Kanishka Tyagi

UHV Technologies, Fort Wayne, Indiana, USA

Tema de la conferencia:

Modelos de aprendizaje automático en conducción autónoma: de la teoría a la práctica

Resumen:

En el primer desafío DARPA del desierto de Mojave en 2004, el mejor automóvil autónomo solo pudo recorrer unas 7 millas. Sin embargo, en 2021, después de años de avances en la conducción autónoma, los vehículos de varias empresas cubrieron cientos de millas con una intervención menor. El aprendizaje automático (ML) en la conducción autónoma hace posible que un vehículo recopile datos sobre su entorno utilizando sensores, interprete los datos y luego decida qué acción tomar. Los avances recientes en ML permiten que los sistemas autónomos realicen varias tareas tan bien o incluso mejor que los humanos. Un subconjunto de ML llamado aprendizaje profundo es la fuerza impulsora de la mayoría de las tareas de conducción autónoma. Sin embargo, con el avance en sensores como Radar y Lidar, la tecnología de caja negra de aprendizaje profundo computacionalmente costosa está siendo desafiada y ha surgido la necesidad de desarrollar redes neuronales desde cero. Dado que la conducción autónoma es un área de investigación extremadamente dinámica, aún se están resolviendo los desafíos relacionados con las reglamentaciones, la aplicación de la ley y las normas ISO. Esta charla presentará el panorama de la conducción autónoma, incluido el marco, el modelado y los desafíos de entrenar e implementar un sistema ML en un vehículo autónomo. El marco incluirá la pila de sensores, hardware y software que se utilizan comúnmente en los vehículos autónomos. Se discutirá la forma en que estos sensores interactúan con el tráfico mixto, en el que están involucrados vehículos de diferente automatización, bicicletas, peatones. También se analizará una descripción general de los modelos comunes de aprendizaje profundo y las estrategias de aprendizaje junto con una inmersión profunda en los componentes básicos del aprendizaje profundo. La charla pasará por un estudio de caso para una tarea común de "impulsar la comprensión de la escena" utilizando sensores de visión. La charla también explicará los desafíos recientes al implementar modelos de LD y problemas con agencias gubernamentales/legales.

Biografía del Ponente:

El Dr. Kanishka Tyagi es un distinguido científico sénior de aprendizaje automático en el Centro de Ingeniería Avanzada de Aptiv en California. Completó su maestría y doctorado en la Universidad de Texas en Arlington en 2012 y 2017, respectivamente. Antes de unirse a Aptiv, el Dr. Tyagi adquirió una valiosa experiencia en Siemens Research, The MathWorks y Google Research. También se desempeñó como investigador visitante en la Universidad Ajou y la Universidad Nacional de Seúl. Los intereses de investigación del Dr. Tyagi son el aprendizaje automático por radar, las redes neuronales y el aprendizaje automático por hardware. Sus notables contribuciones han sido reconocidas con prestigiosos premios como el premio de beca de viajes en papel para estudiantes destacados de IEEE CIS de 2007 y 2011 y el premio de beca de investigación de verano de IEEE CIS de 2013. El Dr. Tyagi es un miembro sénior de IEEE y contribuye activamente al Comité académico industrial de IEEE-CIS y al Comité de estándares de IA explicable de IEEE. Actualmente, el Dr. Tyagi se desempeña como editor asociado de IEEE Transactions on Neural Network and Learning Systems (IEEE-TNNLS), IEEE Transactions on Artificial Intelligence (IEEE-TAI) y Neural Processing Letters (NEPL). El Dr. Tyagi ha publicado más de 50 artículos de investigación revisados por pares y ha presentado más de 15 patentes y secretos comerciales de EE. UU.