<menuitem id="grvul"><p id="grvul"><option id="grvul"></option></p></menuitem><i id="grvul"></i>
<object id="grvul"></object>

<object id="grvul"><option id="grvul"></option></object>

<font id="grvul"></font>

<i id="grvul"></i>

<thead id="grvul"></thead>

    <optgroup id="grvul"><del id="grvul"></del></optgroup>

    <i id="grvul"></i>

    要讓自動駕駛很安全,單憑技術可能不夠

    首先提出最核心的問題:利用機器學習所實現的自動駕駛,能否從容應對路況的多變和復雜性?

    一般來講,傳統軟件是無法對相機圖像進行分析處理,而機器學習算法可以通過對大量樣本的處理,生成一個可以解決特定問題的數學模型。工程師會告訴計算機什么是停車標識,什么不是。機器學習算法會將這些圖像在模型中運算一遍,以分辨出包含有停車標識的圖像。

    但所有的歸納式學習,在遇到新的情境時,都有一定的潛在失效風險。比如,我們在高速公路上讓車輛進行測試學習,而汽車走到市區道路,忽然看見一輛自行車,豈不是會讓它不知所措?

    卡內基梅隆大學的計算機科學家Koopman認為:人們能用來訓練算法的事件是有限的。而如果使用近似數據對算法訓練測試太多的話,機器學習可能會形成特定的模式,從而使得應用受局限。

    另一大挑戰是,當系統遇到諸如雨霧、揚塵等視線不佳天氣狀況時,算法的辨識能力是否會受到影響。在 2013 年的一次研究中發現,改變圖像中的某一像素塊,肉眼是看不出任何變化,但卻能影響算法判斷能力。

    Koopman 還認為,汽車公司還可能因為研發時限與研發成本的限制,對車輛的安全性指標放寬要求。比如1986年 NASA 的挑戰者事故,正是因為忽視了一些風險因素才導致了航天飛機在升空 73 秒后發生了爆炸,造成了 7 名宇航員身亡。

    如果智能汽車在判斷自己無法處理突發情況時,馬上通知人類接管,又是否來得及呢?

    當然,通過一些非技術的手段,可以規避部分可能發生的突發情況,比如人車道路分離,最大程度避免行人、自行車等對汽車道路的影響。要想讓自動駕駛變得安全,除了技術的因素,還需要很多外圍的協同方案。無論如何,這個趨勢是不可避免的。

    色小组?狠狠干,俺也去av天堂影音先锋,伊人网,av免费视频观看地址,俺也去综合第一页,成人无码在线播放,第四色777米奇影视