12月11日，ADAS、L4级自动驾驶和机器人自动化人工智能软件公司Helm.ai发布Factored Embodied AI，这是一个旨在打破目前阻碍自动驾驶行业发展的“数据壁垒”的全新架构框架。
图片来源： Helm.ai
当业界竞相构建庞大的黑盒式“端到端”模型，需要PB级数据才能从零开始学习驾驶物理特性时，Helm.ai展示了一种可扩展的替代方案。公司发布了一项基准演示，展示了其仅基于视觉的AI驾驶员在加州托伦斯复杂的街道上零样本成功驾驶——无需事先了解这些街道，即可在城市路口完成车道保持、车道变换和转弯等操作。
至关重要的是，这项自主转向能力是通过使用仿真和仅1000小时的真实驾驶数据训练人工智能实现的——这仅仅是传统端到端方法所需数据的一小部分。
“自动驾驶行业正面临收益递减的瓶颈。随着模型不断改进，用于提升模型的数据呈指数级增长，收集成本也越来越高，”Helm.ai的首席执行官兼创始人Vladislav Voroninski表示。“我们正在通过分解驾驶任务来打破这道‘数据壁垒’。我们的几何推理引擎并非试图从原始的、充满噪声的像素中学习物理规律，而是首先提取出清晰的三维世界结构。这使我们能够以前所未有的效率在仿真环境中训练车辆的决策逻辑，模拟人类青少年在几周内而非几年内学会驾驶的过程。”
全新架构通过几项关键技术进步突破了行业效率瓶颈：
弥合模拟器与现实世界的差距：与传统模型因视觉差异而难以将仿真训练应用于现实世界不同，Helm.ai的架构在“语义空间”中进行训练——这是一种简化的世界视图，侧重于几何和逻辑而非图形。通过模拟道路的结构而非仅仅是像素，该公司可以利用无限的仿真数据进行训练，并将训练结果立即应用于现实世界。
1000小时基准测试：利用几何仿真，Helm.ai的规划器仅使用1000小时的真实世界微调数据，就实现了稳健的零样本城市自主转向，为实现完全自动驾驶提供了一条高效的途径。
行为建模：为了应对加速、制动和复杂的交互，Helm.ai利用其世界模型功能来预测行人和其他车辆的意图，从而实现在拥挤的交通环境中安全导航。
通用感知：为了验证其感知层的稳健性，Helm.ai将其汽车软件部署到露天矿场。该系统以极高的数据效率，正确识别了可行驶路面和障碍物，证明该架构可以适应任何机器人环境，而不仅仅是道路。
这种架构为汽车制造商提供了一项至关重要的战略优势。竞争对手依赖庞大的现有车队来收集训练数据，而Helm.ai的方法使汽车制造商能够利用现有的开发车队，通过L4级自动驾驶能力部署ADAS，从而绕过了数据门槛过高的问题。
“我们正在从蛮力式数据收集时代迈向数据效率时代，”Voroninski补充道。“无论是在洛杉矶的高速公路上，还是在矿区的运输道路上，几何定律始终不变。我们的架构只需一次求解这种通用几何问题，即可让我们在任何地方部署自动驾驶技术。”
