[情報] 整合深度學習的無人駕駛新創公司Drive.ai

【情報】整合深度學習的無人駕駛新創公司Drive.ai http://bit.ly/2nCnWhp 一批來自於史丹福大學AI實驗室， 為積極研發無人駕駛汽車而放棄學業， 創立Drive.ai公司。由於初期研發困難， 但卻在2015年3月獲得團隊建立以來的第一筆創投孵化資金。 以不到兩年的研發，於2017年2月向世人展示能在下雨夜晚自動駕駛的系統。 兩年前Drive.ai成立之初，當時谷歌已經積累了多年的自動駕駛技術的研發經驗， 可是Drive.ai深深知道谷歌對於自動駕駛的研發經驗並非是最佳的， 因為其採用了過於昂貴的雷射雷達和高精度地圖等， 並且一開始未採用深度學習與人工智慧技術。 所以Drive.ai為了避免走冤枉路從一開始就採用深度學習的策略。 換個角度來說，Drive.ai的目標是在於研發一輛採用初級雷達、 便宜攝影機、以及谷歌2D地圖即可上路的自動駕駛車， 其並採用深度學習解決成本問題， 強化認知準確性以及尋求可行的商業模式。 避免讓自動駕駛系統流於只有昂貴汽車材擁有的系統， 難達到普及化的目的。這意味著Drive.ai採用的技術和 Waymo （原來谷歌無人駕駛車部門）、特斯拉等都不太一樣。 目前在自動駕駛領域，分成兩種研發方向， 第一個是採用規則為基礎（Rule-base）的方式， 也就是廠商針對開車遇到的每個場景進行固定代碼方式， 告訴汽車應該如何處理這樣情況。這樣的結果是， 當汽車遇到新場景且無對應的代碼， 那麼自動駕駛系統就不知道如何處理。 更何況不同汽車廠商對於相同場景， 可能有不同處理方式，這加深了肇事的機會。 隨著人工智慧與深度學習技術不斷進步， 現在廠商開始將這些技術加入自動駕駛系統之內， 也是現今更受歡迎的研發方向。而Drive.ai就是走這一條路線。 因為深度學習可以類比人類大腦識別機制， 對於非結構化資料進行更好的辨識、判斷和分類， 再不斷透過演算法從資料和訓練中學習。 所以即使自動駕駛車在全新的場景之內， 車子也知道該如何處理， 而且愈來愈能夠適應環境且不斷擴展其能力。 從深層的角度來看，Drive.ai是聚焦在汽車的大腦之上， 透過軟體層面進行深度學習技術來打造自動駕駛的人工智慧系統， 這比起谷歌、特斯拉甚至於其它打造昂貴的硬體規格系統來說， 的確更能夠發展出優異的自動駕駛系統。 只不過，這些測試依舊需要時間， 且Drive.ai也需要合作夥伴， 才能讓其在未來自動駕駛世界獲得比大廠更好的未來。 --
※ 批踢踢實業坊(ptt.cc), 來自: 203.145.192.234
※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1489998527.A.683.html

推 thid5335: 以前princeton的CV扛壩子Prof. Xiao的AutoX好像打算只 03/20 17:53

→ thid5335: 用camera 03/20 17:53

→ ewings: 初級雷達不就是一般的雷達？為什麼會比較便宜？ 03/20 17:55

→ ewings: 使用答允器原理的次級雷達才會比較便宜吧 03/20 17:55

推 j6cl3: 自駕車系統資料量這麼大 如果都不用靠硬體架構 那硬體設計 03/20 18:48

→ j6cl3: 商就準備倒光了 03/20 18:48

推 zxp9505007: 3D雷達從30萬到200萬都有 當然就分初級跟高級啦 差別 03/20 20:29

→ zxp9505007: 在於channel數量點雲密度 03/20 20:29

→ xsoho: 詭異 03/20 22:10

→ ewings: 那是LiDAR才有算點密度吧，上面文內是Radar，初級雷達是專 03/21 01:26

→ ewings: 有名詞，不是便宜的就想當然爾的叫初級。 03/21 01:26

推 iosian: 廣告文 03/21 05:59

推 mom213: Google自駕車上面那顆我沒記錯的話是300萬的高階LIDAR 03/21 07:54

→ mom213: 而高階LIDAR與低階LIDAR差別在於channel數的不同 03/21 07:54

→ mom213: 例如64channel的光達相比8channel的解析度會高不少 03/21 07:56

→ mom213: 應用在物件偵測上可以得到更多的物件特徵 03/21 07:56

→ mom213: 而此公司則是利用fusion的技術 互補影像與深度特徵的不足 03/21 07:58

→ mom213: 使得用便宜的LIDAR與攝影機即可達成不錯的performance 03/21 07:59

→ mom213: 進而降低自駕車硬體設備的門檻 不在只是專屬有錢人的玩具 03/21 08:00

→ ewings: 資訊融合困難的地方在於各感測器間的校正，尤其是這種2D資 03/21 11:51

→ ewings: 料與低解析度的3D資料。要把LiDAR的資料和影像結合，難度 03/21 11:51

→ ewings: 不下於使用多攝影機做立體視覺的技術 03/21 11:51