利用深度強化學習模型訓練自動駕駛車輛識別路上行人
科技產業資訊室 (iKnow) - 陳品蓁 發表於 2019年6月26日
圖、利用深度強化學習模型訓練自動駕駛車輛識別路上行人
新創公司Humanising Autonomy的技術是一套經過訓練的機器學習(machine learning)模型，應用範圍在於自動駕駛汽車行駛時，可以識別不同行人之行為。該公司宣稱其人工智慧系統是一個幾乎可以處理任何車輛相機上的圖像，且因此獲得一個國際投資基金獲得了530萬美元的種子基金。目前，Humanising Autonomy正與歐洲、美國和日本的移動供應商合作，致力於將產品商業化，其中幾家公司包括：Daimler Mercedes Benz 和 Airbus。
Humanising Autonomy模型的優勢包括兩點：多樣的數據來源，以及可根據硬體需求單獨選擇和調整的模塊化模型設計。
該系統的數據來源涵蓋了閉路電視攝影機(Closed-circuit television, CCTV)、各種解析度的移動式攝影機、以及自動駕駛車輛的感測器等。而系統模塊化的優點在於可以隨著環境做出不同的預測和調整，例如，雨天風險大小、行人是否分心、地區差異等。利用深度學習(deep learning)的設計，該製程的可讀性將會提高，也將改善該模型的效能。
真正的人工智慧公司是擁有統一的自動化數據資料庫，也就是一個戰略數據採集的地方。在設計自動駕駛車輛的過程中，創建數據集以及使用數據集，將會是設計過程與機器模型深度學習中，一個互補條件下的完美結果。
開發深度學習模型時，特別困難的地方是確定哪些才是所謂真正的變量(variations)。大多數的情況下，圖像和聲音都會轉換為數行和數列的數據，而普遍對深度學習的誤解是，人工智慧學習系統模型都需要使用大量數據做為訊息來源。但在預測自動駕駛路徑時，如果為了同時考慮天氣，而把因為下雨導致轉彎速度下降所加入的道路標記，改成添加一個「下雨」的功能到軟體裡，模型將不需要再進行密集型學習，就能進一步提高其性能。
另一方面，由於數據都是由人類所產生，因此，在深度學習的情況下，加入心理學的概念將有助於理解為什麼某些數據產生的結果，或者某些神經網路會存有誤差。如果以行人過馬路的行為為例，一般人皆可知道，倫敦的行為模式並不能轉移到孟買，反之亦然。如此一來，學習過程將不再是訓練一個全新的模型，而是收集並關注特定的數據，以便對新環境進行更新。
產品改良的過程，有一件事特別令人注目，也就是當用戶使用產品時，設計人員能持續開發深度學習解決方案，並與用戶交互學習，使得每個新生成的數據點變成動態的學習。這個過程結合了深度學習與強化學習，稱為深度強化學習(deep reinforcement learning)。
深度強化學習可應用於多的地方，其中也包括自動駕駛車輛與行人之間的相互作用。舉例來說，當行人了解每次只要將一隻腳放在路上，車輛就都會停下來，那麼當行人想要穿越馬路時，就會更頻繁的做這個動作。這件事若使用傳統的深度學習演算法，必須重新訓練整個模型或至少是模型中幾個層的訓練成本，但深度強化學習的模型可以自動將這樣的行為加到該項目中。
總而言之，在收集和準備數據的過程中，透過設計方法的改進，將可以改善大部分的數據管理作業。而藉著設計和工程視角間的切換，將可以避免在特定領域遇到障礙，而有助於實現模型學習的結果。(1044字)
參考資料：
Humanising Autonomy pulls in $5M to help self-driving cars keep an eye on pedestrians. TechCrunch. 2019/6/19
Design methodologies for Deep Learning. Humanising Autonomy. Jun 6, 2018
本站相關資料：
1. 亞馬遜透過機器學習讓Alexa變得更智慧化的秘密
2. 微軟利用深度學習建立智慧冰箱
3. 微軟推出即時深度學習平台Project Brainwave
4. 從下一代獨角獸崛起，看新興新創公司的發展方向
5. 歐洲專利工廠PFE提供新創及中小企業之IP組合及融資
--------------------------------------------------------------------------------------------------------------------------------------------
【聲明】
1.科技產業資訊室刊載此文不代表同意其說法或描述，僅為提供更多訊息，也不構成任何投資建議。
2.著作權所有，非經本網站書面授權同意不得將本文以任何形式修改、複製、儲存、傳播或轉載，本中心保留一切法律追訴權利。
|