自动驾驶知识学习的六大机遇
raybet雷竞技ios下载博世研究博客|作者:科里·汉森2021-07-06
合著者: Ruwan Wickramarachchi(南卡罗莱纳大学人工智能研究所)
使用注入知识的学习来整合知识图和机器学习可以改善自动驾驶。以下是这个令人兴奋的新研究领域前沿的六个重大机会。
将知识图谱的优势与机器学习相结合是推进自动驾驶技术的一种有前途的方法。我们想简要地讨论一下研究界现在开始调查的由知识注入的学习带来的六大机会。
1 .统一与整合
自动驾驶汽车产生的数据的数量和种类，特别是传感器数据，在过去几年里急剧增长，包括激光雷达、雷达和CAN总线信号(控制器区域网络)。为了将大量的异构、多模态数据转换为具有驾驶场景可操作知识的统一表示，我们必须首先解决数据/知识集成的基本问题。集成通常被认为是知识图的主要好处，其中组合数据集就像链接两个具有等效资源标识符(即IRIs)的图一样简单。知识图技术的进步可能是迈向统一表示和理解驾驶场景的一大步。
了解更多:知识图作为异构学习的默认数据模型知识
# 2:完成
知识图谱很少是完整的，因为它们总是在变化和进化。知识图完成是基于现有的关系数据在知识图中推断(或学习)新事实的行为。也称为链接预测，这个过程可以归结为预测图中实体之间的新链接。对于自动驾驶领域，这可能包括预测与场景相关的链接，例如位置，或预测场景中实体之间的链接，例如推断红绿灯导致车辆停止。
在过去的几年里，注入知识的学习(一般来说)和知识图嵌入(更具体地说)已经成为实现知识图完成的主要工具。通过这种方法，KG嵌入被用来训练一个机器学习模型预测新链接与高精度．由于其明显的重要性和实用性，链接预测已成为用于评估和基准测试新的KG嵌入算法的事实上的任务。
了解更多:知识图谱嵌入:方法与研究综述应用程序
#3:一致性、一致性和正确性
对于高度自动化的系统，如自动驾驶汽车，严重依赖数据进行关键决策，数据的正确性、一致性和一致性是至关重要的。知识图表和注入知识的学习可以在确保我们的数据值得信赖方面发挥关键作用。Tran等人最好地证明了使用知识图来确保数据的一致性、一致性和正确性知识．
“由于知识图通常是通过信息提取、众包或KG嵌入等容易出错的方法自动构建的，因此它们可能包含不正确、不一致或不连贯的事实。例如，这可能包括不正确地消除了歧义的实体或错误的nd-关系。探测它们是一项至关重要但极其昂贵的任务。突出的解决方案检测和解释KG中的不一致性，这些不一致性与描述KG领域的形式化、逻辑表示相关的本体有关。与机器学习方法相比，它们更可靠，更易于人类解释，但在大kg上的扩展性较差。”
了解更多:大规模知识中不一致性解释的快速计算图
# 4:效率
机器学习方法的有效性很大程度上取决于数据效率。具体来说，当数据稀疏和/或不平衡时，模型往往会出现表示不足的问题，从而导致泛化能力差和性能差。为了解决这个问题，自动驾驶领域中使用的机器学习模型试图使用随机、统计或基于启发式的方法生成额外的训练数据。在这个过程中使用知识图可以帮助用知识图中的已知事实来增强训练数据，从而得到质量更好的正示例和反示例。此外，机器学习经常受到不可见类的训练数据不可用的影响，这严重限制了它在驾驶时经常遇到的开放世界情况下的使用。例如，在道路上遇到倒下的树可能不是自动驾驶汽车在训练数据中观察到的。然而，访问知识图——尤其是像conceptnet这样的常识性知识图——可以帮助机器学习克服在开放世界驾驶环境中遇到的挑战，比如数据稀疏性和训练数据的差距。
了解更多:知识图:语义知识表示的新方向网络
# 5: Explainability
可解释性是人工智能应用程序的主要关注点之一，因为机器学习模型通常缺乏透明度，并且不提供对其行为的解释。尽管在不同的语境下，可解释性可能有不同的定义，弗雷迪·勒休将可解释性定义为“能够以人类可理解的方式提供解释的智能系统道路”。虽然传统的机器学习方法(如决策树)更擅长提供解释，但专注于神经网络的方法需要对特征重要性进行显式建模(例如注意机制，代理模型)来提供解释，即使在最好的情况下，这些方法也很弱。因此，像自动驾驶这样严重依赖机器学习的安全关键应用需要新的、新颖的框架来更好地解释它们的决策。当知识图与机器学习一起使用时，机器学习的组成部分——输入、输出和它们之间的关系(由神经模型学习)——可以映射到知识图中的已知工件上，允许人们(和语义推理者)推导出逻辑和可理解的解释。
了解更多:论知识图在可解释语言中的作用人工智能
#6:道德、价值观、责任和法律
要实现完全5级自动驾驶的愿景，不仅仅是安全地驾驶车辆从一个地方行驶到另一个地方。它还包括不断做出影响道路上其他人和车辆的决定，遵守交通法规，遵守社会规范和价值观，并成功地处理道德困境。关于法律、道德、价值观和社会规范的知识，是经过几个世纪的努力积累起来的，它们以象征性的形式呈现出来，人们每天都在遵循这些知识做决定。我们认为，完全从低水平的训练中学习这些微妙的价值观是无效的，而且容易出错。因此，我们认为这是一个独特的机会，可以将这些来之不易的知识与自动驾驶中使用的机器学习“融合”，以获得对道路上的可靠决策非常宝贵的见解。此外，这将通过允许人工智能模型根据当前的规则、法律和规范进行彻底的监管和调查，来提高问责制。
了解更多:关于让自动驾驶汽车适应交通的问题法律
你对这个话题有什么看法?
请随时通过领英分享或直接与我联系。
作者:科里·汉森
Cory是博世研究与技术中心的首席研究科学家，专注于应用知识表示和语义技术raybet雷竞技ios下载实现自动驾驶。他还担任Wright State University的兼职教授。在加入博世之前，他在华盛顿州立大学raybet雷竞技ios下载获得了计算机科学博士学位，在那里他曾在knoe.sis中心工作，应用语义技术来表示和管理Web上的传感器数据。
