在机器学习上即是由人类对一定数量的影像数据判断

大型网络营销公司及宅配公司正在推动短期间交货、或指定时间交货等。利用塞车信息,即能协助确实的在约定时间内将货送到。因此目标不仅只是主要道路,更锁定在以车道为基准判断所有道路的塞车状况。在机器学习上即是由人类对一定数量的影像数据判断是塞车或非塞车,然后再将判断结果附加到影像数据内,并让计算机读取,如此反复的学习。

机器学习的应用领域极广泛

机器学习的应用领域极广泛。例如日本Pioneer公司正在研发自动判定高速公路塞车状况的系统。该公司现在提供利用车载摄影机拍摄道路状况,让驾驶者间可以相互共享影像的服务。将这些收集的影像让计算机学习,如让学习了什么是塞车状况的计算机读取拍摄道路的影像,即能自动的判定道路的塞车状况。如将该结果显示在汽车导航系统(Automotive Navigation System )的地图上,对驾驶者会有极大的帮助。

结合机器学习与规则库

TOYOTA汽车公司即是积极投入包含有机器学习的自动驾驶软件开发的公司之一。并于2016年1月设立人工智能研究的子公司Toyota Research Institute(TRI:量田研究所) 。开始进行学习上必要的行驶数据的收集。TRl公司的Gill Pratt 执行长(CEO) 并提出了「将结合传统的规则库及人工智能」的方针。机器学习的方法之一,是利用计算机模仿人类大脑的神经网络(Neural Network : NN) 。

让计算机累积”经验”让自动驾驶软件更聪明

收集各种状况的数据,让计算机累积”经验”让自动驾驶软件更聪明。长期以来控制汽车软件的开发,都是由人类决定规则(Rule) 并提供。针对各种事项人类设定正确的处理方式,诸如这种状况、这样控制等。但汽车会遇到各种状况,人类几乎不可能过滤、制定所有的规则。因此乃应用机器学习,以超过人类无法突破的境界。