全国服务热线:
QQ913605975
您的位置:主页 > 新闻资讯 >

勇闯停车场关于附近停车场在哪的介绍

作者:澳门赌场 发布于:2020-05-04 06:39 点击量:

  在你或丰富或才刚刚开始的驾驶生涯里,到底什么才(曾)是你认为最棘手的问题?是一个没有信号灯帮助的左转,还是逼仄空间里的侧方位停车?

  其实在这样的战斗中,你并不孤单。因为自动驾驶汽车们也同样在艰难地学习如何处置类似的问题…有些时候你的难也同样是它的难,比如没有信号灯特别帮助的左转—在自动驾驶中,这甚至是一个专门的技术点;有些你的难对它却不在话下,比如各种花式停车;而同理,有些对你不在话下的司空见惯,对它却是万般的为难,比如如何顺利地从(非完全全自动驾驶车辆统治的)停车场中逃出生天。

  现在全自动驾驶汽车的学习轨迹俨然分成了两个流派,一支是Elon Musk为首的视觉AI自动学习派,主张让汽车AI大脑根据所“见”进行思考和决策;另一支则是以Waymo为代表的精密地图制导派,主张在布署全自动驾驶汽车之前,得先为其绘制极为精密的3D地图。

  对前一种视觉AI派来说,地下停车场的视线清晰程度与信号传输的稳定性是其需要解决的问题;而对后一种地图派来说,停车场更是如“魔鬼地带”的存在,这个场地不但不像公共道路会严格按照市政规划和相关规范来建造施工,其整体布局还会根据建筑的实际情况来进行灵活规划,比如车位的长宽高、车位间隔、动线设置等等都有极大的灵活性和随意性。

  对工程师们来说,每多为自动驾驶汽车开放一个停车场,便意味着得先用传感器阵列—激光雷达、摄像仪和中短雷达组合收集此停车场的三维空间的物理信息:路缘高度、车道宽度、是否有排水沟、可进入区和禁区甚至坡道斜度…“引导了汽车对世界的理解”

  如果说挨个儿为停车场绘制地图是“折磨”工程师的话,那么精确识别并合理处置停车场里的障碍则是对自动驾驶车辆自己的一大考验。毕竟停车场里,各种障碍的存在具有极大的偶然与随机性。随意举例:

  超市停车场里经常被随意放置的购物车(上图为Waymo在在加利福尼亚州前城堡空军基地的停车场区域进行的停车场,其中就设置了购物车干扰项)

  垃圾箱、消防设施、防洪沙袋、推拉门等等设备设施(上图为Google街景中在亚利桑那州钱德勒的垃圾箱区域,此数据输入供Waymo学习使用)

  再比如柱子—把柱子单独列出不仅因为停车场内林立的柱子是制造最多视线盲区的元凶,最重要的是之前提到的垃圾箱、消防设施、防洪沙袋等等设备设施往往都依柱设立,那么该让全自动驾驶车辆以多大的半径绕柱而行,留出多少冗余度,都是需要额外的标注与训练。

  在停车场尤其在拥挤的停车场中找车位,不仅是对驾驶技术的考验,也是开启一局“猜 猜 猜”的大型策略游戏—这位在车上打电话的小是在等人还是准备驶出?那位抱着购物袋走向车的小姐姐仅是放置物品抑或准备离开?这辆在车位里挪动的车,是预备驶出还是正在停入?

  以上情形都需要在第一时间及时地判断出结果,否则斗智斗勇的结果就是眼睁睁看着其它车辆纷纷成功入位,只有你,还凄苦地在车道间绕行,或者不得不停在离电梯或入口奇远无偏僻区域。

  在高速公路行驶时的调整机率极低,城市道路的行驶调整也有章可循,除非城市大型改造,否则不仅临时流控、道路施工管制…都得遵守严格的交规准则,设置完善的路标路障。但停车场则不然,一位人员、一排锥筒便能改变整个场内的动线流向,一把车位锁、一条警戒线便能重新定义此车位或整片区域的行驶规则。

  从道路进入停车场的闸口,就像打开了一道新世界的大门。从一个规则、秩序的法治世界进入了一个更带有人治意味的封闭空间,而随机应变这对人类大脑轻松愉悦的四个字,恰恰是全自动驾驶车辆大脑或者说整个机器学习中难如登天的软肋。如何解决?让我们听听Waymo的工程师们怎么说—

  Waymo的自动驾驶车辆采用神经网络执行许多驾驶任务:从检测物体、预测其他人的行为方式到规划汽车的下一步动作。传统上,训练个体神经网络需要数周的微调和实验,以及大量的计算能力。

  现在Waymo从达尔文进化论中汲取灵感,与DeepMind合作,使学习与培训更加有效和高效。

  和人类学习要根据学习目标制定学习计划一样,通常情况下,在机器学习中训练神经网络首先也是向网络交代任务,并对其学习任务的执行进行“分级”神经网络通过不断尝试这些任务并根据其等级来调整自身的学习。

  而机器学习网络的性能在很大程度上取决于研究人员为其布署的培训方案,而每次研究人员根据任务的完成情况进行调整的程度被称为学习率。而学习率越高,机器学习的每次迭代效果就越好(研究人员们通常也会让学习率在一定幅度内调整,不至于使整个学习网络的性能波动过大)

  但是如此寻找最佳培训方案或“超参数方案”的过程通常只能通过工程师的经验和直觉,或广撒网式的搜索来实现。换句话说在这样的随机搜索中,研究人员得在多种类型的超参数上应用了许多随机超参数调度,训练出许多各自独立的差异学习网络,在其中进行筛选…

  然而,由于进行并行训练大量模型需要海量的计算,实在过于昂贵。于是研究人员通常采用的办法是:在训练期间监视网络并手动调整随机搜索,定期剔除最弱的表现者并释放出资源以从头开始用新的随机超参数训练新网络。

  以上的描述无论你有没有耐心仔细看完,但光这些关键词:经验和直觉、撒网式搜索、随机参数、手动调整、从头开始…光听听都足够累了,也不知道从事这般大海捞针样带有一定碰运气成分工作的研究人员,会不会每天开工之前拜拜锦鲤。

  于是,为了提高这一过程的效率,DeepMind和Waymo的研究人员设计了一种基于进化竞争的自动确定良好超参数调度的方法(简称PBT)—

  与传统方法一样,PBT也是从随机超参数启动的多个网络开始的。网络定期评估,并以进化的方式相互竞争“生存”如果一个“样本”表现不佳,那么它就会被一个表现更好的成员的“后代”所取代。后代是表现较好的成员的副本,具有略微突变的超参数。而此时PBT的最大优势出来了:不要求研究人员从头开始重新开始培训,因为每个后代都会继承其父网络的完整状态,并且在整个培训过程中会积极超参数,而不是在培训结束时再来进行这项工作。

  根据现在的实验结果,PBT一方面使模型性能得到显着改善,目前已达到将误报率与需手动调整等效物率减少24%实现了更高的精确度;另一方面PBT还节省了大量的时间和资源,通过PBT培训的网络发现超参数计划的时间和占用资源只用到Waymo以前的网络的一半。

  但就像所有事物都有两面性,PBT也不尽然是全优全能,也正因为其执行“物竞天择、适者生存”太过彻底,为更好的网络后代分配了太多的资源,从而损失了学习网络“样本”的多样性,这往往将影响长期的后果,毕竟还有很多大器晚成的超参数会被其忽略甚至扼杀其生存机会。这就需要研究人员们刻意增加子群体以培养其多样性。

  但无论如何,已开始运用了PBT方法的Waymo将比之前能更快掌握新的技能,比如正在进行的【勇闯停车场】和即将开始的【在佛罗里达州的雨季大雨】

  停车场【Parkinglot】指的是供停放车辆使用的场地。停车场可分为暖式车库、冷室车库、车棚和露天停车场四类。停车场的主要任务是保管停放车辆,收取停车费。在车场管理中,停车场所对机动车停放进行的收费,就叫做停车费。停车费收取方式大多定期收取方式、按时收取、按次收取等方式,收取停车费是专业车场管理公司的主要收入来源。停车场系统是收取停车费的主要工具,定期收费方式一般采用按月收取,也就是一部车辆每月交一个固定的停车费用,该月内,车辆可以无限次进出,不限制停车时长。这类车辆又称为长租车辆。相对的,针对临时车辆,一般根据停车的时间长度,收取停车管理费用。对不收费的停车场,也要对车辆出入权限进行管理,车辆门禁是车辆管理的一种重要手段,常常通过设置快速车道、无人值守车道提高车辆通行效率。

澳门赌场

上一篇:8岁女孩停车场乱跑撞上货车被碾网友:谁担责?

下一篇:酒店附近的停车场哪里停车过夜便宜⋯⋯评论里

澳门赌场 - 立体车库 - 立体停车场 - 关于我们 - 产品中心 - 新闻资讯 - 联系我们 -

澳门赌场 版权所有 站长统计 技术支持: 网站地图