털 인간 합성 등 다양한 AI 블랙 기술을 포함하는 새로운 SVIP를 출시했습니다. 가격면에서 SVIP 클리핑 월 요금은 79위안, 연간 요금은 599위안(본 사이트 참고: 월 49.9위안에 해당), 월간 연속 구독료는 월 59위안, 연간 연속 구독료는 59위안입니다. 연간 499위안(월 41.6위안)입니다. 또한, 컷 관계자는 "사용자 경험 향상을 위해 기존 VIP에 가입하신 분들도

검색 강화 생성 및 의미론적 메모리를 AI 코딩 도우미에 통합하여 개발자 생산성, 효율성 및 정확성을 향상시킵니다. EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG에서 번역됨, 저자 JanakiramMSV. 기본 AI 프로그래밍 도우미는 자연스럽게 도움이 되지만, 소프트웨어 언어에 대한 일반적인 이해와 소프트웨어 작성의 가장 일반적인 패턴에 의존하기 때문에 가장 관련성이 높고 정확한 코드 제안을 제공하지 못하는 경우가 많습니다. 이러한 코딩 도우미가 생성한 코드는 자신이 해결해야 할 문제를 해결하는 데 적합하지만 개별 팀의 코딩 표준, 규칙 및 스타일을 따르지 않는 경우가 많습니다. 이로 인해 코드가 애플리케이션에 승인되기 위해 수정되거나 개선되어야 하는 제안이 나타나는 경우가 많습니다.

AIGC에 대해 자세히 알아보려면 다음을 방문하세요. 51CTOAI.x 커뮤니티 https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou는 인터넷 어디에서나 볼 수 있는 전통적인 문제 은행과 다릅니다. 고정관념에서 벗어나 생각해야 합니다. LLM(대형 언어 모델)은 데이터 과학, 생성 인공 지능(GenAI) 및 인공 지능 분야에서 점점 더 중요해지고 있습니다. 이러한 복잡한 알고리즘은 인간의 기술을 향상시키고 많은 산업 분야에서 효율성과 혁신을 촉진하여 기업이 경쟁력을 유지하는 데 핵심이 됩니다. LLM은 자연어 처리, 텍스트 생성, 음성 인식 및 추천 시스템과 같은 분야에서 광범위하게 사용될 수 있습니다. LLM은 대량의 데이터로부터 학습하여 텍스트를 생성할 수 있습니다.

LLM(대형 언어 모델)은 대규모 텍스트 데이터베이스에서 훈련되어 대량의 실제 지식을 습득합니다. 이 지식은 매개변수에 내장되어 필요할 때 사용할 수 있습니다. 이러한 모델에 대한 지식은 훈련이 끝나면 "구체화"됩니다. 사전 훈련이 끝나면 모델은 실제로 학습을 중단합니다. 모델을 정렬하거나 미세 조정하여 이 지식을 활용하고 사용자 질문에 보다 자연스럽게 응답하는 방법을 알아보세요. 그러나 때로는 모델 지식만으로는 충분하지 않을 때도 있으며, 모델이 RAG를 통해 외부 콘텐츠에 접근할 수 있더라도 미세 조정을 통해 모델을 새로운 도메인에 적응시키는 것이 유익한 것으로 간주됩니다. 이러한 미세 조정은 인간 주석 작성자 또는 기타 LLM 생성자의 입력을 사용하여 수행됩니다. 여기서 모델은 추가적인 실제 지식을 접하고 이를 통합합니다.

편집자 |ScienceAI 질문 응답(QA) 데이터 세트는 자연어 처리(NLP) 연구를 촉진하는 데 중요한 역할을 합니다. 고품질 QA 데이터 세트는 모델을 미세 조정하는 데 사용될 수 있을 뿐만 아니라 LLM(대형 언어 모델)의 기능, 특히 과학적 지식을 이해하고 추론하는 능력을 효과적으로 평가하는 데에도 사용할 수 있습니다. 현재 의학, 화학, 생물학 및 기타 분야를 포괄하는 과학적인 QA 데이터 세트가 많이 있지만 이러한 데이터 세트에는 여전히 몇 가지 단점이 있습니다. 첫째, 데이터 형식이 비교적 단순하고 대부분이 객관식 질문이므로 평가하기 쉽지만 모델의 답변 선택 범위가 제한되고 모델의 과학적 질문 답변 능력을 완전히 테스트할 수 없습니다. 이에 비해 개방형 Q&A는

Editor | KX 약물 연구 및 개발 분야에서 단백질과 리간드의 결합 친화도를 정확하고 효과적으로 예측하는 것은 약물 스크리닝 및 최적화에 매우 중요합니다. 그러나 현재 연구에서는 단백질-리간드 상호작용에서 분자 표면 정보의 중요한 역할을 고려하지 않습니다. 이를 기반으로 Xiamen University의 연구자들은 처음으로 단백질 표면, 3D 구조 및 서열에 대한 정보를 결합하고 교차 주의 메커니즘을 사용하여 다양한 양식 특징을 비교하는 새로운 다중 모드 특징 추출(MFE) 프레임워크를 제안했습니다. 조정. 실험 결과는 이 방법이 단백질-리간드 결합 친화도를 예측하는 데 있어 최첨단 성능을 달성한다는 것을 보여줍니다. 또한 절제 연구는 이 프레임워크 내에서 단백질 표면 정보와 다중 모드 기능 정렬의 효율성과 필요성을 보여줍니다. 관련 연구는 "S"로 시작된다

머신 러닝은 명시적으로 프로그래밍하지 않고도 컴퓨터가 데이터로부터 학습하고 능력을 향상시킬 수 있는 능력을 제공하는 인공 지능의 중요한 분야입니다. 머신러닝은 이미지 인식, 자연어 처리, 추천 시스템, 사기 탐지 등 다양한 분야에서 폭넓게 활용되며 우리의 삶의 방식을 변화시키고 있습니다. 기계 학습 분야에는 다양한 방법과 이론이 있으며, 그 중 가장 영향력 있는 5가지 방법을 "기계 학습의 5개 학교"라고 합니다. 5개 주요 학파는 상징학파, 연결주의 학파, 진화학파, 베이지안 학파, 유추학파이다. 1. 상징주의라고도 알려진 상징주의는 논리적 추론과 지식 표현을 위해 상징을 사용하는 것을 강조합니다. 이 사고 학교는 학습이 기존을 통한 역연역 과정이라고 믿습니다.

중국과학원 자동화 연구소의 심층 강화 학습 팀은 Li Auto 등과 함께 다중 모드 대형 언어 모델인 MLLM(PlanAgent)을 기반으로 자율 주행을 위한 새로운 폐쇄 루프 계획 프레임워크를 제안했습니다. 이 방법은 장면에 대한 조감도와 그래프 기반 텍스트 프롬프트를 입력으로 취하고, 다중 모드 대형 언어 모델의 다중 모드 이해 및 상식 추론 기능을 활용하여 장면 이해부터 생성까지 계층적 추론을 수행합니다. 수평 및 수직 이동 지침을 작성하고 플래너가 요구하는 지침을 추가로 생성합니다. 이 방법은 대규모의 까다로운 nuPlan 벤치마크에서 테스트되었으며 실험에서는 PlanAgent가 일반 시나리오와 롱테일 시나리오 모두에서 최첨단(SOTA) 성능을 달성하는 것으로 나타났습니다. PlanAgent는 기존의 LLM(Large Language Model) 방식과 비교하여
