- 主题:不知道端到端有啥好吹的
深度学习(DL)早就在“智驾”系统里用了。不过之前DL主要侧重于感知,即做对象识别之类的基础性任务。基于感知结果的决策,往往是基于规则的。所谓的端到端就是把决策这一块功能也用DL的数据驱动训练来实现了。
虽然规则系统有一些众所周知的局限性,例如一阶逻辑不完备二阶及以上逻辑可能不一致,以及规则系统设计的人力成本较大等等。但是规则系统跟冯诺依曼架构下的DL模型在理论上没有区别,后者实质上只是一个由数据驱动的规则系统而已(有些做“DL模型解释”的人,就是研究把DL模型映射成规则系统)。虽然数据驱动的路线可以降低开发和维护的人力成本,加快系统迭代演化的频率,但数据驱动模型本质上是统计的,模型所能学习的只是样本相关,不能保证能学到真正的总体相关,更遑论因果关系。所以这类模型的智能上限是相当可疑的,不足以承担真正的自动驾驶。
--
修改:qtpr FROM 111.167.230.*
FROM 111.167.230.*
只击倒竞争厂商没意义
要能达到靠谱男司机的水平,才有意义
【 在 wsnsw 的大作中提到: 】
: 喂数据,傻瓜式训练,
: 某种意义上其实是无技术,属于堆料。
: 但是以上对辩证最终结果谁强是无关的,
: ...................
--
FROM 111.167.230.*
DL这套架构完全不可解释,即使一时是热门,性能上限由多高也是存疑的,很难成为终极范式。
做研究,不要只知道跟风追热门。如果你有点儿记忆能力,应该知道十几年前NN还是非主流,想发主要会议和期刊的论文非常难。正是当时有些人坚持研究非主流的NN,才让DL的范式有机会被更多人了解和follow。这几年DL火了,又有一些鼠目寸光之辈看不起其他路线,以为DL能一统江湖了,呵呵。
【 在 zwordcn 的大作中提到: 】
: 研究把DL模型映射成规则系统,做“DL模型解释”的人,就是原有技术路径的缺陷。
: 没听说过“开除一个语言专家,NLP表现提高1%”么?
:
--
FROM 111.167.230.*
现在的所谓”验证过程“,是对大(参数多)模型更有利的。
因为测试集往往并非真正独立于模型选择和参数辨识(训练)的过程。相反,建模者往往反复地根据模型在测试集上的性能表现修改模型拓扑和超参数。这种测试集是伪测试集,更有利于易于过拟合的大模型。
【 在 Kevinforever 的大作中提到: 】
: 今天都是基于小数据量(相对)的验证过程,没有什么可互相指责的
:
--
FROM 111.167.230.*
先做到市内道路开10个小时不需要人类接管再讨论跟人类司机比较的话题吧。
智驾需要人类接管时,意味着出问题和险情的时刻。就算手潮的女司机,也不至于每开10个小时就出一次险情吧,但现在有市内路开几个小时不需要人接管的智驾吗?呵呵。所以智驾吹个p啊。
【 在 CCERCCUS 的大作中提到: 】
: 深度学习是个大概念,你说这个好比说编程一样,天下编程都一样吗?
: 另外什么脚“真正的自动驾驶”,如果完全不出错才算的话,那就绝对不是真正的自动驾驶
: 只要出错概率低于人类百分之一,甚至千分之一,其实就够了
: ...................
--
FROM 111.167.230.*
dy上fsd v12犯弱智错误的视频一大把
另外,美国的路况一般比国内更容易
【 在 CCERCCUS 的大作中提到: 】
: 你说的智驾叫辅助驾驶,根本就不是自动驾驶
: 辅助驾驶用于非复杂场景和长时间开车,对于市区不太适用
: 目前tsl FSD Beta的使用里程已经累计达到3.2亿公里,初步数据表明,事故率远低于人驾驶
: ...................
--
FROM 111.167.230.*