图表内容
02:卷积神经网络算法在自动驾驶的图像识别决策中大量应用
Soft-mnax
Max-pooling
Max-pooling
Macx-pooling
Deep hidden
(DeepID)
来源:
BMC
研究报告节选:
自动驾驶:近五年来,卷积神经网络算法(CNN)的推广大大提高了 AI 处理图像识别任务与依托于庞大训练数据的智能决策系统的准确性。在自动驾驶领域,基础算法的突破首次为图像处理类任务提供了可商业化的前景。在接下来的 3-5年,我们将看到更多学术界的新兴人工智能模型应用于自动驾驶任务,如目前广泛用于 NLP 的 Transformer 模型。近两年学术界有多项工作在图像处理任务中尝试用 Transformer 模型代替 CNN 模型(Ramachandran 等人,2020;Wang等人,2020a)。此前这类模型虽然在理论上很高效,但由于使用了专门的注意力模式,在现代硬件加速器上还没有得到有效的扩展。而英伟达即将推出的下一代 Hopper 架构将专门为 Transformer 模型优化,为其在自动驾驶图像处理任务的应用提供硬件支持。具体方案进展方面,随着特斯拉、小鹏汽车等造车新势力的商业化进程持续推进,L3 技术未来几年处于快速导入期,有望由 2019 年的0.8%提升至 2025 年的 10.0%。而 L4、L5 技术仍处于试验、封闭或半封闭园区运营阶段(如:百度、滴滴沃芽、文远知行等公司先后在上海、广州、长沙、北京等地区特定场所提供 Robotaxi 服务;图森未来在美国高度公路开始了无人驾驶货车配送;Waymo 在美国开始提供 Robo-taxi 和无人驾驶货车配送等服务)。据亿欧智库数据显示,未来 3 年左右,高级别自动驾驶技术有望在封闭式&半封闭式环境中实现试点运营和小规模商业化应用;未来 5-10 年后,高级别自动驾驶技术有望在开放式环境中(如 RoboTaxi)实现商业化应用。