特斯拉申請車隊(duì)數(shù)據(jù)獲取專利 以訓(xùn)練自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)

據(jù)electrek報(bào)道，特斯拉申請了一項(xiàng)技術(shù)專利，計(jì)劃從其龐大的車隊(duì)中獲取數(shù)據(jù)，以訓(xùn)練自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)。

特斯拉申請了這項(xiàng)專利，但特斯拉人工智能和自動(dòng)駕駛軟件負(fù)責(zé)人安德烈·卡帕西（Andrej Karpathy）被指定為這項(xiàng)專利應(yīng)用的唯一發(fā)明人。

卡帕西在這項(xiàng)專利中描述了在應(yīng)用程序中為深度學(xué)習(xí)培訓(xùn)收集數(shù)據(jù)的問題：“通過訓(xùn)練機(jī)器學(xué)習(xí)模型，開發(fā)應(yīng)用于自動(dòng)駕駛等領(lǐng)域的深度學(xué)習(xí)系統(tǒng)。

通常，深度學(xué)習(xí)系統(tǒng)的性能至少在一定程度上受到用于訓(xùn)練模型的訓(xùn)練集的質(zhì)量的限制。在許多情況下，重要的資源被投入到收集、管理和注釋培訓(xùn)數(shù)據(jù)上。創(chuàng)建訓(xùn)練集所需的工作可能很重要，而且常常很繁瑣。此外，為機(jī)器學(xué)習(xí)模型改進(jìn)，進(jìn)行特定案例數(shù)據(jù)收集通常是困難的?！?/p>

特斯拉開發(fā)自動(dòng)駕駛系統(tǒng)的方式與大多數(shù)其他公司大相徑庭。大多數(shù)其他公司利用相對較小的車隊(duì)測試車輛，收集數(shù)據(jù)和檢測系統(tǒng)，但特斯拉利用其銷售的成千上萬車進(jìn)行數(shù)據(jù)收集。這些車配備一組傳感器收集路上和駕駛數(shù)據(jù)，以及測試無人駕駛系統(tǒng)在“影子模式”中的運(yùn)行。

車隊(duì)收集的這些數(shù)據(jù)對特斯拉訓(xùn)練自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)非常有價(jià)值。但是，又必須小心地收集，并把數(shù)據(jù)供給自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)。

卡帕西在專利申請中提到：“隨著機(jī)器學(xué)習(xí)模型變得越來越復(fù)雜，如更深層次的神經(jīng)網(wǎng)絡(luò)，對大型訓(xùn)練數(shù)據(jù)集的需求也相應(yīng)增加。

與較淺的神經(jīng)網(wǎng)絡(luò)相比，這些較深的神經(jīng)網(wǎng)絡(luò)可能需要更多的訓(xùn)練實(shí)例，以確保其通用性。例如，一個(gè)神經(jīng)網(wǎng)絡(luò)可能被訓(xùn)練得對相關(guān)數(shù)據(jù)非常精確，但是這個(gè)神經(jīng)網(wǎng)絡(luò)可能不能很好地泛化到預(yù)測未來的案例。而在這個(gè)案例中，神經(jīng)網(wǎng)絡(luò)可能會受益于訓(xùn)練數(shù)據(jù)中包含的其他例子?！?/p>

因此，卡帕西解釋了他的專利方法，將潛在的訓(xùn)練數(shù)據(jù)從源頭分類，然后再傳輸：

“示例方法包括接收傳感器并將神經(jīng)網(wǎng)絡(luò)應(yīng)用于傳感器數(shù)據(jù)。將觸發(fā)分類器應(yīng)用于神經(jīng)網(wǎng)絡(luò)的中間結(jié)果，以確定傳感器數(shù)據(jù)的分類器評分。根據(jù)至少部分分類器得分，決定是否通過計(jì)算機(jī)網(wǎng)絡(luò)傳輸至少部分傳感器數(shù)據(jù)。當(dāng)確定為‘積極’時(shí)，傳感器數(shù)據(jù)被傳輸并用于生成訓(xùn)練數(shù)據(jù)。”