苹果开发先进自动驾驶汽车系统 包括使用神经网络的战术地图
据外媒报道,苹果向美国专利商标局(U.S. Patent and Trademark Office)申请了两项泰坦项目新专利。其中一项包括对使用神经网络处理战术地图(tactical maps)图形表示的深入研究,即深入了解复杂系统和算法的大脑中心的推理、决策和运动规划过程,以控制全自动或半自动车辆的移动。
图片来源:patentlyapple.com
(资料图片仅供参考)
机动车辆能够感知其环境,并在具有很少或根本没有乘员持续输入的情况下导航至目的地。这种车辆被称之为“自动驾驶”车辆,并越来越成为研究和开发的重点。直到最近,由于可用硬件和软件的限制,在没有人工指导的情况下,用于分析车辆外部环境等的计算的最大速度依然无法做出重要的导航决策。然而,即使使用当今最快的处理器、大容量内存和先进的算法,在其他实体(例如其他驾驶员或其他自动驾驶车辆)行为不可预测且不完整的情况下,针对自动驾驶车辆的轨迹,或关于车辆环境的静态和动态噪声数据,做出及时合理的决策(既不基于过度悲观的假设,也不基于过度乐观的假设)仍然是一个重大挑战。
使用神经网络处理战术地图的图形表示
苹果专利涵盖各种实例,包括使用基于神经网络的机器学习模型分析自动驾驶车辆战术地图图形表示的方法和设备。
根据一些实例,战术地图可以包括关于车辆操作环境的各种静态组件信息,例如道路车道段、交叉路口等。战术地图中包含的信息可以指示各个静态组件的属性,以及静态组件之间可能存在的各种关系(例如几何或拓扑关系)。
从原始战术地图起,各种实例就可以生成同质化的图形表示,适合于由神经网络模型处理,其中该神经网络模型已经被训练,以对图形或类似图形的数据结构执行推理。
在同质化图中,节点可以表示静态组件的实例,边可以表示关系(各个边类型表示具有不同语义的关系)。该图在各种实例中可以被认为是同质化的,因为各个节点可以被表示为具有与其他节点相同数量的边,而这些边具有与其他节点相同的边类型,且在图形表示中以相同的顺序排列。实际在这样的实例中,可以使用从这样的节点到特殊“零”节点的连接来表示节点之间缺失的边。
在一些实例中,这种同质化可能有助于简化在神经网络处执行的一些计算(例如通过减少必须学习的不同参数的数量)。在部分实例中,对应于战术地图的图表的分析结果可以与其他环境成分(例如附近移动的车辆、行人等)的分析结果相结合,从而做出相应决策,或车辆可取的未来运动。在此类实例中,这些决策可通过向车辆的各种子组件(例如制动子系统、转向子系统、加速子系统等)发送适当的运动控制指令来实施。
苹果的专利图1为一个示例系统环境,通过使用基于神经网络的模型分析代表自动驾驶车辆环境的静态组件的战术地图的图形表示,以帮助指导车辆的运动。
图片来源:patentlyapple.com
苹果的专利图2为自动驾驶车辆的示例决策场景,以及与此类决策场景相关的一般问题特征;图3为自动驾驶车辆处理战术地图的示例概览。
图片来源:patentlyapple.com
苹果的专利图5为可用于处理战术地图的同质化图形表示的示例神经网络架构;图10为概览图,展示了为自动驾驶车辆开发、部署和使用机器学习模型的示例阶段。
图片来源:patentlyapple.com
标签: 先进自动驾驶汽车系统 神经网络 战术地图