深度學習人工智能在無人駕駛上的應用

1、深度學習人工智能在無人駕駛上的應用摘 要 ? 鏨疃妊 ?習的概念及深度學習人工智能在環(huán)境感知技術上的應用， 詳細闡述深度學習的工作原理以及其應用前景。關鍵詞 人工智能 無人駕駛 環(huán)境感知技術深度學習中圖分類號： TP29 文獻標識碼： A機器深度學習是近年來在人工智能領域的重大突破之一，它在語音識別、自然語言處理、計算機視覺等領域都取得了不少成功。由于車輛行駛環(huán)境復雜，當前感知技術在檢測與識別度方面無法滿足無人駕駛發(fā)展需要， 深度學習被證明在復雜環(huán)境感知方面有巨大優(yōu)勢。視覺感知技術是無人駕駛的核心技術。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、 毫米波雷達感知和激光雷達感知，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，還有摩托車拉豬、卡車拉樹的現(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，提高這種復雜路況下的感知精度是無人駕駛研究的挑戰(zhàn)。1 深度學習能夠滿足復雜路況下視覺感知的高精度需求深度學習被認為是一種有效的解決方案， 深度學習是模擬人的大腦，是近10 年來人工智能取得一個較大的突破。深度學習在視覺感知中近幾年應取得了較大的進展， 相對于傳統(tǒng)的計算機視覺， 深度學習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，有報導指出深度學習如果算法和樣本量足夠的話，其準確率可以達到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確率一般為95%，所以從這個方面看，深度學習在視覺感知方面是有優(yōu)勢的。所謂深度學習，又名深度神經(jīng)網(wǎng)絡，相對于以前的神經(jīng)網(wǎng)絡來說是一種更多層和節(jié)點的神經(jīng)網(wǎng)絡機器學習算法， 從 這兒可以看出來，其實深度學習是一種機器學習，可以說是一種更智能的機器學習。 深度學習主要類型一般包括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。卷積 神經(jīng)網(wǎng)絡已經(jīng)

4、被證明在圖像處理中有很好的效果。其中，自學特征是深度學習的最大優(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描述， 深度學習這個地方如果采集到足夠的樣本，然后放在深度學習中訓練，訓練出來后的系統(tǒng)就可以識別這個狗。傳統(tǒng)的計算機的視覺算法需要手工提取特征，很多時候需要專家的知識，算法的魯棒性設計非常困難，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。深度學習一般包括四種類型的神經(jīng)網(wǎng)絡層，輸入層、卷積層、池化層、輸出層。網(wǎng)絡的結(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。 并且隨著網(wǎng)絡層數(shù)和節(jié)點數(shù)

5、的增加，可以表達更細、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。其中卷積層和池化層是深度學習的核心處理層。 卷積層主要是用于負責物體特征的提??；池化層主要是負責采樣。比如簡單理解池化層， （就是一個數(shù)獨里面取一個最大值） ，這就是池化層。卷積層與池化層是深度學習兩個核心的層。深度學習工作的原理，深度學習一般包括兩個方面，一個是訓練，一個是檢測，訓練一般主要是離線進行，就是把采集到的樣本輸入到訓練的網(wǎng)絡中。訓練網(wǎng)絡進行前向輸出，然后利用標定信息進行反饋，最后訓練出模型，這個模型導入到檢測的網(wǎng)絡中， 檢測網(wǎng)絡就可以對輸入的視頻和圖像進行檢測和識別。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)量是影響深度學習精度重要的一個因素。2 深度學習在無人駕駛感知上應用前景廣闊一般的環(huán)境感知方面用到的深度學習會多一些， 主要是視覺與毫米波雷達方面。在駕駛策略里面也會用到機器學習，但是我們一般叫做增強學習，用于駕駛策略的研究。在環(huán)境感知方面，深度學習可以在視覺感知、激光雷達感知，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，我們嘗試深度學習在這方面一些應用。主要采用了單目攝像頭的方案，選用的模型是Faster R-CNN ，在GPUTITAN 平臺上運行。 目標檢測物主要包括車道線、 車輛、行人、交通標識和自行車，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)論深度學習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