Det er ikke den beste tiden for selvkjørende biloppstart. Det siste året har store teknologiselskaper skaffet seg nyetablerte selskaper som gikk tom for kontanter og kjører selskaper lukker kostbare selvkjørende bilprosjekter uten utsikter til å bli produksjonsklar når som helst.

Midt i denne nedgangen har Waabi, en Toronto-basert selvkjørende biloppstart, nettopp kommet ut av skjult med en vanvittig sum på $ 83.5 millioner i en serie A-finansieringsrunde ledet av Khosla Ventures, med ytterligere deltakelse fra Uber , 8VC, Radical Ventures, OMERS Ventures, BDC og Aurora Innovation. Selskapets økonomiske støttespillere inkluderer også Geoffrey Hinton, Fei-Fei Li, Peter Abbeel og Sanja Fidler, kunstige intelligensforskere med stor innflytelse i akademia og anvendt AI-samfunn.

Hva gjør Waabi kvalifisert for slik støtte? I følge selskapets pressemelding, Waabi tar sikte på å løse "skala" -utfordringen ved selvkjørende bilforskning og "bringe kommersielt levedyktig selvkjørende teknologi til samfunnet." Dette er to viktige utfordringer i den selvkjørende bilindustrien og blir nevnt flere ganger i utgivelsen.

Det Waabi beskriver som sin "neste generasjon av selvkjørende teknologi" har ennå ikke bestått tidstesten. Men gjennomføringsplanen gir hint om hvilke retninger den selvkjørende bilindustrien kan være på vei.

Bedre maskinlæringsalgoritmer og simuleringer

I følge Waabis pressemelding: “Den tradisjonelle tilnærmingen til konstruksjon av selvkjørende biler resulterer i en programvarestabel som ikke utnytter kraften til AI fullt ut, og som krever kompleks og tidkrevende manuell innstilling. Dette gjør skalering kostbart og teknisk utfordrende, spesielt når det gjelder å løse mindre hyppige og mer uforutsigbare kjørescenarier. ”

Ledende selvkjørende bilfirmaer har kjørt bilene sine på ekte veier i millioner av kilometer å trene sine dype læringsmodeller. Real-road training er kostbar både når det gjelder logistikk og menneskelige ressurser. Det er også fylt med juridiske utfordringer da lovene rundt selvkjørende biltester varierer i forskjellige jurisdiksjoner. Til tross for all opplæring, sliter selvkjørende bilteknologi med å håndtere hjørnesaker, sjeldne situasjoner som ikke er inkludert i treningsdataene. Disse økende utfordringene snakker til grensene for dagens selvkjørende bilteknologi.

Slik hevder Waabi å løse disse utfordringene (vektlegging min): “Selskapets gjennombrudd, AI-første tilnærming, utviklet av et team av verdensledende teknologer, utnytter dyp læring, sannsynlig slutning og kompleks optimalisering å lage programvare som er ende-til-ende-opplærbar, tolkbar og i stand til veldig komplisert resonnement. Dette sammen med en revolusjonerende lukket sløyfesimulator som har et enestående nivå av troskap, muliggjør testing i skala fra både vanlige kjørescenarier og sikkerhetskritiske kantsaker. Denne tilnærmingen betydelig reduserer behovet for å kjøre testing miles i den virkelige verden og resulterer i en tryggere, rimeligere løsning. ”

Det er mye sjargong der inne (mye av det er sannsynligvis markedsføringsspråk) som må avklares. Jeg nådde ut til Waabi for mer informasjon og vil oppdatere dette innlegget hvis jeg hører fra dem.

Med "AI-first approach" antar jeg at de mener at de vil legge mer vekt på å skape bedre maskinlæringsmodeller og mindre på komplementær teknologi som lidars, radars og kartdata. Fordelen med å ha en programvaretung stack er de svært lave kostnadene ved oppdatering av teknologien. Og det vil bli mye oppdatering de neste årene når forskere fortsetter å finne måter å gjøre det omgå grensene for selvkjørende AI.

Kombinasjonen av "dyp læring, sannsynlig resonnement og kompleks optimalisering" er interessant, om enn ikke et gjennombrudd. De fleste dype læringssystemer bruker ikke-sannsynlig slutning. De gir en produksjon, for eksempel en kategori eller en forventet verdi, uten å gi usikkerhetsnivået på resultatet. Probabilistisk dyplæring gir derimot også påliteligheten til dens slutninger, noe som kan være veldig nyttig i kritiske applikasjoner som kjøring.

“End-to-end trainable” maskinlæringsmodeller krever ingen manuelt konstruerte funksjoner. Dette betyr at når du har utviklet arkitekturen og har bestemt deg for taps- og optimaliseringsfunksjonene, er alt du trenger å gjøre å gi maskinlæringsmodellen opplæringseksempler. De fleste dype læringsmodellene kan trenes fra ende til ende. Noen av de mer kompliserte arkitekturer krever en kombinasjon av hånddesignede funksjoner og kunnskap sammen med opplærbare komponenter.

Endelig, "tolkbarhet"Og"resonnement”Er to av de viktigste utfordringene med dyp læring. Dype nevrale nettverk består av millioner og milliarder parametere. Dette gjør det vanskelig å feilsøke dem når noe går galt (eller finne problemer før noe dårlig skjer), noe som kan være en reell utfordring i kritiske scenarier som å kjøre bil. På den annen side, den manglende resonnementskraft og årsaksforståelse gjør det veldig vanskelig for dype læringsmodeller å håndtere situasjoner de ikke har sett før.

Ifølge TechCrunchs dekning av Waabis lansering, Raquel Urtasan, selskapets administrerende direktør, beskrev AI-systemet selskapet bruker som en "familie av algoritmer."

"Når det kombineres, kan utvikleren spore beslutningsprosessen til AI-systemet og innlemme forkunnskaper, slik at de ikke trenger å lære AI-systemet alt fra bunnen av," skrev TechCrunch.

Ovenfor: Simulering er en viktig komponent i å trene dype læringsmodeller for selvkjørende biler. (kreditt: CARLA)

Bildekreditt: Frontier Developments

Simuleringsmiljøet med lukket sløyfe er en erstatning for å sende ekte biler på ekte veier. I et intervju med The Verge, Sa Urtasan at Waabi kan "teste hele systemet" i simulering. "Vi kan trene et helt system for å lære i simulering, og vi kan produsere simuleringene med et utrolig nivå av troskap, slik at vi virkelig kan korrelere det som skjer i simuleringen med det som skjer i den virkelige verden."

Jeg er litt på gjerdet på simuleringskomponenten. De fleste selvkjørende bilfirmaer bruker simuleringer som en del av opplæringsregimet til sine dype læringsmodeller. Men å lage simuleringsmiljøer som er eksakte replikasjoner av den virkelige verden er praktisk talt umulig, og det er grunnen til at selvkjørende bilfirmaer fortsetter å bruke tunge veitester.

Waymo har minst 20 milliarder miles simulert kjøring å gå med sine 20 millioner miles med test på ekte vei, noe som er en rekord i bransjen. Og jeg er ikke sikker på hvordan en oppstart med $ 83.5 millioner i finansiering kan overgå talent, data, beregning og økonomiske ressurser til et selvkjørende selskap med mer enn et tiår med historie og støtte fra Alphabet, et av de rikeste selskapene. i verden.

Flere hint om systemet finner du i arbeidet som Urtasan, som også er professor ved Institutt for informatikk ved University of Toronto, gjør innen akademisk forskning. Urtasans navn vises på mange papirer om autonom kjøring. Men spesielt en, som ble lastet opp på arXiv preprint-serveren i januar, er interessant.

Tittel â € œMP3: En enhetlig modell for å kartlegge, oppfatte, forutsi og planlegge, ”Avisen diskuterer en tilnærming til selvkjøring som er veldig nær beskrivelsen i Waabis lanseringspressemelding.

Over: MP3 er en dyp læringsmodell som bruker sannsynlig slutning for å lage naturskjønne fremstillinger og utføre bevegelsesplanlegging for selvkjørende biler.

Forskerne beskriver MP3 som "en helhetlig tilnærming til kartløs kjøring som kan tolkes, ikke medfører noe tap av informasjon og grunner til usikkerhet i mellomrepresentasjonene." I papiret diskuterer forskerne også bruken av "sannsynlige romlige lag for å modellere de statiske og dynamiske delene av miljøet."

MP3 er end-to-end-trent og bruker lidar-inngang for å lage scenarepresentasjoner, forutsi fremtidige tilstander og planlegge baner. Maskininnlæringsmodellen unngår behovet for detaljerte kartdata som selskaper som Waymo bruker i sine selvkjørende biler.

Raquel la ut en video på sin YouTube som gir en kort forklaring på hvordan MP3 fungerer. Det er fascinerende arbeid, selv om mange forskere vil påpeke at det ikke så mye av et gjennombrudd som en smart kombinasjon av eksisterende teknikker.

Det er også et stort gap mellom akademisk AI-forskning og anvendt AI. Det gjenstår å se om MP3 eller en variant av det er modellen Waabi bruker, og hvordan den vil fungere i praktiske innstillinger.

En mer konservativ tilnærming til kommersialisering

Waabis første søknad vil ikke være personbiler som du kan bestille med Lyft- eller Uber-appen din.

"Teamet vil i utgangspunktet fokusere på å distribuere Waabis programvare innen logistikk, spesielt langdistansebiltransporter, en bransje der selvkjørende teknologi står for å få størst og raskeste innvirkning på grunn av kronisk sjåførmangel og omfattende sikkerhetsproblemer," heter det i Waabis pressemelding .

Hva utgivelsen ikke nevner, er imidlertid at motorveiinnstillinger er et enklere problem å løse fordi de er mye mer forutsigbare enn urbane områder. Dette gjør dem mindre utsatt for kantsaker (for eksempel en fotgjenger som løper foran bilen) og lettere å simulere. Selvkjørende lastebiler kan frakte last mellom byer, mens menneskelige sjåfører tar seg av levering i byene.

Med Lyft og Uber som ikke klarte å lansere sine egne robotaxitjenester, og med Waymo fremdeles borte fra å gjøre One, den fullstendige førerløse kjøreturen, til en skalerbar og lønnsom virksomhet, Synes Waabis tilnærming å være gjennomtenkt.

Med mer komplekse applikasjoner som fortsatt er utenfor rekkevidde, kan vi forvente at selvkjøringsteknologi vil komme inn i mer spesialiserte innstillinger som lastebil og industrielle komplekser og fabrikker.

Waabi nevner heller ikke en tidslinje i pressemeldingen. Dette ser også ut til å gjenspeile feilene i den selvkjørende bilindustrien de siste årene. Toppledere i bil- og selvkjørende bilfirmaer har hele tiden kommet med dristige uttalelser og gitt frister om levering av fullt førerløs teknologi. Ingen av disse fristene er oppfylt.

Enten Waabi blir uavhengig vellykket eller ender med å bli med i oppkjøpsporteføljen til en av teknologigigantene, synes planen å være en realitetskontroll i den selvkjørende bilindustrien. Bransjen trenger selskaper som kan utvikle og teste ny teknologi uten mye fanfare, omfavne endring når de lærer av feilene sine, gjør inkrementelle forbedringer og sparer kontanter for et langt løp.

Ben Dickson er programvareingeniør og grunnlegger av TechTalks. Han skriver om teknologi, næringsliv og politikk.

Denne historien opprinnelig oppstod på Bdtechtalks.com. Opphavsrett 2021