General Motors (GM) har utvikla ein ny tilnærming for å handtere utfordringane knytte til autonom køyring. Dette inneber bruk av avansert KI-teknologi for å trene autonome system i eit tempo og omfang som ikkje er mogleg i den verkelege verda.
GM skalerbar KI for autonom køyring med høg-hastigheitssimulering
GM fokuserer på å løyse det som vert kalla «long tail»-problematikken i autonom køyring, der sjeldne og uventa hendingar kan påverke tryggleiken. For å oppnå dette, kombinerer dei store simuleringsmiljø, forsterkningslæring og modellar baserte på visjon-språk-handling (VLA). Dette gir moglegheit til å trene systema i scenario som inkluderer alt frå uventa hinder til komplekse trafikksituasjonar.
Ved å bruke VLA-modellar kan GMs køyretøy kjenne att og tolke handsignal frå politifolk eller forstå kva ein «lastesone» ser ut som. I tillegg utviklar dei ein hybridmodell kalla «Dual Frequency VLA» som kombinerer høgfrekvente avgjerder med djup semantisk forståing. Dette gjer at køyretøya kan reagere raskt på farar samstundes som dei forstår komplekse trafikksituasjonar. GM køyrer millionar av simulerte køyreturar kvar dag, noko som tilsvarar titusenvis av menneskelege køyredagar, for å teste systema mot farlege scenario som ikkje lett kan gjenopprettast i den verkelege verda.
Betre tryggleik for norske autonome løysingar
AIny si vurdering: GMs tilnærming til autonom køyring kan gi norske utviklarar verktøy for å forbetre tryggleiken i autonome system. Ved å bruke høg-hastigheitssimuleringar kan norske selskap teste og validere KI-løysingar meir effektivt. Dette kan føre til raskare utvikling av autonome løysingar i Noreg, noko som er viktig for framtidas transportinfrastruktur.
Kjelde: IEEE Spectrum
Les òg: Google lanserer TurboQuant, ny KI-minnekomprimering
