![\"Conducci\u00f3n](\"\/uploads\/End-to-end-autonomous-driving.png\")
<\/p>\n<\/p>\n
La definici\u00f3n m\u00e1s com\u00fan es que un sistema \u00abde extremo a extremo\u00bb es aquel que recibe informaci\u00f3n cruda de los sensores y produce directamente variables de inter\u00e9s para la tarea. Por ejemplo, en reconocimiento de im\u00e1genes, una CNN puede llamarse \u00abde extremo a extremo\u00bb en comparaci\u00f3n con el m\u00e9todo tradicional de caracter\u00edsticas + clasificador.<\/p>\n
<\/p>\n
En tareas de conducci\u00f3n aut\u00f3noma, se ingresa informaci\u00f3n de diversos sensores (como c\u00e1maras, LiDAR, Radar o IMU\u2026) y se generan se\u00f1ales de control del veh\u00edculo (como acelerador o \u00e1ngulo del volante). Para considerar los problemas de adaptaci\u00f3n a diferentes modelos de veh\u00edculos, la salida tambi\u00e9n puede relajarse para que sea la trayectoria de conducci\u00f3n del veh\u00edculo.<\/p>\n
<\/p>\n
Bas\u00e1ndose en esta base, tambi\u00e9n han surgido conceptos modulares de extremo a extremo, como UniAD, que mejoran el rendimiento mediante la supervisi\u00f3n de tareas intermedias relevantes, adem\u00e1s de las se\u00f1ales de control o puntos de referencia finales. Sin embargo, desde una definici\u00f3n tan estrecha, la esencia del extremo a extremo deber\u00eda ser la transmisi\u00f3n sin p\u00e9rdida de la informaci\u00f3n sensorial.<\/p>\n
<\/p>\n
Primero revisemos las interfaces entre los m\u00f3dulos de percepci\u00f3n y PnC en sistemas no de extremo a extremo. Normalmente, detectamos objetos en la lista blanca (como coches, personas, etc.) y analizamos y predecimos sus propiedades. Tambi\u00e9n aprendemos sobre el entorno est\u00e1tico (como estructura de la v\u00eda, l\u00edmites de velocidad, sem\u00e1foros, etc.). Si fu\u00e9ramos m\u00e1s detallados, tambi\u00e9n detectar\u00edamos obst\u00e1culos universales. En resumen, la informaci\u00f3n que generan estas percepciones constituye un modelo visual de escenas complejas de conducci\u00f3n.<\/p>\n
<\/p>\n
Sin embargo, para algunas escenas muy evidentes, la abstracci\u00f3n expl\u00edcita actual no puede describir completamente los factores que afectan el comportamiento de conducci\u00f3n en la escena, o las tareas que necesitamos definir son demasiado triviales, y es dif\u00edcil enumerar todas las tareas requeridas. Por lo tanto, los sistemas de extremo a extremo ofrecen una representaci\u00f3n (quiz\u00e1s impl\u00edcita) integral con la esperanza de actuar autom\u00e1tica y sin p\u00e9rdida sobre los PnC con esta informaci\u00f3n. En mi opini\u00f3n, todos los sistemas que puedan cumplir con este requisito pueden llamarse de extremo a extremo generalizado.<\/p>\n
<\/p>\n
En cuanto a otros temas, como algunas optimizaciones de escenarios de interacci\u00f3n din\u00e1mica, creo que al menos no solo el extremo a extremo puede resolver estos problemas, y el extremo a extremo puede no ser la mejor soluci\u00f3n. Los m\u00e9todos tradicionales pueden resolver estos problemas, y por supuesto, cuando la cantidad de datos es lo suficientemente grande, el extremo a extremo puede ofrecer una mejor soluci\u00f3n.<\/p>\n
1. Las se\u00f1ales de control y los puntos de referencia deben ser generados para que sea de extremo a extremo.<\/p>\n
Si est\u00e1s de acuerdo con el concepto amplio de extremo a extremo discutido anteriormente, entonces este problema es f\u00e1cil de entender. El extremo a extremo debe enfatizar la transmisi\u00f3n sin p\u00e9rdida de informaci\u00f3n en lugar de generar directamente el volumen de tareas. Un enfoque estrecho de extremo a extremo causar\u00e1 muchos problemas innecesarios y requerir\u00e1 muchas soluciones encubiertas para garantizar la seguridad.<\/p>\n
2. El sistema de extremo a extremo debe basarse en modelos grandes o visi\u00f3n pura.<\/p>\n
No existe una conexi\u00f3n necesaria entre la conducci\u00f3n aut\u00f3noma de extremo a extremo, la conducci\u00f3n con modelos grandes y la conducci\u00f3n puramente visual, ya que son conceptos completamente independientes; un sistema de extremo a extremo no necesariamente est\u00e1 impulsado por modelos grandes, ni por visi\u00f3n pura.<\/p>\n
![\"Sistema](\"\/uploads\/End-to-end-autonomous-driving-research-and-development-system.png\")
<\/p>\n
3. A largo plazo, \u00bfes posible que el sistema de extremo a extremo mencionado anteriormente en un sentido estrecho logre una conducci\u00f3n aut\u00f3noma por encima del nivel L3?<\/p>\n
\n
El rendimiento de lo que actualmente se llama FSD de extremo a extremo puro est\u00e1 muy lejos de ser suficiente para cumplir con la fiabilidad y estabilidad requeridas en el nivel L3. Para ser m\u00e1s claros, si el sistema de conducci\u00f3n aut\u00f3noma quiere ser aceptado por el p\u00fablico, la clave es si el p\u00fablico puede aceptar que en algunos casos, la m\u00e1quina cometa errores, y los humanos puedan resolverlos f\u00e1cilmente. Esto es m\u00e1s dif\u00edcil para un sistema de extremo a extremo puro.<\/p>\n
<\/p>\n
Por ejemplo, tanto Waymo como Cruise en Espa\u00f1a han tenido muchos accidentes. Sin embargo, el \u00faltimo accidente de Cruise result\u00f3 en dos heridos, aunque tales accidentes son bastante inevitables y aceptables para conductores humanos. Sin embargo, tras este accidente, el sistema malinterpret\u00f3 la ubicaci\u00f3n del accidente y la de los heridos y cambi\u00f3 a modo de parada, causando que los heridos fueran arrastrados durante mucho tiempo. Este comportamiento es inaceptable para cualquier conductor humano normal. No se debe hacer, y los resultados ser\u00e1n muy malos.<\/p>\n
<\/p>\n
Adem\u00e1s, esto es una llamada de atenci\u00f3n para que consideremos cuidadosamente c\u00f3mo evitar esta situaci\u00f3n durante el desarrollo y operaci\u00f3n de sistemas de conducci\u00f3n aut\u00f3noma.<\/p>\n
4. Entonces, en este momento, \u00bfcu\u00e1les son las soluciones pr\u00e1cticas para la pr\u00f3xima generaci\u00f3n de sistemas de conducci\u00f3n asistida de producci\u00f3n masiva?<\/p>\n
\n
Seg\u00fan mi comprensi\u00f3n actual, al usar el llamado modelo de extremo a extremo en la conducci\u00f3n, despu\u00e9s de generar la trayectoria, se devolver\u00e1 una soluci\u00f3n basada en m\u00e9todos tradicionales. Alternativamente, planificadores basados en aprendizaje y algoritmos tradicionales de planificaci\u00f3n de trayectorias generan m\u00faltiples trayectorias simult\u00e1neamente y luego seleccionan una mediante un selector.<\/p>\n
<\/p>\n
Este tipo de soluci\u00f3n encubierta y elecci\u00f3n limita el l\u00edmite superior del rendimiento de este sistema en cascada si se adopta esta arquitectura. Si este m\u00e9todo todav\u00eda se basa en aprendizaje de retroalimentaci\u00f3n pura, ocurrir\u00e1n fallos impredecibles y no se lograr\u00e1 el objetivo de ser seguro en absoluto.<\/p>\n
<\/p>\n
Si consideramos volver a optimizar o seleccionar utilizando m\u00e9todos de planificaci\u00f3n tradicionales en esta trayectoria de salida, esto es equivalente a la trayectoria producida por el m\u00e9todo impulsado por el aprendizaje; por lo tanto, \u00bfpor qu\u00e9 no optimizamos y buscamos directamente esta trayectoria?<\/p>\n
<\/p>\n
Por supuesto, algunas personas dir\u00edan que tal problema de optimizaci\u00f3n o b\u00fasqueda es no convexo, tiene un espacio de estados grande y es imposible de ejecutar en tiempo real en un sistema a bordo del veh\u00edculo. Ruego a todos que consideren cuidadosamente esta pregunta: en los \u00faltimos diez a\u00f1os, el sistema de percepci\u00f3n ha recibido al menos cien veces m\u00e1s potencia de c\u00e1lculo, pero \u00bfqu\u00e9 pasa con nuestro m\u00f3dulo PnC?<\/p>\n
<\/p>\n
Si tambi\u00e9n permitimos que el m\u00f3dulo PnC utilice una gran potencia de c\u00e1lculo, combinada con algunos avances en algoritmos de optimizaci\u00f3n avanzada en los \u00faltimos a\u00f1os, \u00bfsigue siendo correcta esta conclusi\u00f3n? Para este tipo de problema, debemos considerar qu\u00e9 es correcto desde los principios b\u00e1sicos.<\/p>\n
5. \u00bfC\u00f3mo reconciliar la relaci\u00f3n entre m\u00e9todos basados en datos y m\u00e9todos tradicionales?<\/p>\n
\n
Jugar al ajedrez es un ejemplo muy similar a la conducci\u00f3n aut\u00f3noma. En febrero de este a\u00f1o, Deepmind public\u00f3 un art\u00edculo titulado \u201cAjedrez a nivel Gran Maestro sin b\u00fasqueda\u201d, discutiendo si es factible usar solo datos y abandonar la b\u00fasqueda MCTS en AlphaGo y AlphaZero. Similar a la conducci\u00f3n aut\u00f3noma, solo se usa una red para generar directamente las acciones, mientras que todos los pasos posteriores se ignoran.<\/p>\n
<\/p>\n
El art\u00edculo concluye que, a pesar de una cantidad considerable de datos y par\u00e1metros del modelo, se pueden obtener resultados bastante razonables sin usar b\u00fasqueda. Sin embargo, hay diferencias significativas en comparaci\u00f3n con los m\u00e9todos que utilizan b\u00fasqueda. Esto es especialmente \u00fatil para manejar algunos finales complejos.<\/p>\n
<\/p>\n
Para escenarios complejos o casos extremos que requieren juegos de m\u00faltiples pasos, esta analog\u00eda a\u00fan hace dif\u00edcil abandonar completamente los algoritmos tradicionales de optimizaci\u00f3n o b\u00fasqueda. Utilizar razonablemente las ventajas de varias tecnolog\u00edas como AlphaZero es la mejor manera de mejorar el rendimiento.<\/p>\n
![\"Control](\"\/uploads\/Vehicle-Control1.png\")
<\/p>\n
6. M\u00e9todo tradicional = reglas basadas en si y sino?<\/p>\n
\n
He tenido que corregir este concepto una y otra vez mientras hablaba con muchas personas. Muchas creen que mientras no sea puramente impulsado por datos, no es basado en reglas. Por ejemplo, en el ajedrez, memorizar f\u00f3rmulas y registros de partidas de memoria es basado en reglas, pero como AlphaGo y AlphaZero, le da al modelo la capacidad de ser racional mediante optimizaci\u00f3n y b\u00fasqueda. No creo que pueda llamarse basado en reglas.<\/p>\n
<\/p>\n
Por esto, el modelo grande en s\u00ed mismo actualmente falta, y los investigadores est\u00e1n intentando proporcionar un modelo impulsado por el aprendizaje mediante m\u00e9todos como CoT. Sin embargo, a diferencia de tareas que requieren reconocimiento de im\u00e1genes puramente impulsado por datos y razones inexplicables, cada acci\u00f3n de una persona conduciendo tiene una fuerza motriz clara.<\/p>\n
<\/p>\n
Bajo el dise\u00f1o adecuado de la arquitectura del algoritmo, la trayectoria de decisi\u00f3n deber\u00eda volverse variable y optimizarse de manera uniforme bajo la gu\u00eda de metas cient\u00edficas, en lugar de parchear y ajustar par\u00e1metros forzosamente para solucionar diferentes casos. Tal sistema naturalmente no tiene todo tipo de reglas extra\u00f1as codificadas de forma r\u00edgida.<\/p>\n
En resumen, la conducci\u00f3n aut\u00f3noma de extremo a extremo puede ser una ruta t\u00e9cnica prometedora, pero c\u00f3mo se aplica el concepto requiere m\u00e1s investigaci\u00f3n. Creo que un mont\u00f3n de datos y par\u00e1metros del modelo no son la \u00fanica soluci\u00f3n correcta, y si queremos superar a otros, debemos seguir trabajando duro.<\/p>","protected":false},"excerpt":{"rendered":"
\u00bfC\u00f3mo definir un sistema de conducci\u00f3n aut\u00f3noma de extremo a extremo? La definici\u00f3n m\u00e1s com\u00fan es que un sistema \u201cde extremo a extremo\u201d es un sistema que recibe informaci\u00f3n bruta de los sensores y directamente produce variables relevantes para la tarea. Por ejemplo, en reconocimiento de im\u00e1genes, la CNN puede llamarse \u201cde extremo a extremo\u201d en comparaci\u00f3n con el m\u00e9todo tradicional de caracter\u00edsticas + clasificador. En tareas de conducci\u00f3n aut\u00f3noma, se ingresan datos de varios sensores (como c\u00e1maras, LiDAR, Radar o IMU\u2026) y se generan se\u00f1ales de control del veh\u00edculo (...<\/p>","protected":false},"author":36,"featured_media":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"_kad_post_classname":""},"class_list":["post-19031","news","type-news","status-publish","hentry","news_catalog-industry-information"],"acf":[],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.suqinszconnectors.com\/es\/wp-json\/wp\/v2\/news\/19031","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.suqinszconnectors.com\/es\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.suqinszconnectors.com\/es\/wp-json\/wp\/v2\/types\/news"}],"author":[{"embeddable":true,"href":"https:\/\/www.suqinszconnectors.com\/es\/wp-json\/wp\/v2\/users\/36"}],"replies":[{"embeddable":true,"href":"https:\/\/www.suqinszconnectors.com\/es\/wp-json\/wp\/v2\/comments?post=19031"}],"wp:attachment":[{"href":"https:\/\/www.suqinszconnectors.com\/es\/wp-json\/wp\/v2\/media?parent=19031"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}