자율주행 자동차 기술은 교통 효율, 안전, 도시 환경 개선 측면에서 엄청난 이득을 약속한다. 하지만, 최근 몇 년간 큰 발전에도 불구하고, 대량 채택은 없었다. 확립된 통신 프로토콜과 인프라 표준이 없기 때문에 상당한 장벽이 남아 있다. 자동차 산업의 선두에 있는 국가들조차 국가적인 틀이 부족하다. 책임제도는 정의되지 않고, 안전과 보안에 대한 우려가 널리 퍼져 있다. 정부, 제조업체 및 기타 자율주행 이해관계자는 기술적 약속과 법률 및 규제 불확실성의 혼합을 통한 경로가 필요하다. 유망한 방법은 자율주행 이해관계자들이 유사한 문제를 해결하기 위해 민간 항공이 사용해왔던 사고방식과 접근방식을 채택하는 것이다. 이미 대부분의 상업용 항공기는 비행의 거의 모든 단계에서 상당한 자율성을 가지고 운항하고 있다...
자율주행 자동차 개발에서 레이더와 LIDAR 센서의 역할에 대해서는 이제 많이들 알 것이다. 이번 글에서는 세 번째 디스플레이 기술을 살펴보도록 하겠다. 카메라 이미지에서 물체나 패턴을 인식할 수 있는 능력을 제공하는 것은 딥러닝이라는 인공지능의 형태를 포함한다. 딥러닝의 기본 개념은 신경망을 이용해 수백, 수천 개의 예에서 정답을 검토한 뒤 그 경험을 활용해 새로운 상황에서 유사한 문제를 해결하는 알고리즘을 만드는 것이다. 마찬가지로 딥러ㅣㅇ을 통해 정지 기호의 이미지를 본질적인 부분, 즉 기호의 형태, 색상, 그리고 제시된 정보를 올바르게 해석할 수 있도록 "정지"라는 단어로 분해하는 또 다른 알고리즘을 개발할 수 있다. 두 경우 모두 훈련 중에 특징과 행동 사이의 매핑이 설정된다. 레벨 4 또는 5..
자율주행 자동차를 교통관리자로 전환한다면. UC버클리 연구진은 자율형, 준자율형, 유인형 차량이 보다 효율적으로 도로를 공유할 수 있도록 머신러닝을 활용해 교통을 관리하는 도구를 개발하고 있다. Flow라고 불리는 이 도구의 첫 번째 리뉴얼은 샌프란시스코-오클랜드 베이 브리지의 병목 현상을 완화하는 것을 포함한 실제 교통 문제를 해결하기 위해 고안되었다. 많은 트래픽 연구자들은 제어장치를 설계하기 위해 수동으로 파생된 알고리즘에 기반한 모델을 사용하지만, 기계 학습에 기반한 제어장치는 보다 구체적이고 경우에 따라서는 인간 계산에 미치지 못하는 새로운 트래픽 관리 솔루션과 같은 예측 불가능한 이익을 제공할 것으로 생각된다. UC버클리 교통연구소의 알렉산드르 바이엔 소장은 "플로우는 인공지능의 도움 없이 생..