Cómo Helm.Ai usa IA generativa para autos autónomos

Autos autónomos Se suponía que ya estarían en nuestros garajes, según las predicciones optimistas de hace solo unos años. Pero podemos estar llegando a algunos puntos de inflexión, con Adopción de Robotaxi Subiendo y los consumidores se acostumbran a sistemas de asistencia de conductor cada vez más sofisticados en sus vehículos. Una compañía que está empujando las cosas hacia adelante es la base de Silicon Valley Helm.ai, que desarrolla software program tanto para sistemas de asistencia de controladores como para vehículos autónomos.

La compañía proporciona modelos de base para la predicción de la intención y planificación de ruta que los autos autónomos necesitan en la carretera y también usa IA generativa Para crear datos de entrenamiento sintético que preparen vehículos para las muchas, muchas cosas que pueden salir mal. IEEE Spectrum hablar con Vladislav Voroninskifundador y CEO de Helm.ai, sobre la creación de la compañía de datos sintéticos Para entrenar y validar los sistemas de automóviles autónomos.

¿Cómo está Helm.ai usando IA generativa para ayudar a desarrollar autos autónomos?

Vladislav Voroninski: Estamos utilizando IA generativa para fines de simulación. Entonces, dada una cierta cantidad de datos reales que ha observado, ¿puede simular situaciones novedosas basadas en esos datos? Desea crear datos que sean lo más realistas posible mientras ofrece algo nuevo. Podemos crear datos de cualquier cámara o sensor para aumentar la variedad en aquellos conjuntos de datos y abordar los casos de esquina para capacitación y validación.

Sé que tienes Vidgen para crear datos de video y Mundo del mundo Para crear otros tipos de datos del sensor. ¿Las diferentes compañías de automóviles todavía dependen de diferentes modalidades?

Voroninski: Definitivamente hay interés en múltiples modalidades de nuestros clientes. No todos solo están tratando de hacer todo con visión solamente. Cámaras son relativamente baratos, mientras que lidar Los sistemas son más caros. Pero en realidad podemos entrenar simuladores que toman los datos de la cámara y simular cómo se vería la salida de LiDAR. Esa puede ser una forma de ahorrar en costos.

E incluso si es solo un video, habrá algunos casos que son increíblemente raros o prácticamente imposibles de conseguir o demasiado peligrosos para obtener mientras conduce en tiempo actual. Y por lo tanto, podemos usar IA generativa para crear datos de video que sean muy, de muy alta calidad y esencialmente indistinguibles de los datos reales para esos casos. Esa también es una forma de ahorrar en recopilación de datos costos.

¿Cómo se crea estos casos de borde inusual? ¿Dices: “Ahora pon un canguro en el camino, ahora ponga una cebra en el camino”?

Voroninski: Hay una manera de consultar estos modelos para que produzcan situaciones inusuales, se trata realmente de incorporar formas de controlar los modelos de simulación. Eso se puede hacer con texto o imágenes rápidas o varios tipos de entradas geométricas. Esos escenarios se pueden especificar explícitamente: si un fabricante de automóviles ya tiene una lista de situaciones que saben que pueden ocurrir, pueden consultar estas modelos de base para producir esas situaciones. También puede hacer algo aún más escalable cuando haya algún proceso de exploración o aleatorización de lo que sucede en la simulación, y eso puede usarse para probar su pila de conducción autónoma en diversas situaciones.

Y una buena cosa sobre los datos de video, que definitivamente sigue siendo la modalidad dominante para la autocontrol, puede entrenar en datos de video que no solo proviene de conducir. Entonces, cuando se trata de esas raras categorías de objetos, en realidad puede encontrarlas en muchos conjuntos de datos diferentes.

Entonces, si tiene un conjunto de datos de video de animales En un zoológico, ¿va a ayudar a un sistema de conducción a reconocer el canguro en el camino?

Voroninski: Por supuesto, ese tipo de datos se puede usar para entrenar sistemas de percepción para comprender esas diferentes categorías de objetos. Y también se puede usar para simular datos del sensor que incorporan esos objetos en un escenario de conducción. Quiero decir, de manera comparable, muy pocos humanos han visto un canguro en un camino en la vida actual. O incluso tal vez en un video. Pero es bastante fácil conjurar en tu mente, ¿verdad? Y si lo ves, podrás entenderlo bastante rápido. Lo bueno de la IA generativa es que si [the model] está expuesto a diferentes conceptos en diferentes escenarios, puede combinar esos conceptos en situaciones novedosas. Puede observarlo en otras situaciones y luego llevar esa comprensión a conducir.

¿Cómo se hace el management de calidad para datos sintéticos? ¿Cómo asegura a sus clientes que es tan bueno como lo actual?

Voroninski: Hay métricas que puede capturar que evalúan numéricamente la similitud de los datos reales a los datos sintéticos. Un ejemplo es que tomas una recopilación de datos reales y toma una colección de datos sintéticos destinados a emularlos. Y puede colocar una distribución de probabilidad a ambos. Y luego puede comparar numéricamente la distancia entre esas distribuciones de probabilidad.

En segundo lugar, podemos verificar que los datos sintéticos son útiles para resolver ciertos problemas. Puede decir: “Vamos a abordar este caso de esquina. Solo puede usar datos simulados”. Puede verificar que el uso de los datos simulados realmente resuelve el problema y mejora la precisión de esta tarea sin capacitar nunca en datos reales.

¿Hay detractores que dicen que los datos sintéticos nunca serán lo suficientemente buenos como para capacitar a estos sistemas y enseñarles todo lo que necesitan saber?

Voroninski: Los detractores suelen no ser expertos en IA. Si busca a dónde va el disco, está bastante claro que la simulación tendrá un gran impacto en el desarrollo de sistemas de conducción autónomos. Además, lo que es lo suficientemente bueno es un objetivo en movimiento, igual que la definición de IA o Agi[ artificial general intelligence]. Se hacen ciertos desarrollos, y luego la gente se acostumbra a ellos: “Oh, eso ya no es interesante. Se trata de lo siguiente”. Pero creo que está bastante claro que la simulación basada en AI continuará mejorando. If Deseos explícitamente un sistema de IA para modelar algo, no hay un cuello de botella en este momento. Y luego es solo una cuestión de qué tan bien se generaliza.