量子位
·
啊？苹果自动驾驶新研究SOTA了，造车不是停了吗
💡
原文中文，约3100字，阅读约需8分钟。
📝
内容提要
苹果在自动驾驶领域取得新进展，利用自博弈技术生成16亿公里的模拟数据，训练算法无需真实数据，成本低且速度快。通过GIGAFLOW模拟器，苹果实现了SOTA性能，展现了其自动驾驶技术的潜力与鲁棒性。
🎯
关键要点
- 苹果在自动驾驶领域利用自博弈技术生成16亿公里的模拟数据，训练算法无需真实数据。
- 通过GIGAFLOW模拟器，苹果实现了SOTA性能，展现了其自动驾驶技术的潜力与鲁棒性。
- 自博弈是一种强化学习策略，苹果将其引入自动驾驶，设计了极简的奖励函数。
- 苹果的模拟训练速度快，成本低，每百万公里的费用不到5美元。
- 苹果在多个开放数据集上进行零样本独立测试，均获得了SOTA表现，证明了工作的泛化性和鲁棒性。
- GIGAFLOW模拟器生成了海量的GIGAFLOW World，采用简单的奖励函数促进算法进化。
- GIGAFLOW同时生成多个模拟环境，智能体在自博弈中学习驾驶策略。
- 苹果指出当前工作在感知处理和复杂场景中的灵活性上存在不足。
- 该研究团队由多位领域专家组成，包含苹果造车项目的成员。
- 苹果在自动驾驶领域的进展可能暗示其未来的技术路径。
❓
延伸问答
苹果在自动驾驶领域的新研究有什么突破？
苹果利用自博弈技术生成16亿公里的模拟数据，训练算法无需真实数据，取得了SOTA性能。
自博弈技术在苹果的自动驾驶研究中如何应用？
自博弈技术通过让智能体与自身的副本博弈，促进算法进化，设计了极简的奖励函数。
GIGAFLOW模拟器的主要功能是什么？
GIGAFLOW模拟器生成海量的模拟环境，支持多个智能体在自博弈中学习驾驶策略，且无需复杂的场景脚本。
苹果的自动驾驶研究在成本和速度上有什么优势？
苹果的模拟训练速度快，每百万公里的费用不到5美元，训练效率比真实数据快36万倍。
苹果的自动驾驶技术在测试中表现如何？
苹果在多个开放数据集上进行零样本独立测试，均获得了SOTA表现，证明了其泛化性和鲁棒性。
苹果在自动驾驶领域的研究存在哪些不足？
当前工作在感知处理和复杂场景中的灵活性上存在不足，奖励函数也较为简单。
➡️
