불과 몇 년 전의 낙관적 예측에 따르면 자율 주행 차는 지금까지 차고에 있어야했습니다. 그러나 우리는 몇 가지 팁 포인트에 가까워 질 수 있습니다. Robotaxi 채택 올라가고 소비자는 차량의 점점 더 정교한 운전자 보조 시스템에 익숙해집니다. 물건을 밀고있는 회사 중 하나는 실리콘 밸리 기반입니다. Helm.ai,,, 운전자 보조 시스템과 완전히 자율 주행 차량을위한 소프트웨어를 개발합니다.
회사가 제공합니다 기초 모델 자율 주행 차가 도로에 필요로하는 의도 예측 및 경로 계획을 위해, 생성 AI를 사용하여 잘못 될 수있는 많은 것들을 위해 차량을 준비하는 합성 훈련 데이터를 만듭니다. IEEE 스펙트럼 이야기했습니다 블라디 슬라브 VoroninskiHelm.Ai의 창립자이자 CEO, 회사의 제작에 대해 합성 데이터 자율 주행 자동차 시스템을 교육하고 검증합니다.
Helm.AI는 자율 주행 차를 개발하는 데 도움이되는 생성 AI를 어떻게 사용합니까?
블라디 슬라브 Voroninski : 시뮬레이션 목적으로 생성 AI를 사용하고 있습니다. 그래서 당신이 관찰 한 일정량의 실제 데이터가 주어지면 해당 데이터를 기반으로 새로운 상황을 시뮬레이션 할 수 있습니까? 실제로 새로운 것을 제공하면서 가능한 한 현실적인 데이터를 만들고 싶습니다. 카메라 나 센서에서 데이터를 만들어 이러한 데이터 세트의 다양성을 높이고 교육 및 검증을위한 코너 케이스를 해결할 수 있습니다.
나는 당신이 있다는 것을 알고 있습니다 Vidgen 비디오 데이터를 작성합니다 월드 겐 다른 유형의 센서 데이터를 생성합니다. 다른 자동차 회사는 여전히 다른 양식에 의존하고 있습니까?
Voroninski : 고객의 여러 양식에 대한 관심이 분명합니다. 모든 사람이 단지 비전만으로 모든 것을 시도하는 것은 아닙니다. 카메라는 상대적으로 저렴하지만 Lidar 시스템은 더 비쌉니다. 그러나 실제로 카메라 데이터를 가져 오는 시뮬레이터를 훈련시키고 LIDAR 출력의 모습을 시뮬레이션 할 수 있습니다. 그것은 비용을 절약하는 방법 일 수 있습니다.
그리고 그것이 비디오 일뿐 임에도 불구하고 실시간 운전을하는 동안 얻기에는 엄청나게 드물거나 너무 위험한 경우가있을 것입니다. 따라서 생성 AI를 사용하여 매우 고품질이며 본질적으로 실제 데이터와는 구별 할 수없는 비디오 데이터를 만들 수 있습니다. 또한 데이터 수집 비용을 절약 할 수있는 방법이기도합니다.
이 비정상적인 엣지 케이스를 어떻게 만들 수 있습니까? 당신은“이제 캥거루를 도로에 넣고 이제 길에 얼룩말을 넣습니다”라고 말합니까?
Voroninski : 이러한 모델을 쿼리하여 특이한 상황을 생성 할 수있는 방법이 있습니다. 실제로 시뮬레이션 모델을 제어하는 방법을 통합하는 것입니다. 텍스트 나 프롬프트 이미지 또는 다양한 유형의 기하학적 입력으로 수행 할 수 있습니다. 이러한 시나리오는 명시 적으로 지정할 수 있습니다. 자동차 제조업체에 이미 알고있는 상황의 세탁 목록이있는 경우 이러한 기초 모델을 쿼리하여 이러한 상황을 생성 할 수 있습니다. 또한 시뮬레이션에서 발생하는 일에 대한 탐사 또는 무작위 화 과정이있는 곳에서 다양한 상황에 대해 자율 주행 스택을 테스트하는 데 사용할 수있는 경우 더욱 확장 가능한 일을 할 수 있습니다.
그리고 자율 주행의 지배적 인 양식 인 비디오 데이터에 대한 한 가지 좋은 점은 운전에서 나오는 것이 아니라 비디오 데이터를 훈련시킬 수 있습니다. 따라서 드문 객체 범주와 관련하여 실제로 다양한 데이터 세트에서 찾을 수 있습니다.
동물원에 동물의 비디오 데이터 세트가 있다면 운전 시스템이 도로에서 캥거루를 인식하는 데 도움이됩니까?
Voroninski : 확실히, 이러한 종류의 데이터는 다양한 객체 범주를 이해하도록 지각 시스템을 훈련시키는 데 사용될 수 있습니다. 또한 해당 객체를 구동 시나리오에 통합하는 센서 데이터를 시뮬레이션하는 데 사용될 수 있습니다. 마찬가지로, 실생활의 도로에서 캥거루를 본 사람은 거의 없습니다. 또는 아마도 비디오에서. 그러나 당신의 마음 속에 불러 일으키는 것은 쉽습니다. 그리고 당신이 그것을 보면, 당신은 그것을 매우 빨리 이해할 수 있습니다. 생성 AI의 좋은 점은 IF입니다 [the model] 다른 시나리오에서 다른 개념에 노출되며, 새로운 상황에서 이러한 개념을 결합 할 수 있습니다. 그것은 다른 상황에서 그것을 관찰 한 다음 그 이해를 운전으로 가져올 수 있습니다.
합성 데이터에 대한 품질 관리 방법은 무엇입니까? 고객에게 실제만큼 좋은 것을 어떻게 확신합니까?
Voroninski : 합성 데이터와 실제 데이터의 유사성을 수치 적으로 평가하는 메트릭이 있습니다. 한 가지 예는 실제 데이터 모음을 가져 와서이를 모방하기위한 합성 데이터 모음을 가져옵니다. 그리고 당신은 확률 분포를 둘 다에 맞출 수 있습니다. 그런 다음 확률 분포 사이의 거리를 수치 적으로 비교할 수 있습니다.
둘째, 합성 데이터가 특정 문제를 해결하는 데 유용한 지 확인할 수 있습니다. “우리는이 코너 케이스를 다룰 것입니다. 시뮬레이션 된 데이터 만 사용할 수 있습니다.” 시뮬레이션 된 데이터를 사용하면 실제로 실제 데이터에 대한 교육없이 문제를 해결 하고이 작업의 정확도를 향상시키는 것으로 확인할 수 있습니다.
합성 데이터가 이러한 시스템을 훈련시키고 그들이 알아야 할 모든 것을 가르치기에 충분하지 않을 것이라고 말하는 사람들이 있습니까?
Voroninski : Naysayers는 일반적으로 AI 전문가가 아닙니다. 퍽의 위치를 찾으면 시뮬레이션이 자율 주행 시스템 개발에 큰 영향을 미칠 것임이 분명합니다. 또한 AI 또는 AGI의 정의와 같은 움직이는 목표입니다. [artificial general intelligence]. 특정 발전이 이루어지고 사람들은 그들에게 익숙해집니다.“아, 더 이상 흥미롭지 않습니다.이 다음에 관한 것입니다.” 그러나 AI 기반 시뮬레이션이 계속 향상 될 것이라는 것이 분명하다고 생각합니다. 나F AI 시스템이 무언가를 모델링하기를 명시 적으로 원한다면,이 시점에서 병목 현상이 없습니다. 그리고 그것은 단지 그것이 얼마나 일반화되는지에 대한 질문 일뿐입니다.
