に最適な時期ではありません 自動運転車のスタートアップ. 昨年、大規模なテクノロジー企業が、現金や配車会社が不足していたスタートアップを買収しました。 シャッター費用のかかる自動運転車プロジェクト すぐに本番環境に対応できるようになる見込みはありません。

しかし、この不況の真っ只中に、トロントを拠点とする自動運転車のスタートアップであるWaabiは、Khosla Venturesが主導するシリーズAの資金調達ラウンドで、Uberの追加参加により、83.5万ドルという非常識な金額でステルス状態から抜け出しました。 、8VC、Radical Ventures、OMERS Ventures、BDC、およびAuroraInnovation。 同社の財政支援者には、 ジェフリーヒントン、Fei-Fei Li、Peter Abbeel、Sanja Fidlerは、学界と応用AIコミュニティに多大な影響を与えた人工知能科学者です。

Waabiがそのようなサポートを受ける資格がある理由は何ですか？ 会社によると プレスリリース、Waabiは、自動運転車の研究という「規模」の課題を解決し、「商業的に実行可能な自動運転技術を社会にもたらす」ことを目指しています。 これらは自動運転車業界のXNUMXつの重要な課題であり、リリースで何度も言及されています。

Waabiが「次世代の自動運転技術」と表現していることは、まだ時の試練に合格していません。 しかし、その実行計画は、自動運転車業界がどの方向に向かうことができるかについてのヒントを提供します。

より優れた機械学習アルゴリズムとシミュレーション

Waabiのプレスリリースによると、「自動運転車を設計する従来のアプローチでは、AIの能力を十分に活用できず、複雑で時間のかかる手動チューニングが必要なソフトウェアスタックが発生します。 これにより、特に頻度が低く予測不可能な運転シナリオの解決に関しては、スケーリングにコストがかかり、技術的に困難になります。」

大手自動運転車会社は、実際の道路を何百万マイルも運転してきました。 ディープラーニング モデルをトレーニングするため. 実道訓練は、ロジスティクスと人的資源の両方の点でコストがかかります。 自動運転車のテストを取り巻く法律は法域によって異なるため、法的な問題もあります。 しかし、すべてのトレーニングにもかかわらず、自動運転車のテクノロジーは、トレーニングデータに含まれていないまれな状況であるコーナーケースの処理に苦労しています。 これらの増大する課題は、現在の自動運転車技術の限界を物語っています。

Waabiがこれらの課題を解決すると主張する方法は次のとおりです（私の強調）。 AIファーストのアプローチ、世界をリードする技術者のチームによって開発され、 ディープラーニング、確率的推論、および複雑な最適化 であるソフトウェアを作成する エンドツーエンドのトレーニング可能、解釈可能、非常に複雑な推論が可能. これは、革命的な 前例のないレベルの忠実度を備えた閉ループシミュレータ、の規模でのテストを可能にします 一般的な運転シナリオとセーフティクリティカルなエッジケースの両方. このアプローチは大幅に 実世界でテスト走行距離を走行する必要性を削減 その結果、より安全で手頃な価格のソリューションが実現します。」

そこには明確にする必要のある専門用語がたくさんあります（その多くはおそらくマーケティング用語です）。 詳細についてはWaabiに連絡しました。返信があれば、この投稿を更新します。

「AIファーストアプローチ」とは、LIDAR、レーダー、マッピングデータなどの補完的なテクノロジーではなく、より優れた機械学習モデルの作成に重点を置くことを意味していると思います。 ソフトウェアを多用するスタックを持つことの利点は、テクノロジーの更新コストが非常に低いことです。 そして、科学者が次の方法を見つけ続けるにつれて、今後数年間で多くの更新があります 自動運転AIの限界を回避する.

「深層学習、確率論的推論、複雑な最適化」の組み合わせは、画期的ではありませんが興味深いものです。 ほとんどの深層学習システムは、非確率的推論を使用します。 それらは、結果の不確実性のレベルを与えることなく、出力、たとえばカテゴリーまたは予測値を提供します。 一方、確率的深層学習は、推論の信頼性も提供します。これは、運転などの重要なアプリケーションで非常に役立ちます。

「エンドツーエンドのトレーニング可能な」機械学習モデルには、手動で設計された機能は必要ありません。 つまり、アーキテクチャを開発し、損失関数と最適化関数を決定したら、機械学習モデルにトレーニング例を提供するだけです。 ほとんどの深層学習モデルは、エンドツーエンドでトレーニング可能です。 より複雑なアーキテクチャの中には、手作業で設計された機能と知識、およびトレーニング可能なコンポーネントの組み合わせが必要なものがあります。

最後に、 "解釈可能性"と"推論」は、ディープラーニングのXNUMXつの重要な課題です。 ディープニューラルネットワークは、数百万から数十億のパラメーターで構成されています。 これにより、問題が発生した場合（または問題が発生する前に問題を見つける）のトラブルシューティングが困難になります。これは、車の運転などの重要なシナリオでは実際の課題となる可能性があります。 一方、 推論力と因果関係の理解の欠如 ディープラーニングモデルがこれまでに見たことのない状況を処理することを非常に困難にします。

による TechCrunchの報道 Waabi の立ち上げについて、同社の CEO である Raquel Urtasan 氏は、同社が使用している AI システムを「アルゴリズムのファミリー」と表現しました。

「組み合わせると、開発者はAIシステムの意思決定プロセスをさかのぼり、事前の知識を取り入れることができるため、AIシステムにすべてを最初から教える必要がなくなります」とTechCrunchは書いています。

上：シミュレーションは、自動運転車の深層学習モデルをトレーニングするための重要なコンポーネントです。 （クレジット： CARLA)

画像クレジット：フロンティアディベロップメント

閉ループシミュレーション環境は、実際の道路に実際の車を送るための代替手段です。 に ザ・ヴァージへのインタビュー、Urtasanは、Waabiはシミュレーションで「システム全体をテスト」できると述べました。 「システム全体をトレーニングしてシミュレーションで学習することができます。また、シミュレーションで発生することと現実の世界で発生することを実際に関連付けることができるように、信じられないほどの忠実度でシミュレーションを作成できます。」

私はシミュレーションコンポーネントのフェンスに少しいます。 ほとんどの自動運転車会社は、ディープラーニングモデルのトレーニング体制の一部としてシミュレーションを使用しています。 しかし、現実世界を正確に再現したシミュレーション環境を作成することは事実上不可能です。そのため、自動運転車会社は引き続き過酷な路上テストを使用しています。

Waymoには、業界で記録的な20万マイルの実道テストに対応するために、少なくとも20億マイルのシミュレートされた運転があります。 そして、83.5万ドルの資金を調達している新興企業が、XNUMX年以上の歴史と、最も裕福な企業のXNUMXつであるAlphabetの支援を受けている自動運転会社の才能、データ、コンピューティング、および財源をどのように凌駕できるかはわかりません。世界中。

このシステムのより多くのヒントは、トロント大学のコンピューターサイエンス学部の教授でもあるUrtasanが学術研究で行っている研究に見られます。 ウルタサンの名前は、自動運転に関する多くの論文に掲載されています。 しかし、特にXNUMX月にarXivプレプリントサーバーにアップロードされたものは興味深いものです。

タイトル付きMP3：マッピング、認識、予測、計画するための統合モデル」という論文では、Waabiの発表プレスリリースの説明に非常に近い自動運転へのアプローチについて説明しています。

上：MP3は、確率論的推論を使用して景観表現を作成し、自動運転車の動作計画を実行する深層学習モデルです。

研究者は、MP3を「解釈可能で、情報の損失が発生せず、中間表現の不確実性に関する理由である、マップレス運転へのエンドツーエンドのアプローチ」と説明しています。 論文では、研究者は「環境の静的部分と動的部分をモデル化するための確率的空間レイヤー」の使用についても説明しています。

MP3はエンドツーエンドでトレーニング可能であり、LIDAR入力を使用してシーン表現を作成し、将来の状態を予測し、軌道を計画します。 機械学習モデルにより、Waymoなどの企業が自動運転車で使用する詳細なマッピングデータが不要になります。

Raquelは、MP3がどのように機能するかを簡単に説明するビデオをYouTubeに投稿しました。 これは魅力的な作業ですが、多くの研究者は、既存の技術の巧妙な組み合わせほど画期的なものではないと指摘するでしょう。

学術的なAI研究と応用AIの間にもかなりのギャップがあります。 MP3またはそのバリエーションがWaabiが使用しているモデルであるかどうか、および実際の設定でどのように機能するかはまだわかりません。

商業化へのより保守的なアプローチ

Waabiの最初のアプリケーションは、LyftまたはUberアプリで注文できる乗用車ではありません。

「チームは最初、Waabi のソフトウェアをロジスティクス、特に長距離トラック輸送に展開することに焦点を当てます。この業界では、慢性的なドライバー不足と蔓延する安全問題のために、自動運転技術が最大かつ最も迅速な影響を与える可能性があります」と Waabi のプレス リリースは述べています。 。

ただし、リリースで言及されていないのは、高速道路の設定は都市部よりもはるかに予測可能であるため、解決が容易な問題であるということです。 これにより、エッジケース（車の前を走る歩行者など）が発生しにくくなり、シミュレーションが容易になります。 自動運転トラックは都市間で貨物を輸送でき、人間の運転手は都市内での配達を担当します。

LyftとUberが独自のロボタクシーサービスの開始に失敗し、Waymoが完全に無人のライドヘイリングサービスであるOneを スケーラブルで収益性の高いビジネス、Waabiのアプローチはよく考えられているようです。

より複雑なアプリケーションはまだ手の届かないところにあり、自動運転技術がトラックやトラックなどのより専門的な設定に浸透することが期待できます。 工業団地と工場.

Waabiはまた、プレスリリースでタイムラインについて言及していません。 これは、ここ数年の自動運転車業界の失敗も反映しているようです。 自動車および自動運転車企業のトップ エグゼクティブは、常に大胆な声明を発表し、納車の期限を定めています。 完全自動運転技術. これらの期限はいずれも守られていません。

Waabiが独立して成功するか、ハイテク巨人のXNUMX人の買収ポートフォリオに参加することになろうと、その計画は自動運転車業界の現実のチェックのようです。 業界は、多くのファンファーレなしで新しいテクノロジーを開発およびテストし、間違いから学びながら変化を受け入れ、段階的な改善を行い、長いレースのために現金を節約できる企業を必要としています。

Ben Dicksonは、ソフトウェアエンジニアであり、TechTalksの創設者です。 彼はテクノロジー、ビジネス、そして政治について書いています。

この話はもともと Bdtechtalks.com。 著作権2021