随着人工智能技术的快速发展,智能驾驶系统备受瞩目.目前,智能驾驶技术已成为人工智能领域的热门研究方向之一,呈现出广泛而深远的前景.然而,现有的智能驾驶系统仍存在一些局限,例如路径规划技术需要大量计算资源,对大规模和动态环境的适应能力有限.随着神经科学的进步,生物导航和空间认知机制逐步被揭示.本文从生物导航的角度出发,综述了哺乳动物大脑的空间认知机制,并介绍了几种受空间认知启发的类脑导航算法.我们期望这些研究可以激发智能驾驶路径规划技术的创新,实现更智能更安全的路径规划,甚至能够选择未曾探索的捷径,从而实现灵活的导航.
技术发展的超前性必然引发潜在的、未知的、不可预测的法律风险,ChatGPT的迅猛发展已经面临技术垄断、算法偏见、虚假信息、知识产权和数据安全等领域的法律困境,因此从法律规制的角度对ChatGPT进行冷静思考不仅必要而且紧要.由于风险与规制往往相生相随,应开展全链条综合治理,研析前瞻性制度设计,构建多维度监管体系,打造系统性监管生态,建立规范的监管体系,并采取适当超前的制度设计,以ChatGPT为代表的AIGC不仅能被人类所用,而且还能被人类所控.
近年来,以人工智能技术发展、传感器成本下行等因素为契机,园区限定场景下的低速无人小巴因其市场需求明确、技术风险较低、具备短期商业落地潜力等特点,成为智能驾驶领域的研发与投资热点.而当前形势下,无人小巴初期投入依旧较高、商业模式尚待进一步梳理.本文结合笔者二十余年专注低速无人驾驶研究的经验,通过分析无人小巴市场需求、介绍关键核心技术及回顾国内外典型应用,拟总结目前现状并展望未来发展前景,以期为产业界与学术界提供参考.
高精地图的研究进展在推动智能汽车领域发展中扮演着至关重要的角色.然而,传统地图更新方式难以适应复杂多变的道路环境和交通条件.基于众源式更新可以有效解决高精地图更新时效性问题,并降低数据采集成本.本文首先分析众源式更新在我国高精地图领域的发展前景,指出众源更新已成为地图更新发展的新趋势;其次,探讨智能汽车高精地图众源更新技术研究现状,特别关注数据采集、数据处理和地图更新等关键技术的研究进展;最后,总结和分析了众源更新技术的挑战和未来研究方向.
作为第四次工业革命和产业变革的核心驱动力,人工智能不断实现跨越式发展和突破性进展,在教育、养老、医疗、交通、商业等领域取得显著成绩,做出巨大贡献,带来无限机遇.与此同时,人工智能也不可避免地冲击着现有社会秩序和基本结构,引发了一系列研发和应用实践中的伦理风险.这就需要正面回应这些伦理问题,从而保证人工智能向善发展,赋能新时代.由此,必然要求应对人工智能伦理风险的中国方案的出场.一是,"以人民为中心"作为价值引领,规避或降低人工智能伦理风险发生的可能性;二是,充分挖掘并汲取中国传统科技伦理观中的实践智慧,为治理人工智能伦理风险提供宝贵思想资源;三是,积极构建中国人工智能伦理体系,为应对人工智能伦理风险提供体制机制保障;四是,大力推进人工智能负责任研究与创新,提升人工智能研发与应用人员的伦理素养.
随着以ChatGPT为代表的生成式人工智能的发展,端到端自动驾驶系统得到了广泛关注,有望为通用场景的驾驶智能带来革命性突破。以全部模块神经网络化为特征的端到端系统对专家规则的依赖度低,功能的集约性与实时性强,具备智能涌现能力和跨场景应用潜力,是实现数据驱动自进化驾驶能力的重要途径。本文概述了端到端汽车自动驾驶系统的关键技术与发展趋势。首先,介绍生成式人工智能的技术现状,包括网络架构设计、预训练与微调,以及模型剪枝与压缩等;其次,总结端到端自动驾驶的关键技术,其核心是以车云协同为基础的驾驶大数据和自动驾驶大模型的在线循环迭代;再次,归纳该类自动驾驶系统的发展现状,尤其是感知、预测和决控三大功能的技术进展;最后,总结生成式人工智能与自动驾驶融合发展的技术挑战。
本文首先从场景的解构上分析了自动驾驶感知的复杂性,调研了67项自动驾驶感知相关的数据集,其中22项综合类数据集,17项道路感知专题数据集,14项障碍物感知专题数据集和14项自然环境相关专题数据集,给出不同数据集近四年的更新情况以及引用情况.另一方面,对3D目标感知方法进行了总结,考虑到最新的nuScenes数据集上3D目标感知任务TOP10的网络全部为基于多模态的方法,本文重点对基于图像和激光雷达点云的多模态的方法进行了归纳,并对nuScenes数据集3D目标感知任务榜单进行了分析.在上述分析的基础上,提出自动驾驶感知相关的数据集应进一步增大规模,并需加强国际合作,提出多模态融合的方法在nuScenes数据集3D目标感知任务上成为主流,同时基于Transformer的方法也进入Top10,未来值得继续关注和研究.
决策系统是自动驾驶的重要组成部分.目前,基于传统算法的决策系统在复杂的交通场景下的应用还欠缺,而深度强化学习(DRL)方法更适合在复杂交通场景中智能地处理自动驾驶决策问题,并有效地提高自动驾驶的智能性.本文首先对自动驾驶系统进行了简要介绍;其次,介绍了强化学习的原理和DRL的典型算法,并总结了DRL在自动驾驶决策系统中的应用;最后,根据目前存在的问题,总结了DRL方法在自动驾驶决策系统中遇到的挑战,并对DRL在自动驾驶决策中的未来应用进行了展望.
针对虚假消息注入攻击下多车队列系统纵向稳定性控制问题,采用加性不确定方法量化攻击对队列系统的影响,采用等效时滞、网络诱导时滞等方法,将通信时滞与数据丢包、车载传感器数据离散化特性等因素整合到队列中,构建了网络攻击与信息延迟下的队列模型.基于李雅普诺夫-克拉索夫斯基稳定性理论和H∞鲁棒控制,提出了一种弱保守性分布式鲁棒抗干扰控制方法,并给出了队列系统保持稳定性的条件.仿真结果表明,所提出的鲁棒H∞控制方法在保证队列内稳定需求的同时,能兼顾队列稳定性.与常规队列干扰抑制控制方法相比,对于队列内相邻车辆之间的间距误差控制以及跟随车辆与领航车之间的速度跟踪控制效果更好.
工业传感器监测产生海量时序数据,对异常检测带来了两个挑战.一是数据维度和数据量的增多提高了算法时间复杂度,不利于实时监测.为了实时监测数据,需要异常检测算法在有限时间内处理大量的数据.二是在数据采集过程中,噪声是不可避免的,检查噪声数据对异常检测算法性能的影响对于提高分类器学习算法的可靠性是必要的.因此,本文对数据进行分析挖掘,降低数据维度和数据量,提高异常检测实时性,并在图偏差网络上应用一维卷积,提取时间序列的高级特征,提高异常模型的抗噪能力.在六级水处理模型SWaT数据集上的实验结果表明,本文异常检测方法在测试集上精确率、召回率、F1值总体优于传统异常检测方法,且能有效避免噪声干扰,识别速度快,满足异常检测过程中的准确性和实时性,具有一定的应用价值.
随着智能生成技术的不断发展与应用,手语数字人技术的应用场景也在不断扩大。智能生成技术可以将文本、语音等不同形式的信息转化为手语数字人的形式,为聋哑人士提供更加多样化和便捷的交流方式。此外,智能生成技术还可以通过机器学习和人工智能算法不断优化手语识别和生成的准确性与速度,提高手语数字人技术的用户体验和应用效果。本文将从人工智能的发展历程出发,详细介绍基于智能生成技术的手语数字人发展现状、所遇到的挑战,以及未来发展趋势。
基于作者在人工智能领域,尤其是深度学习框架和平台的建设方向多年的理论和实践积累,本文对深度学习技术在产业应用的关键问题进行分析,介绍深度学习框架和平台在产业应用中所起到的核心作用和需要的关键技术,并总结以深度学习框架为核心的生态建设过程中的实践经验,基于我国深度学习产业现状,简述深度学习的关键标准与内容.
近年来,得益于深度生成模型的发展,以Deepfake为代表的人脸深度伪造技术在互联网快速流行,受到了学术界和工业界的广泛重视。人脸深度伪造技术很容易被不法分子恶意使用,用来制作色情电影、虚假新闻,甚至被用于政要人物制造政治谣言等,这给国家安全和社会稳定都带来了极大的潜在威胁。为了降低深度伪造人脸视频所带来的负面影响,一系列深度伪造防御方法被提出。然而,由于数据集分布形式单一、评价标准不一致、主动性不足等问题,使得防御技术在走向实用的道路上仍有很长一段距离。本文将对深度伪造防御的相关研究工作进行科学系统的总结与归纳,并对现有技术的局限性做简要分析。最后,本文将探讨人脸深度伪造防御技术的潜在挑战与发展方向,为未来的研究工作提供借鉴。
工业互联网通过人机物的深度连接,实现生产全要素、全产业链、全价值链的高效互联与协同,推动制造业生产方式和企业形态根本性变革,在经济社会发展中起到了重要的推动作用.然而,工业互联网内外网的连接不可避免地暴露了工业系统的脆弱性,加剧了被恶意攻击者入侵的风险,面临重大安全威胁.近年来,国内外高度重视工业互联网安全,开展了大量的入侵检测理论和技术研究,其中最具代表性的是基于机器学习的入侵检测方法,尤其是深度学习的方法,此类方法不仅能够降低误报率、提高检测率和适应性,而且能够提升对零日攻击的检测.本文面向工业互联网安全问题,从近年来工业互联网的安全事件入手,围绕工业互联网入侵检测,重点介绍了深度学习技术在工业互联网入侵检测中的应用,梳理了当前基于深度学习的工业互联网入侵检测理论和技术的最新研究进展,总结了未来基于深度学习的入侵检测方法的发展方向.
体能训练是提高消防员战斗力的重要途径之一,特别是对长时间处于灭火救援工作一线的消防员而言,体能训练的质量直接影响消防单位的整体战斗力.由于体能训练标准严格,受训消防员数量远超教员数量,针对消防员力量的体能训练不够充分.本文基于机器学习算法设计了消防体能训练识别系统,可以实现多种体能动作实时姿势的自动分类及计数功能.本文将体能训练问题转化为计算机视觉领域的人体姿态识别研究,利用BlazePose模型与KNN算法结合构建体能识别模型,通过提取关键点特征向量进行动作二分类,以实现动作计数功能;通过PCA降维实现体能多分类,模型准确率最高可达到98.19％,分类结果稳定可靠.
现阶段一维卷积神经网络诊断领域通常需要大量的数据支持,本文更为关注使用小样本数据获得更好的效果,同时还兼顾模型的适应能力.因此,本文模型致力于摆脱轴承故障诊断对大量数据的依赖性,提出了一种基于多尺度卷积胶囊网络和双向长短期记忆网络的滚动轴承故障诊断模型.本文利用双向长短期记忆网络对特征进行去噪,利用多尺度卷积神经网络充分提取特征,训练样本不足的故障诊断由胶囊网络完成.通过对比实验以及对不同工作环境下的轴承数据进行分析,验证了所提方法的可行性与有效性.与现有模型相比,在不同工况下,BiMCCN 模型平均提高了18.71％的准确率.实验结果表明:该模型有着更高的准确率,以及更能适应多变的环境.
随着深度学习的快速发展,深度神经网络模型在计算机视觉、自然语言处理等多个领域大放异彩,但性能变强的同时,也伴随着模型规模的快速增长.应用大规模模型往往需要强大的计算力和足够的存储空间.为了使深度模型能够在资源受限的条件下高效运行,模型压缩技术应运而生.本文介绍了深度学习中模型压缩技术的相关背景,在此基础上简要介绍了一些代表性的模型压缩技术,包括网络剪枝、知识蒸馏、模型量化,以及神经结构搜索,并展望模型压缩技术在未来的发展前景.
人工智能技术的快速发展引领了第四科学研究范式—“智能科学”的发展。在该人工智能驱动科学研究的新范式下,计算机能够利用海量数据,通过机器学习、深度学习等算法,达到自主学习和推理的类人智能水平（如ChatGPT、AlphaFold等人工智能技术）,为科学研究中数据、模型和实验等多个方面提供了显著助益。在新范式下,诞生了一大批新的科学模型,取代了传统的经典科学模型表示方法,通过构建基于数据-知识耦合驱动的人工智能分析机制,形成了一系列深度学习增强的复合式科学模型,有望带来更多的科学突破和创新。结合“智能科学”科学研究新范式,科学研究中实验数据、计算模型和科学实验等方面的效率能够大幅提升,科学家能够高效完成研究命题设想、研究方案设计和实验仿真验证,以获得科学结论并推动科学发展。
近年来,深度学习模型在计算机视觉、自然语言处理等领域的表现取得了长足的发展和巨大的进步,但与之俱来的是复杂的网络结构和庞大的参数数量,其高昂的运算和存储成本限制了深度学习在实际应用中的部署.虽然模型轻量化方法有效地减少了模型的体积与运算,但仍面临新的挑战.本文总结了目前主流的五种深度学习模型轻量化方法,深度分析模型轻量化方法在学术界与工业界目前面临的挑战.最后,本文在前沿研究成果的基础上对未来的工作加以展望.
深度学习框架及AI芯片作为人工智能的基础设施,促进着人工智能的高速发展,为各行业在人工智能产业落地上发挥着至关重要的作用.在AI芯片多样化、深度学习框架多样化的人工智能生态下,如何发挥AI芯片高效计算性能变得极其重要.本文提出了MSAdapter,一款面向异构AI算力的深度学习代码高效转换工具.它以分层解耦的思路设计了前后端分离式整体架构,前端以PyTorch接口为标准,后端封装了MindSpore实现,在不改变用户框架使用习惯的情况下,解决了从PyTorch代码到MindSpore代码的转换,辅助用户获得深度学习框架最佳匹配的AI芯片算力.
