AI人工智慧的應用

「眼前,在人類面臨的諸多挑戰中,我認為最艱鉅的,就是如何了解和應對第四次工業革命,」2016年世界經濟論壇創辦人兼執行主席施瓦布(Klaus Schwab)如是指出。依據維基百科第四次工業革命謂之為一系列融合物理,數字和生物世界以及影響所有學科,經濟和工業的新技術。資訊革命,即通俗意義上的第四次工業革命。

其中,被視為此次革新重要核心為產業帶來巨大改變的即人工智慧(Artificial Intelligence)。而機器學習(Machine Learning)乃解決是問題之手段,深度學習(Deep Learning)則是其中的一個分支。同年Google AlphaGo的使用深度學習技術,突破了傳統機器學習方法在解決人工智慧的瓶頸,強烈引起各界專注。
圖 1 : 人工智慧、機器學習和深度學習關係圖
什麼是深度學習Deep Learning?
深度學習基本上即是深層神經網路的一個代名詞,即一種試圖使用包含複雜結構或由多重非線性變換構成的多個處理層對資料進行高層抽象的演算法。它就像啟發式教育,讓電腦「閱讀」大量影像、文字或聲音等資料,自行分析出邏輯框架,並會以應用題方式進行判斷,讓電腦得以延伸出多元性分析和創意能力。
圖 2 : 傳統機器學習與深度學習流程比較圖
深度學習應用-自動駕駛
根據國際自動機工程師學會(SAE International)目前自動駕駛分成 5 個等級:
自動駕駛是未來車輛科技不可避免的趨勢,但目前技術仍然無法一蹴可及達成第5級完全自動化駕駛,車輛上尚須搭載許多配備,如:
3D光達(3D Lidar):感測障礙物
攝影機(Camera):障礙物類別辨識
人機介面(Human Machine Interface):自動駕駛車訊息狀況
超音波(Ultrasonic):感測障礙物位置
協同式定位系統(GPS/慣性量測元件/圖資):導引車輛移動路徑
決策控制(Decision-Making and Controlled):執行車輛動態決策
自動駕駛相關硬體背後則需要強大軟體支援,才能協調各硬體所蒐集的資訊,並加以判讀及執行決策運算。目前自動駕駛所採用的軟體架構多為深度學習(Deep Learning),使機器具有自主學習的能力,可以在不斷學習的過程中,逐漸增進其駕駛技能,提升車輛行駛安全性,以下就深度學習功能進行介紹。
深度學習是一種類神經網路演算法(Artificial Neural Network Algorithm),主要是讓機器模擬人腦的運作方式,進而和人類一樣具備學習的能力,仿造人腦完成複雜的圖型辨識動作,以分析學習的機制來理解大量的資料。
圖 3 : 類神經網絡中單一神經元
圖 4 : 多個感知器組成的多層神經網路
卷積神經網路(Convolutional Neural Network,CNN),CNN在影像識別方面的威力非常強大,許多影樣辨識的模型也都是以CNN的架構為基礎去做延伸。CNN與傳統的多層感知網路最大的差異在於多了卷積及池化這兩層,也就是因為這兩層而讓CNN擁有能夠「看」到圖像細節的能力,而非像其它神經網路只是單純的提取資料進行運算,無怪乎近年所舉辦的視覺競賽,優勝者幾乎都是採用深度學習的CNN架構。
圖 5 : CNN概念圖
圖 6 : 車輛辨識結果
未來全自動駕駛除了須持續於技術上開發突破之外,尚有立法、道德及商業相關之許多議題有待釐清例如:自動駕駛肇責是否全權由車廠負責?車輛應優先保護乘客或是行人?車輛保險之形式應如何演化?當全自動駕駛車商業化之後,將為車輛產業及運輸環境帶來極大的變化,而民眾則可期待更為便利及舒適的乘車體驗。
自動駕駛解決方案- NVIDIA DRIVE PX
2015年NVIDIA推出了DRIVE PX自動駕駛車用電腦,DRIVE PX是專門為自動駕駛打造的人工智慧車用電腦,是開放式人工智慧車用運算平台,可提供自動巡航功能的精巧節能模組,到具備自動駕駛功能的強大人工智慧超級電腦。
DRIVE PX系統可以融合多台相機、雷達和超音波感測器傳來的資料,演算法得以準確解讀車輛周遭的360度完整環境,呈現最全備的樣貌,包含靜態和動態物體,即時瞭解車輛周邊的情況,並精準的在HD地圖上定位,然後規劃安全的前進路線。這是世界最先進的自駕車平台,結合深度學習、感測器融合和環繞視覺,大幅提升融合後的感測器資料準確度,顛覆駕駛體驗。
圖 7 : 雲端與本地配合之深度學習訓練平台
圖 8 : NVIDIA DRIVE PX平台