#naviosim — Public Fediverse posts

Ставка на GenAI: генеративные модели меняют правила игры в автономном транспорте

Автономный транспорт давно вышел за пределы закрытых полигонов и футуристичных историй. Он уже работает и приносит пользу бизнесу и людям. В России тягачи Navio два года возят реальные грузы коммерческих клиентов по трассе М-11 «Нева». А в США, Китае или Европе можно совершить поездку на роботакси. Тем не менее, восприятие технологии остается противоречивым. Видео, где автомобиль без водителя в салоне не может выехать с кольцевого перекрестка или воспринимает человека в майке с надписью STOP как команду к действию, усиливают скепсис и снижают доверие к результатам разработчиков. Почему компании, которые работают над технологией с 2009 года [больше 15 лет], не смогли добиться ее стабильной работы. Классический подход в разработке автономного транспорта Алгоритмический подход признан классическим в разработке автономного транспорта. Логическая архитектура построена на основе последовательности действий водителя за рулем: · восприятие окружающего мира — набор сенсоров (радары, лидары, камеры); · определение местоположения — карты, модуль позиционирования, сенсоры; · предсказывание действий других объектов вокруг — алгоритмы на базе кинематической составляющей и модели динамики объектов; · планирования пути — руководство к действию или свод правил, основанный на правилах дорожного движения (ПДД); · управление — модуль внутри автомобиля приводит его в движение. Этот код пишется 15 лет и никогда не будет завершен Несовершенность классического подхода обнаружилась на этапе планирования пути. При алгоритмическом подходе условия прописываются вручную (what-if сценарии). Автономное транспортное средство принимает решение на основе типа объекта (автомобиль, пешеход, др.), дальше добавляются такие условия, как состояние дорожного покрытия, погода, светофоры, другие объекты. Все это ведет к экспоненциальному росту проверок вложенных условий. Обладая достаточным парком автомобилей, за несколько лет разработчик может закрыть самые часто встречающиеся сценарии на дороге. Следующие несколько лет проездов выловят более редкие случаи и укрепят базу. Но остается открытым вопрос, что делать с уникальными ситуациями, как человек в футболке с надписью STOP или объездом препятствия в месте, где обгон запрещен разметкой. Невозможно вручную прописать все условия заранее, мир сегодня слишком непредсказуем. Такой подход не позволит масштабировать технологию и обеспечить ее стабильность на 100%, особенно в условиях города. Такая бесконечность сценариев называется Long Tail.

https://habr.com/ru/companies/navio/articles/961428/

#Selfdriving_technology #автономный_транспорт #технологии_автономного_транспорта #vla #naviosim #navio #искусственный_интеллект #navio_ai_driver #фотореалистичный_симулятор #машинное_обучение

Ставка на GenAI: генеративные модели меняют правила игры в автономном транспорте

Автономный транспорт давно вышел за пределы закрытых полигонов и футуристичных историй. Он уже работает и приносит пользу бизнесу и людям. В России тягачи Navio два года возят реальные грузы коммерческих клиентов по трассе М-11 «Нева». А в США, Китае или Европе можно совершить поездку на роботакси. Тем не менее, восприятие технологии остается противоречивым. Видео, где автомобиль без водителя в салоне не может выехать с кольцевого перекрестка или воспринимает человека в майке с надписью STOP как команду к действию, усиливают скепсис и снижают доверие к результатам разработчиков. Почему компании, которые работают над технологией с 2009 года [больше 15 лет], не смогли добиться ее стабильной работы. Классический подход в разработке автономного транспорта Алгоритмический подход признан классическим в разработке автономного транспорта. Логическая архитектура построена на основе последовательности действий водителя за рулем: · восприятие окружающего мира — набор сенсоров (радары, лидары, камеры); · определение местоположения — карты, модуль позиционирования, сенсоры; · предсказывание действий других объектов вокруг — алгоритмы на базе кинематической составляющей и модели динамики объектов; · планирования пути — руководство к действию или свод правил, основанный на правилах дорожного движения (ПДД); · управление — модуль внутри автомобиля приводит его в движение. Этот код пишется 15 лет и никогда не будет завершен Несовершенность классического подхода обнаружилась на этапе планирования пути. При алгоритмическом подходе условия прописываются вручную (what-if сценарии). Автономное транспортное средство принимает решение на основе типа объекта (автомобиль, пешеход, др.), дальше добавляются такие условия, как состояние дорожного покрытия, погода, светофоры, другие объекты. Все это ведет к экспоненциальному росту проверок вложенных условий. Обладая достаточным парком автомобилей, за несколько лет разработчик может закрыть самые часто встречающиеся сценарии на дороге. Следующие несколько лет проездов выловят более редкие случаи и укрепят базу. Но остается открытым вопрос, что делать с уникальными ситуациями, как человек в футболке с надписью STOP или объездом препятствия в месте, где обгон запрещен разметкой. Невозможно вручную прописать все условия заранее, мир сегодня слишком непредсказуем. Такой подход не позволит масштабировать технологию и обеспечить ее стабильность на 100%, особенно в условиях города. Такая бесконечность сценариев называется Long Tail.

https://habr.com/ru/companies/navio/articles/961428/

#Selfdriving_technology #автономный_транспорт #технологии_автономного_транспорта #vla #naviosim #navio #искусственный_интеллект #navio_ai_driver #фотореалистичный_симулятор #машинное_обучение

Ставка на GenAI: генеративные модели меняют правила игры в автономном транспорте

Автономный транспорт давно вышел за пределы закрытых полигонов и футуристичных историй. Он уже работает и приносит пользу бизнесу и людям. В России тягачи Navio два года возят реальные грузы коммерческих клиентов по трассе М-11 «Нева». А в США, Китае или Европе можно совершить поездку на роботакси. Тем не менее, восприятие технологии остается противоречивым. Видео, где автомобиль без водителя в салоне не может выехать с кольцевого перекрестка или воспринимает человека в майке с надписью STOP как команду к действию, усиливают скепсис и снижают доверие к результатам разработчиков. Почему компании, которые работают над технологией с 2009 года [больше 15 лет], не смогли добиться ее стабильной работы. Классический подход в разработке автономного транспорта Алгоритмический подход признан классическим в разработке автономного транспорта. Логическая архитектура построена на основе последовательности действий водителя за рулем: · восприятие окружающего мира — набор сенсоров (радары, лидары, камеры); · определение местоположения — карты, модуль позиционирования, сенсоры; · предсказывание действий других объектов вокруг — алгоритмы на базе кинематической составляющей и модели динамики объектов; · планирования пути — руководство к действию или свод правил, основанный на правилах дорожного движения (ПДД); · управление — модуль внутри автомобиля приводит его в движение. Этот код пишется 15 лет и никогда не будет завершен Несовершенность классического подхода обнаружилась на этапе планирования пути. При алгоритмическом подходе условия прописываются вручную (what-if сценарии). Автономное транспортное средство принимает решение на основе типа объекта (автомобиль, пешеход, др.), дальше добавляются такие условия, как состояние дорожного покрытия, погода, светофоры, другие объекты. Все это ведет к экспоненциальному росту проверок вложенных условий. Обладая достаточным парком автомобилей, за несколько лет разработчик может закрыть самые часто встречающиеся сценарии на дороге. Следующие несколько лет проездов выловят более редкие случаи и укрепят базу. Но остается открытым вопрос, что делать с уникальными ситуациями, как человек в футболке с надписью STOP или объездом препятствия в месте, где обгон запрещен разметкой. Невозможно вручную прописать все условия заранее, мир сегодня слишком непредсказуем. Такой подход не позволит масштабировать технологию и обеспечить ее стабильность на 100%, особенно в условиях города. Такая бесконечность сценариев называется Long Tail.

https://habr.com/ru/companies/navio/articles/961428/

#Selfdriving_technology #автономный_транспорт #технологии_автономного_транспорта #vla #naviosim #navio #искусственный_интеллект #navio_ai_driver #фотореалистичный_симулятор #машинное_обучение

Ставка на GenAI: генеративные модели меняют правила игры в автономном транспорте

Автономный транспорт давно вышел за пределы закрытых полигонов и футуристичных историй. Он уже работает и приносит пользу бизнесу и людям. В России тягачи Navio два года возят реальные грузы коммерческих клиентов по трассе М-11 «Нева». А в США, Китае или Европе можно совершить поездку на роботакси. Тем не менее, восприятие технологии остается противоречивым. Видео, где автомобиль без водителя в салоне не может выехать с кольцевого перекрестка или воспринимает человека в майке с надписью STOP как команду к действию, усиливают скепсис и снижают доверие к результатам разработчиков. Почему компании, которые работают над технологией с 2009 года [больше 15 лет], не смогли добиться ее стабильной работы. Классический подход в разработке автономного транспорта Алгоритмический подход признан классическим в разработке автономного транспорта. Логическая архитектура построена на основе последовательности действий водителя за рулем: · восприятие окружающего мира — набор сенсоров (радары, лидары, камеры); · определение местоположения — карты, модуль позиционирования, сенсоры; · предсказывание действий других объектов вокруг — алгоритмы на базе кинематической составляющей и модели динамики объектов; · планирования пути — руководство к действию или свод правил, основанный на правилах дорожного движения (ПДД); · управление — модуль внутри автомобиля приводит его в движение. Этот код пишется 15 лет и никогда не будет завершен Несовершенность классического подхода обнаружилась на этапе планирования пути. При алгоритмическом подходе условия прописываются вручную (what-if сценарии). Автономное транспортное средство принимает решение на основе типа объекта (автомобиль, пешеход, др.), дальше добавляются такие условия, как состояние дорожного покрытия, погода, светофоры, другие объекты. Все это ведет к экспоненциальному росту проверок вложенных условий. Обладая достаточным парком автомобилей, за несколько лет разработчик может закрыть самые часто встречающиеся сценарии на дороге. Следующие несколько лет проездов выловят более редкие случаи и укрепят базу. Но остается открытым вопрос, что делать с уникальными ситуациями, как человек в футболке с надписью STOP или объездом препятствия в месте, где обгон запрещен разметкой. Невозможно вручную прописать все условия заранее, мир сегодня слишком непредсказуем. Такой подход не позволит масштабировать технологию и обеспечить ее стабильность на 100%, особенно в условиях города. Такая бесконечность сценариев называется Long Tail.

https://habr.com/ru/companies/navio/articles/961428/

#Selfdriving_technology #автономный_транспорт #технологии_автономного_транспорта #vla #naviosim #navio #искусственный_интеллект #navio_ai_driver #фотореалистичный_симулятор #машинное_обучение