慢跑者397 的讨论

发布于: 雪球回复:6喜欢:11
与楼主商榷两点。第一:关于感知冗余和智能冗余。首先,你提的问题出发点错了。在智能驾驶系统中,感知和智能不是谁比谁重要,而是两者应该如何更好适配。应为两者在系统中是高度耦合。其次,智能驾驶不是一个纯粹的智能问题,您用高考题目的求解来比喻智能驾驶。高考题目的求解是一个纯粹的问题求解。在求解过程中,考生不需要也不准和考场的监考老师,旁边的同学甚至考场外的家人朋友做各种感知,信息和计算层面上的信息互动。而智能驾驶是驾驶系统(无论生物形态的人类大脑,还是硅基的自动驾驶系统 )在驾驶过程中,持续不断的和周围场景进行感知信息和决策计算的迭代互动。通俗的说,自动驾驶不是关起门来闭门造车的智能游戏,而是一个知行互动的学习过程。对于要求知行互动的学习系统,读书做题是一种封闭场景下的数据投喂,而知行互动是一个开放场景下的实时数据计算。
第二关于安全的关键在预判。请问预判的关键在于什么?预判对前方情况的预先计算。对于开放场景下的自动驾驶系统来说,前方情况需要预先的感知。这是一个实时计算。感知数据和计算决策高度耦合协同。感知层对对前方感知的距离越远,感知的信息越充分,计算层计算的算法模型越合理算力越强。智能驾驶系统实时计算的表现就越好。不要把数据感知和决策计算割裂开来。$炬光科技(SH688167)$

热门回复

电动车行驶时的纯视觉感知到的是实时数据,是一个距离和速度以及加速度的向量(即有方向又有大小的数据,就称作向量,当然在神经网络计算之中还有张量的数据进入到神经网络的卷积计算之中,张量是向量的延伸,这里不做深入的白话探讨),即看到的实时数据既有行进中感知的动静态的距离数据还有方向性指引的数据,并按照实时变化中的带有方向性的n个实测距离数据与其给定的安全距离之目标阈值相对比而形成了权重,再输入仿人类的深度神经网络,然后再开始了仿人脑神经网络的智能化决策过程,待实时决策的数据信号通过输出端输出给执行器件(转向和刹车以及变化车速)后,以达到了智能化安全驾驶行车的目的,所以感知和决策都是非常重要的。之所以说纯视觉的感知重要,是因为纯视觉的感知系统它提供的是行进中本车辆与其它行进中车辆的带有权重比例的速度与距离之动态的实测数据,而数据中的权重比率代表着这个同类数据中,谁的权重比率大,就代表谁对仿人脑的深度神经网络之行为决策的影响也就最大,比如两车或多个在行进中的车辆,那你所搭乘的电动车之纯视觉传感器每时每刻都在实时测绘并监控着两个或多个车辆之间的安全行驶距离,那么权重最大的那个方向上的最小距离且最不安全的距离数据一定是权重比率最大的距离感知性数据,也是对多层深度神经网络在决策时影响比重最大的数据,它在电动车行驶中对方向转化趋势和速度的增减都起到了最大的作用。这就是端到端的仿人脑智能的车机智能驾驶,而现在看上去是在仿生物神经网络的智能大模型,但是长远看,当算力和优质数据不断提升的情况下,在安全托管里程几何级数增长的情况下,这种端到端的机器驾驶智能最终超越人类最优驾驶员的驾驶技能必将是大概率的非常确定性的事件。

这人是什么都不懂,在那里yy写文章吗?完全不在一个层面的感知和智能怎么搞成对立的样子了?关公战秦琼啊。。。

我们先看看这个楼主怎么回复