如何從其龐大的客戶車隊(duì)中獲取訓(xùn)練數(shù)據(jù)，以訓(xùn)練其自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)

PingWest品玩3月23日訊，據(jù)Electrek報(bào)道，電動(dòng)汽車制造商特斯拉已經(jīng)申請(qǐng)了一項(xiàng)專利，內(nèi)容是如何從其龐大的客戶車隊(duì)中獲取訓(xùn)練數(shù)據(jù)，以訓(xùn)練其自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)。

這項(xiàng)專利是為特斯拉申請(qǐng)的，但特斯拉人工智能和自動(dòng)駕駛軟件主管安德烈·卡帕西（Andrej Karparis）被指定為該申請(qǐng)的唯一發(fā)明人。

卡帕西描述了在應(yīng)用程序中為深度學(xué)習(xí)培訓(xùn)收集數(shù)據(jù)的問題：“用于自動(dòng)駕駛等應(yīng)用的深度學(xué)習(xí)系統(tǒng)是通過訓(xùn)練機(jī)器學(xué)習(xí)模型來開發(fā)的。通常，深度學(xué)習(xí)系統(tǒng)的性能至少部分地受到用于訓(xùn)練模型的訓(xùn)練集的質(zhì)量限制。在許多情況下，大量的資源被投入到收集、管理和注釋培訓(xùn)數(shù)據(jù)上。創(chuàng)建訓(xùn)練集所需的工作量可能很大，而且通常是單調(diào)乏味的。此外，通常很難收集機(jī)器學(xué)習(xí)模型需要改進(jìn)的特定用例的數(shù)據(jù)?！?/p>

特斯拉開發(fā)自動(dòng)駕駛系統(tǒng)的方式與大多數(shù)其他公司大不相同。盡管大多數(shù)其他公司利用相對(duì)較少的測(cè)試車隊(duì)來收集數(shù)據(jù)并測(cè)試其系統(tǒng)，但特斯拉使用其數(shù)十萬輛配備了一系列傳感器的客戶汽車來收集道路和駕駛數(shù)據(jù)，并在“影子模式”下測(cè)試其自動(dòng)駕駛系統(tǒng)。車隊(duì)收集的這些數(shù)據(jù)對(duì)特斯拉訓(xùn)練其神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)自動(dòng)駕駛極其有價(jià)值。然而，他們必須小心他們收集并提供給網(wǎng)絡(luò)的內(nèi)容。

卡帕西在專利申請(qǐng)中注明：“隨著機(jī)器學(xué)習(xí)模型變得越來越復(fù)雜，比如深層神經(jīng)網(wǎng)絡(luò)，大量訓(xùn)練數(shù)據(jù)集的必要性也相應(yīng)增加。與淺層神經(jīng)網(wǎng)絡(luò)相比，這些深層神經(jīng)網(wǎng)絡(luò)可能需要更多的訓(xùn)練樣本，以確保它們的泛化能力較高。例如，雖然神經(jīng)網(wǎng)絡(luò)可以被訓(xùn)練成對(duì)于所給訓(xùn)練數(shù)據(jù)來說高度精確，但其可能不能很好地推廣到未見的未來示例中。在這個(gè)例子中，神經(jīng)網(wǎng)絡(luò)可能受益于訓(xùn)練數(shù)據(jù)中包含的額外示例?！?/p>

因此，卡帕西解釋了他的專利方法，在傳輸之前就對(duì)源數(shù)據(jù)進(jìn)行分類：“示例方法包括接收傳感器并將神經(jīng)網(wǎng)絡(luò)應(yīng)用于傳感器數(shù)據(jù)。將觸發(fā)器分類器應(yīng)用于神經(jīng)網(wǎng)絡(luò)的中間結(jié)果，以確定傳感器數(shù)據(jù)的分類器評(píng)分。根據(jù)至少部分分類器得分，決定是否通過計(jì)算機(jī)網(wǎng)絡(luò)傳輸至少部分傳感器數(shù)據(jù)。一旦確定為陽性，傳感器數(shù)據(jù)就會(huì)被傳輸并用于生成訓(xùn)練數(shù)據(jù)?！?/p>