MM publicó el nombre chino del modelo de generación de conducción autónoma DriveGPT "Xuehu Hairuo".
DriveGPT, un gran modelo de conducción autónoma, estableció la tecnología RLHF (Human Feedback Reinforcement Learning) al introducir datos de conducción para optimizar continuamente el modelo de toma de decisiones cognitivas de la conducción autónoma. Actualmente, se utiliza principalmente para resolver el problema de la toma de decisiones cognitivas de la conducción autónoma. El objetivo final es lograr una conducción autónoma de un extremo a otro.
MM DriveGPT Snow Fox Hairuo ha lanzado una cooperación abierta con un número limitado de socios ecológicos, incluida la Escuela de Computación y Tecnología de la Información de la Universidad Jiaotong de Beijing, Qualcomm, Volcano Engine, Huawei Cloud, JD.COM Technology, Se han sumado NavInfo, universidades y empresas como Weipai New Energy e Intel.
En términos de productos, el primer NOH urbano reutilizable y producido en masa del país se lanzará en el primer lote de ciudades como Beijing, Baoding, Shanghai y otras ciudades para comenzar la promoción y las pruebas. Para 2024, se lanzará en 100 ciudades de manera ordenada. El primer nuevo Mocha DHT-PHEV equipado con HPilot3.0 está a punto de ser lanzado. Este es también el primer modelo comercial de MM DriveGPT Xuehu Hairuo, lo que garantiza plenamente la posición líder en la industria de MM City NOH.
A nivel ecológico, la cooperación abierta de vehículos de pasajeros 6P de MM ha logrado avances importantes. Se han firmado contratos de punto fijo con tres fabricantes de equipos originales y se están ejecutando proyectos relacionados. Este es un salto importante en la comercialización de mijo en polvo, que garantiza plenamente la rápida tendencia de desarrollo del mijo en polvo.
El presidente de Millimeter Star, Zhang Kai, juzgó: "En 2023, los productos de conducción inteligente entrarán en un período de explosión en todos los ámbitos, se aplicarán modelos a gran escala en el lado del automóvil y la frecuencia de uso y la satisfacción de los propietarios de automóviles se convertirán en criterios de medición importantes de la competitividad del producto. Las seis capacidades de circuito cerrado impulsadas por la mejora continua de los datos acelerarán aún más el ritmo de entrada del milímetro en la era de la conducción autónoma 3.0 y formarán un foso correspondiente "
Zhang Kai cree que los productos de conducción inteligente se están desarrollando. Al entrar en un período de rápido crecimiento integral, 2023 es un año muy crítico. En primer lugar, los productos de conducción asistida por navegación urbana se producirán principalmente en masa en 2023, y los productos de conducción asistida por navegación urbana de los principales actores entrarán en la competencia por la cobertura de usuarios reales y el aterrizaje en varias ciudades. En segundo lugar, la integración de la navegación y el estacionamiento y la comercialización de la industria de distribución automática de logística de terminales se convertirán en el foco de las empresas de conducción autónoma. En el campo de los turismos, los productos de conducción inteligente equipados con funciones integradas de estacionamiento y estacionamiento marcarán el comienzo de una ola de producción en masa preinstaladas en el campo de la distribución logística terminal automática, los vehículos de distribución automática logística terminal se han disparado en los supermercados y la entrega urgente; y otros escenarios se logrará un circuito cerrado de comercialización sostenible en estos escenarios en 2023.
Pronto se lanzará el primer nuevo Mocha DHT-PHEV equipado con HPilot3.0, y este año también se lanzará el segundo modelo equipado con HPilot3.0. HPilot ha sido equipado con casi 20 modelos. El kilometraje de conducción asistida del usuario superó los 40 millones de kilómetros y la tasa promedio de utilización del kilometraje diario de la conducción asistida HPilot2.0 alcanzó el 12,6%. En términos de diseño en el extranjero, los vehículos equipados con Hmong HPilot se enviaron a la Unión Europea, Israel y otras regiones y países, se entregaron sucesivamente a los usuarios y se lanzarán en Medio Oriente, Sudáfrica, Australia y otros mercados. Al mismo tiempo, Hmong HPilot se producirá en masa en México y Rusia.
En marzo, el Instituto de Investigación Automotriz Inteligente Gaogong llevó a cabo una evaluación exhaustiva cada año basada en los datos de la base de datos de producción en masa frontal y los talleres designados. A través de la investigación de datos sobre casi 20 millones de vehículos, Milli recibió el premio anual al liderazgo compartido en producción en masa de sistemas de conducción inteligente de alta gama. Los datos de terceros demuestran que Milly es el líder absoluto en conducción autónoma de producción nacional en masa.
Después de "La batalla cumbre del gran modelo MANA", la arquitectura MANA del primer sistema de inteligencia de datos de conducción autónoma de China ha recibido una actualización completa. En abril de 2023, MANA habrá aprendido más de 560.000 horas, lo que equivale a 68.000 años de un conductor humano. Millimeter DriveGPT Xuehu Hairuo ha completado un entrenamiento basado en 40 millones de kilómetros de datos de conducción, con una escala de parámetros de 654,38+02 mil millones.
La tercera es la "Batalla de NOH Cien Ciudades".
La primera ciudad NOH producida en masa y consciente de China ha comenzado a promocionarse y probarse en Beijing, Baoding, Shanghai y otras ciudades. La producción en masa se lanzará pronto y se implementará en 100 ciudades de manera ordenada para 2024. Al final, se adoptó el principio de "la seguridad primero, los usuarios primero, la escala primero" para acelerar la victoria de la Guerra de las Cien Ciudades de NOH.
Por último, está la “Guerra del Distribuidor Automático de Logística Terminal”. El vehículo de distribución automática de logística terminal "Little Magic Tuo" se ha puesto en funcionamiento en nueve escenarios principales, incluidos el cumplimiento de contratos de Shangchao, comunidades inteligentes, distribución en campus, venta minorista de catering, patrullas en aeropuertos, educación universitaria, entrega urgente, parques inteligentes e impacto ambiental atmosférico. evaluación, acelerando la comercialización Capacidades de circuito cerrado. En marzo de 2023, Xiaomotuo 2.0 obtuvo el código de vehículo del vehículo de reparto no tripulado Yizhuang de Beijing y comenzó a operar en Yizhuang. Millimeter también se ha convertido en la primera empresa en permitir que se prueben vehículos de reparto no tripulados en carreteras abiertas en la zona de demostración de conducción autónoma de alto nivel de Beijing después de la actualización de las "Especificaciones de prueba de entrega no tripulada de la zona piloto de la política de vehículos inteligentes conectados de Beijing".
“El liderazgo tecnológico es la base de la supervivencia, y se anima a todos los productores de I+D de tecnología a invertir en innovación tecnológica”. En su discurso, Zhang Kai enfatizó una vez más la firme determinación de Mimo de invertir en I+D de tecnología. Hasta ahora, Milly ha obtenido 164 certificados de patente y 6 artículos de conferencias académicas internacionales de primer nivel. Los dos últimos artículos fueron seleccionados en CVPR, una de las tres principales conferencias en el campo del reconocimiento de visión por computadora, y en IEEE TIV, la primera revista profesional del mundo sobre automóviles inteligentes. Millicent abrió todos los artículos en GitHub y los compartió con la industria.
En el lugar, Zhang Kai también anunció al mundo exterior el importante progreso de la cooperación abierta milimétrica 6P. Actualmente se han firmado contratos de punto fijo con tres principales fabricantes de motores y se están ejecutando proyectos relevantes. "Siempre he creído que la conducción autónoma es una industria de vanguardia que avanza y retrocede juntos y disfruta de resultados exclusivos. Sólo socios ecológicos saludables pueden apoyar el rápido desarrollo de mm", afirmó Zhang Kai.
Además, Milly siempre ha insistido en el desarrollo equilibrado del diseño de la experiencia del usuario basado en escenarios, la tecnología de inteligencia artificial y las capacidades de ingeniería técnica, y en la mejora continua de la experiencia del usuario en un circuito cerrado basado en datos. Zhang Kai dijo que en los últimos tres meses hemos logrado múltiples avances en los seis principales sistemas de circuito cerrado basados en datos.
En términos de bucle cerrado de demanda de los usuarios, continuamos analizando los datos de la escena de conducción y mejorando las estrategias, y brindamos comentarios sobre la experiencia de nuevas funciones en términos de bucle cerrado de eficiencia de I + D, aplicamos profundamente conceptos basados en datos; definición, percepción y cognición de la demanda del producto. La eficiencia general del desarrollo de algoritmos y otros procesos de desarrollo de productos se ha incrementado en un 30% en términos de acumulación de datos de circuito cerrado y las etiquetas de escenarios de datos del servicio de diagnóstico se implementan en el extremo del vehículo. 92% de los escenarios de conducción.
En términos del ciclo cerrado del valor de los datos, los modelos grandes continúan extrayendo valor de los datos y resolviendo problemas clave en el ciclo cerrado de la mejora personal del producto, y la velocidad de manejo de los problemas posventa es diez veces más rápida que la del ciclo cerrado. métodos tradicionales y se pueden procesar tan rápido como 10 Localice problemas posventa en minutos. En dos años, se han explorado eficazmente los puntos de promoción de productos y la tasa de resolución de problemas ha alcanzado el 76%. En términos de ingeniería comercial de circuito cerrado, hemos mejorado aún más el proceso de desarrollo de productos de circuito cerrado desde la recolección y el reciclaje, la capacitación en etiquetas y la capacitación. Calibración del sistema, verificación de la simulación hasta el lanzamiento final de OTA.
MM DriveGPT Xuehu Hairuo ha establecido la tecnología RLHF (Aprendizaje por refuerzo de retroalimentación humana) mediante la introducción de datos de conducción para optimizar continuamente el modelo de toma de decisiones cognitivas de la conducción autónoma. Su objetivo final es lograr la conducción autónoma de extremo a extremo. Actualmente se utiliza principalmente para resolver problemas de toma de decisiones cognitivas en la conducción autónoma. En el futuro, seguirá integrando las capacidades de muchos modelos grandes en DriveGPT. Actualmente, Millimeter DriveGPT Xuehu Hairuo ha mejorado la arquitectura de su modelo y la escala de parámetros, alcanzando la escala de parámetros 654,38+02 mil millones. La fase de preentrenamiento introduce 40 millones de kilómetros de datos de conducción de vehículos de producción, y la fase RLHF introduce 50.000 escenas difíciles seleccionadas manualmente para hacerse cargo de la edición.
El modelo subyacente de DriveGPT Hairuoxuehu utiliza el modelo GPT (Transformador generativo preentrenado), que es diferente del uso de entrada y salida de lenguaje natural de ChatGPT. La entrada de DriveGPT es una secuencia de texto después de la fusión de percepción, y la salida es una secuencia de texto de una escena de conducción autónoma, que simboliza la escena de conducción autónoma para formar un "lenguaje de conducción" y, en última instancia, completa tareas como el ajuste de la toma de decisiones del vehículo. predicción de obstáculos y salida de la cadena lógica de toma de decisiones.
El proceso de implementación de DriveGPT Xuehu Hairuo es: primero, en la etapa previa al entrenamiento, se introducen datos de conducción de producción en masa para entrenar el modelo inicial, luego se introducen datos de fragmentos de adquisición de conducción para entrenar el modelo de retroalimentación. y luego el modelo de retroalimentación se utiliza continuamente mediante el aprendizaje por refuerzo. Optimice e itere el modelo inicial para formar una optimización continua del modelo de toma de decisiones cognitivas de conducción autónoma. Al mismo tiempo, DriveGPT aprende de Hu Hairuo a entrenar el modelo basándose en indicaciones de entrada y muestras de toma de decisiones de la biblioteca de escenas de conducción autónoma CSS, lo que permite que el modelo aprenda relaciones de inferencia, dividiendo así la estrategia de conducción completa en un proceso de reconocimiento dinámico. de escenarios de conducción autónoma. Completar la generación de cadenas lógicas de razonamiento comprensibles y explicables.
En la escena, Milly anunció que el primer modelo de DriveGPT Xuehu Hairuo es el nuevo Mocha DHT-PHEV que está a punto de ser producido en masa. Gu mencionó que DriveGPT Snow Lake se puede aplicar gradualmente a NOH urbano, recomendaciones rápidas, combates inteligentes y escenas de alivio. Con la bendición de DriveGPT Xuehu Hairuo, la conducción del vehículo será más segura, los movimientos serán más humanos y suaves, y habrá una lógica razonable para decirle al conductor por qué el vehículo eligió tal acción de toma de decisiones. Para los usuarios comunes, los vehículos se parecerán cada vez más a los conductores experimentados. Los usuarios tendrán un mayor sentido de confianza en los productos inteligentes y comprenderán que el comportamiento del vehículo se puede predecir y comprender.
DriveGPT Xuehu Hairuo trabajará con socios ecológicos para tomar la iniciativa en la exploración de cuatro capacidades de aplicaciones principales, incluida la conducción inteligente, el reconocimiento de escenas de conducción, la verificación del comportamiento de conducción y la salida de escenarios difíciles. En la actualidad, en el proceso de uso de datos, Milly ha establecido gradualmente una solución de reconocimiento de escenas de conducción basada en 4Clips, que es muy rentable. En la industria, para obtener resultados de anotación correctos, una imagen cuesta alrededor de 5 yuanes; si utiliza el servicio de reconocimiento de escenas de DriveGPT Xuehu Hairuo, el precio de una imagen se reducirá a 0,5 yuanes. El costo total de anotación de una imagen de un solo cuadro solo equivale a 1/10 del costo de la industria. A continuación, Millimeter abrirá gradualmente a la industria servicios de reconocimiento de escenas de edición 4D y cuadros de imágenes, lo que reducirá en gran medida el costo del uso de datos por parte de la industria y mejorará la calidad de los datos, acelerando así el rápido desarrollo de la tecnología de conducción autónoma.
Gu presentó que MANA OASIS, el centro de computación inteligente más grande en la industria de conducción autónoma de China, lanzado en junio de 2023 + octubre de 2023, ha actualizado tres capacidades principales en términos de optimización de la potencia de computación, respaldando aún más la computación de DriveGPT Snow Fox. fuerza. En primer lugar, Milly y Volcano Engine han establecido recientemente un "conjunto completo de marco de soporte de entrenamiento de modelos a gran escala" para lograr capacidades de captura y recuperación a nivel de minutos para tareas anormales, lo que puede garantizar el entrenamiento continuo de tareas de kilocalorías durante varios meses sin ninguna interrupción anormal, asegurando efectivamente que los modelos a gran escala La estabilidad del entrenamiento en segundo lugar, se desarrolló una tecnología de aprendizaje incremental con retroalimentación de datos reales como núcleo y se extendió al entrenamiento de modelos a gran escala, y se construyó un sistema de aprendizaje continuo de modelos a gran escala; . El programador flexible a nivel de tareas de desarrollo propio puede programar recursos en minutos y la tasa de utilización de los recursos informáticos del clúster alcanza el 95%. Finalmente, MANA OASIS puede reducir costos y aumentar la eficiencia al aumentar el rendimiento de datos para cumplir con la eficiencia de entrenamiento del modelo grande de Transformers. Al introducir la biblioteca de operadores Lego proporcionada por Volcano Engine, se logra la fusión de operadores y el rendimiento de un extremo a otro aumenta en un 84%.
Después de más de un año de iteración de la aplicación, MANA, el primer sistema de inteligencia de datos de conducción autónoma de China, ha sido completamente actualizado y abierto oficialmente para su habilitación. Gu Haowei presentó que los servicios básicos de computación de MANA se han optimizado especialmente para el entrenamiento de modelos a gran escala en términos de escala de parámetros, estabilidad, eficiencia, etc., y en segundo lugar se han integrado en OASIS, las capacidades de modelos grandes relacionadas con la percepción y la cognición de MANA; en DriveGPT Snow Foxes están en el mar, en tercer lugar, se agregan servicios de síntesis de datos utilizando tecnología NeRF para reducir el costo de obtener datos de casos de esquina, y al mismo tiempo se optimizan las herramientas de implementación heterogénea y la adaptabilidad del vehículo para la entrega rápida de múltiples chips; y multimodelos.
Además, las capacidades de percepción visual de MANA continúan mejorando. Por un lado, puede aprender la estructura espacial tridimensional y la textura de la imagen al mismo tiempo, y la precisión de alcance de la visión pura supera la del radar ultrasónico. La solución BEV también tiene mayor versatilidad y adaptabilidad. Por otro lado, se puede lograr una reconstrucción tridimensional NeRF puramente visual de una sola pasada y de varias pasadas, y la escena de la carretera es más realista y casi no hay diferencias visibles a simple vista. Después de la reconstrucción de la escena a través de NeRF, se pueden editar y sintetizar casos de esquina que son difíciles de recopilar en el entorno real.
Sobre la base de modificar la perspectiva global original y agregar efectos de iluminación/clima, se agrega la capacidad de síntesis de objetos dinámicos virtuales, que puede sintetizar varias situaciones difíciles en las trayectorias de movimiento establecidas originales, simular entornos de tráfico urbano complejos y lograr pruebas de bajo costo. Los costos mejoran los límites de las capacidades urbanas de NOH y hacen frente mejor a los complejos entornos de tráfico urbano.
Cabe mencionar que, frente a una de las tareas visuales más difíciles de la industria: la medición visual monocular, después de Tesla, Millicent también fue la primera en China en verificar si se puede utilizar una lente ojo de pez. para reemplazar el ultrasonido. El radar realiza mediciones para cumplir con los requisitos de estacionamiento. MM introdujo el marco de percepción visual BEV en la cámara ojo de pez del lado del automóvil, logrando una precisión de medición de 30 cm dentro de un rango de 15 m y una precisión visual superior a 10 cm dentro de 2 m. El uso de un alcance visual puro en lugar de un radar ultrasónico en escenarios de estacionamiento reducirá aún más el costo general de la conducción inteligente.
¡Se lanza el Súper Sistema de Revisión Bitauto! ¡Se reúne contenido de revisión de automóviles profesional, incondicional y completo, y la lista anual de modelos de automóviles se publica recientemente! Busque "súper reseña" en la aplicación Bitauto, ¡esperando que le eche un vistazo!