Hírlevél
HU
EN

Beszállítók A Continental segítségével írják a mélytanulási algoritmusokat a BME-n

A Continental segítségével írják a mélytanulási algoritmusokat a BME-n

deep learning önvezető autó informatika Continental

Kuthi Áron | 2019.10.17 11:03

A Continental segítségével írják a mélytanulási algoritmusokat a BME-n

Már a második egyetemi félévében tart a Continental és a Műszaki Egyetem Professional Intelligence for Automotive (PIA) nevű együttműködése. A projekt az autonóm vezetés kutatását célozva szeretné még jobban közelíteni egymáshoz az ipari és egyetemi kutatásokat. Moni Róbert doktorandusz és PIA-projektvezető az Irányítástechnikai és Informatikai Tanszék (IIT) és a Távközlési és Médiainformatikai Tanszék (TMIT) diákjait irányítja a deep learning területen zajló kutatásaikban.

Hirdetés
– Milyen munka zajlik a Budapesti Műszaki és Közgazdaságtudományi Egyetem és a Continental együttműködésében?
– Az együttműködés során az egyetemi hallgatókat kutatói munkák végzésére buzdítjuk. A hallgatók olyan kérdéseket járnak körül, mint az autonóm érzékelés egyik fontos területe, a kulcspont-detektálás (key point detection) vagy a mélységérzékelés képi adatok felhasználásával. De olyan kérdéseket is kutatnak a PIA-projekt keretében, mint az, hogy hogyan tanítható meg egy neurális háló a multitaskingra, vagyis egyszerre mélység-, objektumdetekcióra és szemantikai értelmezésre. A tavaszi félévben tíz hallgató vett részt a programban, közülük öten nyári gyakorlatra is felvételt nyertek a mesterséges intelligencia központba. Az együttműködés keretein belül a Continental vendégelőadói szerepet is vállaltak a Dr. Gyires-Tóth Bálint egyetemi tanár által vezetett „Deep Learning a gyakorlatban Python és LUA alapon” című kurzuson, amely idénre már elérte a 111 hallgatói számot. A hallgatók szeptember közepén egy, a Mesterséges Intelligencia Fejlesztő Központban megszervezett szakmai nap, a PIA Days keretein belül bemutathatták eddigi eredményeiket. A rendezvényen olyan BME-s hallgatók is részt vehettek, akik szintén érdeklődnek a gépi tanulás iránt.

– A Continental tehát az autonóm mobilitáshoz szükséges informatikai részterületek kutatásával közelít az intelligens közlekedéshez?
– A Continental a felső menedzsment által jól meghatározott irányvonalak mentén végez fejlesztéseket és kutatásokat az egész világon annak érekében, hogy a piacra kerülő termékek megfelelő gyorsasággal és hatékonyan tudják a környezetet feltérképezni.

– Mint arról már korábban beszámolt az autopro.hu, egy mini tesztkörnyezet érkezett a Continental Köztelek utcai, idén indult irodájába, amelyen autonóm közlekedési szcenáriókat lehet lejátszani kisautók segítségével. Egy másik Duckietown pedig a BME I épületébe került. Milyen tanulságokkal szolgált a Duckitetown beüzemelése?
– A mini tesztkörnyezettel jelenleg négy hallgató dolgozik, ők neuronhálók segítségével tanítják önállóan közlekedni a kisautókat, továbbá a korábban említett deep learning kurzus keretein belül több hallgatói csoport készíti kötelező házi feldatatát a Duckietown környezetet felhasználva. De amíg a Continental irodájában lévő terepasztal csak demonstrációs célokat szolgál, a Műszaki Egyetemen lévőt igény szerint le lehet foglalni, és rajta bárki tesztelheti az általa fejlesztett algoritmust. A Duckietownt a jövőben háziversenyek lebonyolítására is használni szeretnénk, például az Irányítástechnikai és Informatikai Tanszék (IIT) és a Távközlési és Médiainformatikai Tanszék (TMIT) között.

– A Duckietownnak nemzetközi konferenciája, versenye is létezik, rengeteg deep learning mérnöki csapat részvételével a világ minden tájáról. Ezen is indul a BME csapata?
– Teljes gőzzel készülünk a decemberi AI Driving Olympics-ra. A részvételhez előzetesen általunk fejlesztett önvezetést megvalósító modelleket kell elküldeni. A csapat a megerősítéses (reinforcement) tanulás területén ad be anyagokat.

– A gyártástechnológiában, de az autonóm vezetés fejlesztésében is egyre nagyobb szerepet játszik a gépi látás. Ebben a szegmensben hova kell koncentrálni az erőket?
– A mesterséges intelligenciáról szóló konferenciák ma leginkább a felügyelt tanulás (supervised learning) és mély neurális hálók témáját járják körül, valamint jelenleg a gépi tanulás ezen formája az elterjedtebb az ipari felhasználás területén. Az előttünk álló feladat az, hogy a mély megerősítéses tanulás alkalmazhatóságát alátámasszuk, ehhez pedig sikeresen transzferáljuk a modelleket a valóságra, mivel ebben a gépi tanulás-típusban a tanítás szimulált környezetekben valósul meg. Ez azzal a hátránnyal jár, hogy a szimulációs programok nem képesek teljes mértékben reprodukálni a környezeti hatásokat. Vagyis a cél az, hogy a Duckietown szimulációs környezetében megtanított információkat képesek legyünk hatékonyan a valós környezetre transzferálni.

– Hol vannak a kockázatok a transzferálásban?
– A kockázat jelenleg ott van, hogy az algoritmus esetleg nem érti meg a különbséget a való világ és a szimulált között, nem képes általánosítani. Valós környezetben nyilván több információ jön a súrlódási, tapadási területről, ezért olyan intelligens algoritmus-ágenst kell megalkotni, amely képes adaptálódni a környezetváltozáshoz.

– Vannak már adaptív algoritmusok?
– Vannak már eredmények, de ezek még nincsenek eléggé érett stádiumban. A jelenlegi tudományos cikkek is azt sürgetik, hogy ezen még dolgozni kell.

Hirdetés

Kiemelt Partnereink