深度學(xué)習(xí)人工智能在無人駕駛上的應(yīng)用

1、深度學(xué)習(xí)人工智能在無人駕駛上的應(yīng)用摘 要 ? 鏨疃妊 ?習(xí)的概念及深度學(xué)習(xí)人工智能在環(huán)境感知技術(shù)上的應(yīng)用， 詳細(xì)闡述深度學(xué)習(xí)的工作原理以及其應(yīng)用前景。關(guān)鍵詞 人工智能 無人駕駛 環(huán)境感知技術(shù)深度學(xué)習(xí)中圖分類號： TP29 文獻(xiàn)標(biāo)識碼： A機(jī)器深度學(xué)習(xí)是近年來在人工智能領(lǐng)域的重大突破之一，它在語音識別、自然語言處理、計(jì)算機(jī)視覺等領(lǐng)域都取得了不少成功。由于車輛行駛環(huán)境復(fù)雜，當(dāng)前感知技術(shù)在檢測與識別度方面無法滿足無人駕駛發(fā)展需要， 深度學(xué)習(xí)被證明在復(fù)雜環(huán)境感知方面有巨大優(yōu)勢。視覺感知技術(shù)是無人駕駛的核心技術(shù)。無人駕駛一般包括四個等級或者五個等級， 不管哪個等級都會包含環(huán)境感知、規(guī)劃決策和執(zhí)行控制等三

2、個方面。其中環(huán)境感知方式主要有視覺感知、 毫米波雷達(dá)感知和激光雷達(dá)感知，其中的視覺感知是無人駕駛感知的最主要的方式。中國的路況較為復(fù)雜， 雨天、 霧霾天以及下雪天。 另外，像馬車、吊車以及摩托車，還有摩托車?yán)i、卡車?yán)瓨涞默F(xiàn)象在我們生活中經(jīng)常遇到，這些場景對視覺是一個難題，提高這種復(fù)雜路況下的感知精度是無人駕駛研究的挑戰(zhàn)。1 深度學(xué)習(xí)能夠滿足復(fù)雜路況下視覺感知的高精度需求深度學(xué)習(xí)被認(rèn)為是一種有效的解決方案， 深度學(xué)習(xí)是模擬人的大腦，是近10 年來人工智能取得一個較大的突破。深度學(xué)習(xí)在視覺感知中近幾年應(yīng)取得了較大的進(jìn)展， 相對于傳統(tǒng)的計(jì)算機(jī)視覺， 深度學(xué)習(xí)在視覺感知精度方面有比較大的優(yōu)勢。特別是

3、 2011 年以后，有報(bào)導(dǎo)指出深度學(xué)習(xí)如果算法和樣本量足夠的話，其準(zhǔn)確率可以達(dá)到99.9%以上，傳統(tǒng)的視覺算法檢測精度的極限在93%左右。而人的感知，也就是人能看到的準(zhǔn)確率一般為95%，所以從這個方面看，深度學(xué)習(xí)在視覺感知方面是有優(yōu)勢的。所謂深度學(xué)習(xí)，又名深度神經(jīng)網(wǎng)絡(luò)，相對于以前的神經(jīng)網(wǎng)絡(luò)來說是一種更多層和節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)算法， 從 這兒可以看出來，其實(shí)深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)，可以說是一種更智能的機(jī)器學(xué)習(xí)。 深度學(xué)習(xí)主要類型一般包括5 種類型，像 CNN RNN LSTM RBMf口 Autoencoder,其中我們主 要的是用的CNN CNM外一個名字叫卷積神經(jīng)網(wǎng)絡(luò)。卷積 神經(jīng)網(wǎng)絡(luò)已經(jīng)

4、被證明在圖像處理中有很好的效果。其中，自學(xué)特征是深度學(xué)習(xí)的最大優(yōu)勢。例如智能駕駛需要識別狗，在以前的算法中如果要識別狗，對狗的特征要用程序來詳細(xì)描述， 深度學(xué)習(xí)這個地方如果采集到足夠的樣本，然后放在深度學(xué)習(xí)中訓(xùn)練，訓(xùn)練出來后的系統(tǒng)就可以識別這個狗。傳統(tǒng)的計(jì)算機(jī)的視覺算法需要手工提取特征，很多時候需要專家的知識，算法的魯棒性設(shè)計(jì)非常困難，很難保證魯棒性，我們做視覺感知的時候就遇到很多困難。另外如果要保證這個穩(wěn)定需要大量的調(diào)試，非常耗時。深度學(xué)習(xí)一般包括四種類型的神經(jīng)網(wǎng)絡(luò)層，輸入層、卷積層、池化層、輸出層。網(wǎng)絡(luò)的結(jié)構(gòu)可以 10 層甚至上百層，一般層數(shù)越多檢測精度會更精準(zhǔn)。 并且隨著網(wǎng)絡(luò)層數(shù)和節(jié)點(diǎn)數(shù)

5、的增加，可以表達(dá)更細(xì)、更多的識別物的特征，這樣的話可以為檢測精度的提高打下基礎(chǔ)。其中卷積層和池化層是深度學(xué)習(xí)的核心處理層。 卷積層主要是用于負(fù)責(zé)物體特征的提?。怀鼗瘜又饕秦?fù)責(zé)采樣。比如簡單理解池化層， （就是一個數(shù)獨(dú)里面取一個最大值） ，這就是池化層。卷積層與池化層是深度學(xué)習(xí)兩個核心的層。深度學(xué)習(xí)工作的原理，深度學(xué)習(xí)一般包括兩個方面，一個是訓(xùn)練，一個是檢測，訓(xùn)練一般主要是離線進(jìn)行，就是把采集到的樣本輸入到訓(xùn)練的網(wǎng)絡(luò)中。訓(xùn)練網(wǎng)絡(luò)進(jìn)行前向輸出，然后利用標(biāo)定信息進(jìn)行反饋，最后訓(xùn)練出模型，這個模型導(dǎo)入到檢測的網(wǎng)絡(luò)中， 檢測網(wǎng)絡(luò)就可以對輸入的視頻和圖像進(jìn)行檢測和識別。通常情況下，樣本的數(shù)量越多，識別的

6、精度一般也會越高， 所以這個樣本的數(shù)量是影響深度學(xué)習(xí)精度重要的一個因素。2 深度學(xué)習(xí)在無人駕駛感知上應(yīng)用前景廣闊一般的環(huán)境感知方面用到的深度學(xué)習(xí)會多一些， 主要是視覺與毫米波雷達(dá)方面。在駕駛策略里面也會用到機(jī)器學(xué)習(xí)，但是我們一般叫做增強(qiáng)學(xué)習(xí)，用于駕駛策略的研究。在環(huán)境感知方面，深度學(xué)習(xí)可以在視覺感知、激光雷達(dá)感知，還有駕駛員狀態(tài)監(jiān)測等方面， 甚至在攝像頭和毫米波雷達(dá)融合方面都具有優(yōu)勢。在環(huán)境感知方面， 我們在這方面做的重要工作就是前向視覺感知應(yīng)用。 大家知道前向視覺感知是作為無人駕駛很重要的一部分，我們嘗試深度學(xué)習(xí)在這方面一些應(yīng)用。主要采用了單目攝像頭的方案，選用的模型是Faster R-CNN ，在GPUTITAN 平臺上運(yùn)行。 目標(biāo)檢測物主要包括車道線、 車輛、行人、交通標(biāo)識和自行車，目前車輛的樣本有3 萬左右，行人樣本大概2萬左右，其他的樣本較少，大概 1000-2000。從運(yùn)行效果來看，識別精度、識別類型較以前開發(fā)的一些傳統(tǒng)的視覺算法，我們覺得有比較大的改善。3 結(jié)論深度學(xué)習(xí)人工智能給車主提供了更人性化、 更智能化的功能，將給車主行車帶來極大的便利。但人工智能技術(shù)帶來的挑戰(zhàn)也不可小覷。 需要汽車行業(yè)的及互聯(lián)網(wǎng)行業(yè)的人才一起努力，創(chuàng)建和諧的互聯(lián)網(wǎng)環(huán)境。參考文