Álláshirdetések
Events / Courses
Legfrissebb híreink
Végrehajtja első légi hidrogénkísérletét az EasyJet
2024.04.19 17:17A kecskeméti csapat újabb lépést tett az önvezető rendszerek felé
2024.04.19 16:23Több ezer Cybertruckot hív vissza a Tesla
2024.04.19 15:22Az USA nyomására Mexikó is keresztbe tesz a kínai autógyártóknak
2024.04.19 14:21Autopro Blog
Autopro a Facebookon
Galériáink
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.
– 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 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.