به گزارش ایسنا و به نقل از انگجت، فرآیند آموزش هوش مصنوعی خودروهای خودران بسیار دشوار است، چرا که به استفاده از مقدار زیادی از توان محاسباتی برای آموزش سیستم‌ها به صورت موازی نیاز است و سالها طول می‌کشد تا محققان سیستم‌های ناکارآمد را به صورت دستی از دور خارج کنند.
اکنون به نظر می‌رسد "وایمو" روش بهتر و دقیق‌تری یافته است. این شرکت با شرکت "دیپ‌مایند"(DeepMind) روی روش آموزش مبتنی بر جمعیت برای تشخیص عابر پیاده همکاری کرده است که بهترین شبکه‌های عصبی را داراست و بهترین عملکرد را در انتخاب دارد و موجب صرفه جویی در وقت و هزینه می‌شود.
این رویکرد به طور منظم شبکه‌های عصبی را در برابر یکدیگر به رقابت وامی‌دارد و نمونه‌های ضعیف‌تر با نسل‌های قوی‌تر جایگزین می‌شوند که نسخه‌هایی با عملکرد بهتر با پارامترهای کمی تنظیم شده هستند.
این کار به طور خودکار شبکه‌های فقیر از نظر اطلاعات و عملکرد را کنار می‌زند و باعث صرفه‌جویی در زمان و هزینه "وایمو" می‌شود، چرا که دیگر نیازی به بازنویسی شبکه از ابتدا ندارد.
البته یک خطر وجود دارد و آن اینکه این روش بیش از حد بر بهبود کوتاه مدت تمرکز دارد. "وایمو" برای مقابله با این موضوع، فضاهایی ایجاد کرده که در آن شبکه‌های عصبی یکدیگر را در زیرگروه‌ها برای به دست آوردن نتایج قوی در عین حفظ تنوع به چالش می‌کشند که می‌تواند شرایط مناسب‌تری برای رانندگی در دنیای واقعی فراهم کند.
نتایج شناسایی عابر پیاده(PBT) در این روش امیدوار کننده بود. رویکرد PBT نتایج کاذب را نسبت به قبل در نصف مدت 24 درصد کاهش داد. این آزمایش به قدری خوب پیش رفت که "وایمو" حتی از PBT در مدل‌های دیگر نیز استفاده کرد.
این به نوبه خود، خودروهای خودرانی را وعده می‌دهد که می‌توانند به راحتی با پیچیدگی‌های رانندگی و جلوگیری از برخورد مقابله کنند.
