2025-12-01 | 울산=장지승 기자

只给AI一份“摘要笔记”…自动驾驶汽车学习时间缩短数十倍

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

一项可在压缩自动驾驶汽车或机器人“眼睛”作用的物体识别人工智能(AI)模型所需学习数据量的同时保持性能、从而最大化学习效率的技术问世。AI模型开发所需的时间和运算成本有望大幅降低。

蔚山科学技术院(UNIST)人工智能大学院沈在永教授团队12月1日表示,已开发出有效压缩三维点云(Point Cloud)数据、提高学习效率的“数据蒸馏(dataset distillation)”技术。

数据蒸馏是从大规模学习数据中仅提取要点、生成新的“摘要数据”的技术。三维点云数据被认为是难以应用该数据蒸馏技术的数据形态。三维点云数据是用点来表现物体的数据,但点的排列没有固定顺序,且物体多处于旋转状态。

这些特性在生成摘要数据的过程中成为致命障碍。数据蒸馏通过“比较”原始数据与摘要数据的特征来提高摘要数据的完成度,但由于上述数据特性,无法进行正确的比较(匹配)。结果会出现比较了错位部位,或将同一物体识别为不同物体,从而生成反映了错误信息的摘要数据。

研究团队开发出了解决这一问题的数据蒸馏技术。该技术应用了可自动对齐顺序各异的点数据语义结构的损失函数(SADM),以及让AI自行优化学习物体旋转角度的方向优化(learnable rotation)方法。

经确认,所开发的数据蒸馏技术即使将数据压缩至原始数据的几十分之一,仍能保持模型精度。特别是在特定数据集(ModelNet40)上,即使用缩减至原始规模二十五分之一的摘要数据进行学习,识别准确率也达到80.1%,与使用全部数据学习时的87.8%差距不大。这一结果表明,在高压缩率下仍可兼顾学习效率与性能。

沈在永教授表示:“该技术从根本上解决了因三维点数据的无序结构和旋转不确定性导致的现有技术匹配错误问题”,“有望为自动驾驶、无人机、机器人、数字孪生等需要利用大规模三维数据的领域大幅降低AI学习成本和时间做出贡献。”

此次研究成果已被人工智能三大权威国际学会之一的“神经信息处理系统大会(NeurIPS)2025”正式录用为论文。研究在韩国科学技术情报通信部、韩国研究财团和信息通信规划评价院的支持下完成。2025年神经信息处理系统大会将于12月2日至7日在美国圣迭戈举行。

阅读韩文原文