黄奇帆：退出中国等论调是短视的，新基建可以颠覆任何行业
06-06
自动驾驶汽车。
这些年来，我们对这些新闻失去了兴趣，但他们却对汽车进行了更加智能化的升级和应用。
然而，近年来，自动驾驶的严格要求，让我们对智能汽车驾驶应用的追求更加严格。
新创业公司Humanising Autonomy的技术是一套经过训练的机器学习模型，可用于识别自动驾驶汽车行驶时的不同行人行为。
该公司声称其人工智能系统可以处理几乎所有车载摄像头的图像，因此获得了一家国际投资基金的 10,000 美元种子资金。
目前，Humanising Autonomy 正在与欧洲、美国和日本的移动出行提供商合作，将其产品商业化，其中包括戴姆勒·梅赛德斯·奔驰和空客。
Humanising Autonomy模型的优势包括两点：数据来源多样，以及可根据硬件需求单独选择和调整的模块化模型设计。
该系统的数据源包括闭路电视（CCTV）摄像头、各种分辨率的移动摄像头以及自动驾驶汽车的传感器。
系统模块化的好处是可以根据环境做出不同的预测和调整，比如下雨天的风险、行人是否分心、地区差异等。
采用深度学习设计，流程的可读性将大大提高。
改进，模型的性能也会得到提高。
真正的人工智能公司有统一的自动化数据数据库，这是战略数据收集的地方。
在设计自动驾驶汽车的过程中，创建数据集并使用数据集将是设计过程与机器模型深度学习之间互补条件的完美结果。
在开发深度学习模型时，一个特别困难的部分是确定什么是所谓的真实变量。
在大多数情况下，图像和声音被转换为数据行和列。
关于深度学习的一个常见误解是人工智能学习系统模型需要使用大量数据作为信息来源。
但在预测自动驾驶路径时，如果为了也考虑天气，将因下雨导致转弯速度降低而添加的道路标记改为在软件中添加“下雨”功能，则模型将不再需要进行强化模型学习才能进一步提高其性能。
另一方面，由于数据都是由人类产生的，在深度学习的情况下，加入心理学的概念将有助于理解为什么某些数据会产生结果，或者为什么某些神经网络存在。
有错误。
如果我们以行人过马路的行为为例，众所周知，伦敦的行为模式不能转移到孟买，反之亦然。
这样，学习过程将不再是训练一个全新的模型，而是收集并关注特定数据以更新新环境。
在产品改进的过程中，有一件事特别引人注目，那就是当用户使用产品时，设计者可以不断开发深度学习解决方案并与用户交互学习，使每个新生成的数据点成为动态学习。
这个过程将深度学习和强化学习结合起来，称为深度强化学习。
深度强化学习可以应用在很多地方，包括自动驾驶车辆和行人之间的交互。
例如，当行人了解到车辆每次将一只脚踩在路上时就会停下来，当他们想要过马路时，他们就会更频繁地停下来。
如果使用传统的深度学习算法来做到这一点，则必须重新训练整个模型或至少模型中几层的训练成本，但深度强化学习模型可以自动将此类行为添加到项目中。
总之，在收集和准备数据的过程中，大多数数据管理操作都可以通过设计方法的改进来改进。
通过设计和工程视角的切换，可以避开特定领域的障碍，达到模型学习的结果。
人工智能将逐渐改变我们的生活，而汽车自动驾驶只是其中的一小部分。
让我们共同展望未来，期待更智能、更便捷的时代的到来。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-18
06-18
最新文章
使用电子管有哪些注意事项？如何检查电子管之间是否短路？
博通支付1200万美元和解SEC财务欺诈指控
八名运营商高管确认加入虚拟运营商
内蒙古农牧区雷电灾害成因分析及防雷对策
北京联通将5G应用于世园会远程医疗急救
TD-SCDMA最后一轮冲刺测试启动，产业前景更加光明
专访阿里云总裁王健：云计算服务平台梦想成真
USB2.0控制器CY7C68013的接口设计与实现