Google I/O 2019:“入侵”汽车加速(2)
时间:2019-05-17 02:33 来源:网络整理 作者:bosi 点击:次
对此,waymo认为,相较于那些不自主开发硬件和软甲的科技公司,这是一种优势,而且,自主研发自动驾驶传感器,也使其降低了成本。如,几年前,高端激光雷达传感器的价格为7.5万美元。但是通过设计自己的传感器,Waymo已经减少了90%以上的费用。 软件层面上,应用的最基础的技术就是AI和深度学习技术。业界对于谷歌人工智能技术的早期认知基本起源于图像搜索及语音识别的发展,却鲜有人知,为了让Waymo在自动驾驶汽车的康庄大道上起步,谷歌的人工智能研发团队有多努力。 在本次I/O大会上,Waymo深度学习项目组的领头人Mayank Bansal详细拆解了人工智能助力自动驾驶汽车的技术细节。 Mayank Bansal 据介绍,除了常规的感知工作之外,Waymo的深度网络覆盖从预测到规划到绘图和模拟等全部工作范围。 通过机器学习,车辆可以处理一系列情况,如检测行人、机动建筑区域、让位于紧急车辆、给平行停车的车辆留出空间等。之所以如此,则在于其训练模型样本的多样化。 截止目前,Waymo车队已在公共道路上行驶了600万英里,观察了数亿辆汽车、行人和自行车之间的互动。然而,要想让自动驾驶汽车上路并扩展到更多城市,需要的绝不仅仅是优秀的算法。 其中,基础设施在训练及测试机器学习(ML)模型中扮演着关键的角色。因此,Waymo使用TensorFlow生态系统和谷歌的数据中心(包括TPUs)来训练系统神经网络。借助TPUs,网络训练效能得到了15倍的提高。 此外,团队也会在模拟场景中严格测试并验证ML模型,以加速算法迭代和软件开发过程。其虚拟测试的车队数量约为25000台自动驾驶汽车。基于强大的培训和测试周期加持,Waymo有能力迅速改进ML模型,并在自动驾驶汽车上部署最新的网络。 更重要的是,机器学习同时在为Waymo汽车过滤掉天气因素产生的噪音,保证障碍物识别的准确性。众所周知,在大雨或大雪等极端天气中驾驶,对自动驾驶汽车或者人类而言都是一项艰巨的任务。其中,雨滴和雪花会在自动驾驶汽车的传感器数据中产生大量噪音。 软硬件协同发展,使得waymo在自动驾驶之路上相继相继搞定了自研激光雷达、自采高精度地图、自制大规模仿真系统等自动驾驶研发的关键问题,无人车在加州、亚利桑那州多地进行实际路测。在路测里程上,谷歌的无人车始终保持了业界领先,并且在每千英里人工干预数这一指标上一直保持领先。 然而迟迟未能商业化,谷歌无人车团队的元老们开始相继流失。或许受此刺激,谷歌开始强推无人车业务的商业化。 2016年起,Waymo就在美国亚利桑那州凤凰城钱德勒等地开始测试,2017年4月又推出了Early Rider试乘计划,向数百个家庭开放了试乘。经过注册审核的用户,在APP上下单,即可叫一辆Waymo的无人车前来接驾,并且是7X24小时服务。
waymo的试乘计划 去年10月份,据外媒报道,谷歌CFO Ruth Porat在财报电话会议上透露,谷歌旗下自动驾驶公司Waymo已经开始商业化,其在美国亚利桑那州投放的无人车,于第三季度向乘客收取费用。 不过Ruth Porat也强调,虽然Waymo已经开始向乘客收费,但是本次商业化还尚属于非常早的阶段。谷歌一位发言人表示,现阶段收费主要是为了征求用户意见,测试价格模型。 事实上,一旦该公司推出其广泛的无人驾驶出租车服务,Waymo的优势将很快使其区别于其他公司。 虽然waymo已经开始着手进行商业化,但是从媒体报道来看,其无人驾驶汽车或许并不是很受欢迎。 (责任编辑:admin) |