El aprendizaje profundo (DL) es una tecnología muy interesante y sí resuelve muy bien la percepción, sin embargo, creo que actualmente no es lo suficientemente bueno para los automóviles autónomos. Los autos autónomos están a 10-20 años de distancia. DL tiene algunas propiedades muy interesantes, como ser capaz de aprender automáticamente funciones complejas de mapeo y la capacidad de escalar. Dichas propiedades son importantes en muchas aplicaciones del mundo real, como la clasificación y el reconocimiento de imágenes a gran escala.
La mayoría de los algoritmos de aprendizaje automático (ML) se estancan en un cierto punto, mientras que los algoritmos DL escalan fácilmente a escalas muy grandes y, por lo tanto, pueden hacer un buen uso de los grandes datos. DL es probablemente el único algoritmo de ML que es capaz de aprovechar las enormes cantidades de datos de entrenamiento que provienen de sensores autónomos del automóvil, como el sistema de cámara.
DL se puede utilizar en automóviles autónomos para procesar datos sensoriales y tomar decisiones informadas. Solo para ampliar un poco la respuesta de Roman Trusov, DL puede usarse para:
- Cómo resolver un problema de la máquina Atwood con fricción
- ¿Por qué es importante el aprendizaje no supervisado?
- ¿Cómo se ve afectada la propagación hacia atrás en NN recurrentes?
- ¿Cuál es el flujo de trabajo típico para usar el aprendizaje profundo para resolver un problema?
- ¿Podría la IA volverse autónoma y aprender y adaptarse de manera no supervisada a través del aprendizaje profundo?
- Detección de carril : esto es útil para una conducción adecuada, ya que el automóvil necesita saber en qué lado de la carretera se encuentra. La detección de carril también facilita el seguimiento a lo largo del camino curvo en muchas condiciones.
- Detección de peatones : el sistema debe detectar la presencia de humanos en una escena mientras conduce. El sistema necesita saber si un objeto es un peatón o no para poder poner más énfasis en no golpear a los peatones, es decir, debe ser más cuidadoso al conducir alrededor de los peatones que otros objetos menos importantes.
- Reconocimiento de señales de tráfico: el sistema debe reconocer las señales de tráfico y poder comportarse en consecuencia.
- Detección de semáforos : el automóvil necesita detectar y reconocer los semáforos para que pueda cumplir con las reglas de la carretera al igual que los conductores humanos.
- Detección / reconocimiento de rostros : sí, un automóvil autónomo necesita detectar y reconocer el rostro del conductor u otras personas adentro y tal vez también los de afuera. Si el automóvil está conectado a alguna red, puede hacer coincidir esas caras con una base de datos para reconocer a los fugitivos o criminales peligrosos que pueden intentar usarlo. La detección / reconocimiento de rostros también puede ser útil para el reconocimiento del propietario, de modo que el automóvil pueda identificar a su propietario como una mascota, qué dulce :).
- Detección de automóviles : también debe detectar la presencia de otros automóviles en el medio ambiente.
- Detección de obstáculos : los obstáculos se pueden detectar utilizando otros medios, como el ultrasonido, pero el automóvil también debe usar sus sistemas de cámara para determinar la presencia de obstáculos.
- Reconocimiento del entorno : es importante que el sistema reconozca dónde está simplemente utilizando la alimentación de la cámara.
- Reconocimiento de la acción humana : por ejemplo, cómo interactuar con otros conductores en la carretera, ya que los automóviles autónomos conducirán junto a los humanos durante muchos años.
La lista continúa, los sistemas DL son herramientas muy poderosas, pero hay algunas propiedades que pueden afectar su practicidad, especialmente cuando se trata de automóviles autónomos.
Las dos preocupaciones principales que puedo dar son:
- Imprevisibilidad
- Fácil de engañar
Muchos algoritmos de ML son en realidad muy impredecibles, sí, los humanos también lo son, pero la imprevisibilidad de los sistemas DL es peor que la de los humanos y, por lo tanto, esto hace que de alguna manera sea inseguro aplicar sistemas DL, como lo es ahora, al yo real. -conducción de automóviles. El sistema DL realmente puede adivinar mal a veces, especialmente si las condiciones son bastante novedosas. Un ser humano, por otro lado, puede usar varios métodos para tomar decisiones adecuadas en circunstancias imprevistas. Es por eso que los pilotos todavía vuelan en aviones, computadoras o sistemas ML actualmente no son muy robustos para dejar la tarea de mover o volar personas del punto A al punto B, simplemente no son lo suficientemente confiables todavía.
Ahora, cuando se trata de dejarse engañar fácilmente, aquí hay un documento sobre la seria desventaja de los sistemas DL. Las imágenes adversarias, para ser precisos, son un peligro para los sistemas DL, son una preocupación de seguridad no solo para los automóviles autónomos sino también para otras aplicaciones de DL, como en los sistemas de seguridad de imágenes médicas y reconocimiento de rostros. Existe la teoría de que el sistema de aprendizaje profundo aprende funciones de mapeo altamente discontinuas en lugar de funciones continuas. Estas funciones de mapeo discontinuo pueden ser muy sensibles a las perturbaciones sutiles, un ser humano ni siquiera detectaría esas perturbaciones sutiles. Esto puede ser muy peligroso si un automóvil autónomo realiza un movimiento potencialmente fatal debido a este efecto adversario.
Por lo tanto, DL es interesante y sí, muy útil y potente, pero aún no es lo suficientemente maduro como para tener la responsabilidad de conducir automóviles. Por lo tanto, por ahora DL, como la mayoría de la investigación de automóviles autónomos, se limita a la fase experimental. Creo que se necesitan más avances antes de que DL u otros algoritmos futuros puedan pasar de los laboratorios al mundo real.
El aprendizaje profundo como lo es ahora, no es una solución segura para conducir autos de manera autónoma.
Espero que esto ayude.