机器学习在汽车中的应用:从大众今天扩建慕尼黑AI实验室说起

简介:

大众集团日前宣布,将加大投资力度来加强其位于德国慕尼黑AI数据实验室的实力,专门致力于人工智能技术的研发。大众方面称,虽然目前正在削减内部开支,但作为IT计划的一部分,大众在慕尼黑的AI数据实验室并未受到影响,会有更多的人力投入人工智能团队的建设。

据了解,大众数据实验室的研究团队将继续发展无人驾驶技术和机器人学,主要研究方向包括机器学习技术,即引导机器人和传感器加强识别能力,以对行驶中遇到的物体和不同情形作出辨识,换言之,团队希望提高汽车摄像头的检测能力,减少无人驾驶汽车因拍摄盲区等而存在的安全隐患。

另外,团队希望提高汽车摄像头的检测能力,减少无人驾驶汽车因拍摄盲区等而存在的安全隐患。慕尼黑数据实验室已经成为大众在研究上述领域中最大的实验室,并宣称拥有全汽车行业中最多的人工智能专家和数据科学专家。说到人工智能和数据科学家,汽车行业的人士都深知在汽车的无人驾驶和智能化方向上涉及到大量的人工智能技术和数据处理相关知识。

比如,大众在人工智能技术在汽车中的应用主要是在自动驾驶方面,包括:

  • 基于图像和传感器的模式识别(Pattern Recognition)

  • 基于算法的智能决策(Intelligent Decision-making)

  • 判断处理不同数据类型(Data Types Processing)

  • 人工智能还可应用到“企业机械化”中——将自适算法应用到企业各项功能和流程中(发展、生产、财经、质量保证)

其中特别要注意的是模式识别不仅仅是上面提到的图像识别(光图像识别就包括行人识别、交通标识识别、汽车牌照识别,这些都通过视觉系统完成,难点主要在实时性和鲁棒性。要离线处理这些交通标志是很简单的,但是在无人车上需要能在有限的时间里识别出来,并且考虑道路中可能有的光线变化、遮挡等问题。)还有现在在车内非常流行的语音识别,以及汽车中的零部件故障诊断识别。

举例来说,机器学习技术在汽车中的应用可以这样:

原本停在你旁边的一辆汽车突然驶向马路,机器学习技术就是在这样的情形下,让你的汽车掌握突发情况的技能。假设汽车也能够自动检测到引起驾驶员注意的细节,那么路上其他车辆不避让时,汽车也可以轻易避开潜在的事故。

关于模式识别

我们另外有请教汽车行业中的人工智能专家,他谈到目前人工智能在自动驾驶中的应用涉及到:

  • 图像识别

  • 语音识别

  • 激光雷达

  • 毫米波雷达(也涉及高精度地图,高速处理器等)

另外有业者表示,计算机视觉的确是深度学习的非常大一块,但绝对不是全部。比如利用深度学习去做一些环境的预测,做一些驾驶的决策。

关于智能决策

  • 汽车本身以后就将会是个高度智能体

  • 包括它的研发设计与生产制造(智造)

  • 驾驶(自动驾驶,自适应变形调节)

  • 后装维护等

关于数据处理

与判断处理不同数据类型不同

  • 汽车设计制造都离不开仿真优化(基于数学模型)。

  • 一些关键影响因子的识别及整体性能的优化(各参数的最佳组合)就要充分用到数据分析。

  • 只要涉及多变量的模型(对应车辆某些性能问题)就离不开数据分析与参数优化。

最关键的是大众集团最新宣布来领导慕尼黑AI数据实验室的是Patrick van der Smagt,他的主要研究方向是机器学习在机器人领域的应用、仿生和传感器数据的处理。

Patrick van der Smagt也是德国BRML实验室主任,BRML实验室主要研究方向为机器学习、运动识别以及人机交互等,其与包括慕尼黑工业大学、慕尼黑大学、德国航空航天中心等世界一流的研究机构都有密切联系。


本文作者:李尊


本文转自雷锋网禁止二次转载,原文链接

相关文章
|
机器学习/深度学习 人工智能 供应链
从概念到商业价值:AI、机器学习与深度学习全景指南
在这个科技飞速发展的时代🚀,人工智能正以惊人的速度渗透到我们的生活和工作中👀。但面对铺天盖地的AI术语和概念,很多人感到困惑不已😣。"AI"、"机器学习"、"深度学习"和"神经网络"到底有什么区别?它们如何相互关联?如何利用这些技术提升工作效率和创造价值?
812 0
|
机器学习/深度学习 人工智能 监控
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
本系列文章深入讲解了从Seq2Seq、RNN到Transformer,再到GPT模型的关键技术原理与实现细节,帮助读者全面掌握Transformer及其在NLP中的应用。同时,通过一个房价预测的完整案例,介绍了算法工程师如何利用数据训练模型并解决实际问题,涵盖需求分析、数据收集、模型训练与部署等全流程。文章适合初学者和开发者学习AI基础与实战技能。
1601 25
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
|
机器学习/深度学习 监控 安全
从实验室到生产线:机器学习模型部署的七大陷阱及PyTorch Serving避坑指南
本文深入探讨了机器学习模型从实验室到生产环境部署过程中常见的七大陷阱,并提供基于PyTorch Serving的解决方案。内容涵盖环境依赖、模型序列化、资源管理、输入处理、监控缺失、安全防护及模型更新等关键环节。通过真实案例分析与代码示例,帮助读者理解部署失败的原因并掌握避坑技巧。同时,文章介绍了高级部署架构、性能优化策略及未来趋势,如Serverless服务和边缘-云协同部署,助力构建稳健高效的模型部署体系。
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL消息传递接口的PyG替换
DGL (Deep Graph Learning) 和 PyG (Pytorch Geometric) 是两个主流的图神经网络库,它们在API设计和底层实现上有一定差异,在不同场景下,研究人员会使用不同的依赖库,昇腾NPU对PyG图机器学习库的支持亲和度更高,因此有些时候需要做DGL接口的PyG替换。
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL图构建接口的PyG替换
本文探讨了在图神经网络中将DGL接口替换为PyG实现的方法,重点以RFdiffusion蛋白质设计模型中的SE3Transformer为例。SE3Transformer通过SE(3)等变性提取三维几何特征,其图构建部分依赖DGL接口。文章详细介绍了两个关键函数的替换:`make_full_graph` 和 `make_topk_graph`。前者构建完全连接图,后者生成k近邻图。通过PyG的高效实现(如`knn_graph`),我们简化了图结构创建过程,并调整边特征处理逻辑以兼容不同框架,从而更好地支持昇腾NPU等硬件环境。此方法为跨库迁移提供了实用参考。
|
人工智能 安全 自动驾驶
通义灵码入职表现实测:蔚来汽车AI 生成代码占比在 30% 以上
希望 AI 编程能应用于更加高阶的场景。我对 AI 自动化编程最大的希望是它能够把整个研发过程,变成一个流水线制造的过程,把我们的整个研发流程规范化起来,并且在每一步都能够对人进行一个指引,类似自动驾驶一样。
|
机器学习/深度学习 人工智能 自动驾驶
企业内训|模拟AI场景课程——某汽车厂商
4月18日和19日,东北某市,TsingtaoAI团队为某汽车厂商的智能驾驶业务和研发团队交付“模拟AI场景课程”。本课程基于该厂商在AI领域的战略布局,结合汽车行业智能化转型趋势,以“场景化、实战化、前瞻性”为核心,聚焦AI技术从理论到落地的全链路。通过模拟真实业务场景(如智能座舱优化、智能制造、自动驾驶仿真),帮助学员掌握AI基础能力,并快速应用于研发、生产、营销等环节。
727 4
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(三):机器学习算法和模型架构选择
从淘金到雕琢,将原始数据炼成智能珠宝!本文带您走进数字珠宝工坊,用算法工具打磨数据金砂。从基础的经典算法到精密的深度学习模型,结合电商、医疗、金融等场景实战,手把手教您选择合适工具,打造价值连城的智能应用。掌握AutoML改装套件与模型蒸馏术,让复杂问题迎刃而解。握紧算法刻刀,为数字世界雕刻文明!
666 6
|
机器学习/深度学习 人工智能 自然语言处理
Java+机器学习基础:打造AI学习基础
随着人工智能(AI)技术的飞速发展,越来越多的开发者开始探索如何将AI技术应用到实际业务场景中。Java作为一种强大的编程语言,不仅在企业级应用开发中占据重要地位,在AI领域也展现出了巨大的潜力。本文将通过模拟一个AI应用,从背景历史、业务场景、优缺点、底层原理等方面,介绍如何使用Java结合机器学习技术来打造一个AI学习的基础Demo。
751 18

热门文章

最新文章