深度學(xué)習(xí)人工智能在無(wú)人駕駛上的應(yīng)用

1、深度學(xué)習(xí)人工智能在無(wú)人駕駛上的應(yīng)用 摘 要？鏨瞳妊？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(wú)人駕駛 環(huán)境感知技術(shù) 深度 學(xué)習(xí)中圖分類(lèi)號(hào)： TP29 文獻(xiàn)標(biāo)識(shí)碼： A 機(jī)器深度學(xué)習(xí)是近年來(lái)在人工智能領(lǐng)域的重大突 破之一，它在語(yǔ)音識(shí)別、自然語(yǔ)言處理、電腦視覺(jué)等 領(lǐng)域都取得了不少成功。由于車(chē)輛行駛環(huán)境復(fù)雜，當(dāng) 前感知技術(shù)在檢測(cè)與識(shí)別度方面無(wú)法滿(mǎn)足無(wú)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(shì)。視覺(jué)感知技術(shù)是無(wú)人駕駛的核心技術(shù)。 無(wú)人駕駛一般包括四個(gè)等級(jí)或者五個(gè)等級(jí)，不管 哪個(gè)等級(jí)都會(huì)包含環(huán)境感知、規(guī)劃決策和執(zhí)

2、行控制等 三個(gè)方面。其中環(huán)境感知方式主要有視覺(jué)感知、毫米 波雷達(dá)感知和激光雷達(dá)感知，其中的視覺(jué)感知是無(wú)人 駕駛感知的最主要的方式。中國(guó)的路況較為復(fù)雜， 雨天、霧霾天以及下雪天。另外，像馬車(chē)、吊車(chē)以及摩托車(chē)，還有摩托車(chē)?yán)i、卡車(chē)?yán)瓨?shù)的現(xiàn)象在我們生活中經(jīng)常遇到，這些場(chǎng)景對(duì) 視覺(jué)是一個(gè)難題，提高這種復(fù)雜路況下的感知精度是 無(wú)人駕駛研究的挑戰(zhàn)。1 深度學(xué)習(xí)能夠滿(mǎn)足復(fù)雜路況下視覺(jué)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(lái)人工智能取得一個(gè)較 大的突破。深度學(xué)習(xí)在視覺(jué)感知中近幾年應(yīng)取得了較 大的進(jìn)展，相對(duì)于傳統(tǒng)的電腦視覺(jué)，深度學(xué)習(xí)在視覺(jué) 感知精度方面有比

3、擬大的優(yōu)勢(shì)。特別是 2022 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(huà)， 其準(zhǔn)確率可以到達(dá) 99.9%以上， 傳統(tǒng)的視覺(jué)算法檢測(cè)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(gè)方面看，深度學(xué)習(xí)在視覺(jué)感知方面是有優(yōu)勢(shì)的。所謂深度學(xué)習(xí)，又名深度神經(jīng)網(wǎng)絡(luò)，相對(duì)于以前 的神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)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(lái)，其實(shí)深度學(xué)習(xí)是一種 機(jī)器學(xué)習(xí)，可以說(shuō)是一種更智能的機(jī)器學(xué)習(xí)。深度學(xué) 習(xí)主要類(lèi)型一般包括 5種類(lèi)型，像 CNN、RNN、LSTM 、 RBM和Autoencoder,其中我們主要的是用的 CNN ,CNN 另外

4、一個(gè)名字叫卷積神經(jīng)網(wǎng)絡(luò)。 卷積神經(jīng)網(wǎng)絡(luò)已 經(jīng)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(shì)。例如智 能駕駛需要識(shí)別狗，在以前的算法中如果要識(shí)別狗， 對(duì)狗的特征要用程序來(lái)詳細(xì)描述，深度學(xué)習(xí)這個(gè)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(lái)后的系統(tǒng)就可以識(shí)別這個(gè)狗。傳統(tǒng)的電腦的 視覺(jué)算法需要手工提取特征，很多時(shí)候需要專(zhuān)家的知 識(shí)，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(jué)感知的時(shí)候就遇到很多困難。另外如果要 保證這個(gè)穩(wěn)定需要大量的調(diào)試，非常耗時(shí)。深度學(xué)習(xí)一般包括四種類(lèi)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

5、，一般層數(shù)越多檢測(cè)精度會(huì)更精準(zhǔn)。并 且隨著網(wǎng)絡(luò)層數(shù)和節(jié)點(diǎn)數(shù)的增加，可以表達(dá)更細(xì)、更 多的識(shí)別物的特征，這樣的話(huà)可以為檢測(cè)精度的提高 打下根底。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??；池化層主要 是負(fù)責(zé)采樣。 比方簡(jiǎn)單理解池化層，就是一個(gè)數(shù)獨(dú)里 面取一個(gè)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(gè)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(gè)方 面，一個(gè)是訓(xùn)練，一個(gè)是檢測(cè)，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)行反應(yīng)， 最后訓(xùn)練出模型，這個(gè)模型導(dǎo)入到檢測(cè)的網(wǎng)絡(luò)中，檢 測(cè)網(wǎng)絡(luò)就

6、可以對(duì)輸入的視頻和圖像進(jìn)行檢測(cè)和識(shí)別。 通常情況下，樣本的數(shù)量越多，識(shí)別的精度一般也會(huì) 越高，所以這個(gè)樣本的數(shù)量是影響深度學(xué)習(xí)精度重要 的一個(gè)因素。2 深度學(xué)習(xí)在無(wú)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(huì)多一些， 主要是視覺(jué)與毫米波雷達(dá)方面。在駕駛策略里面也會(huì) 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(jué)感知、激光雷達(dá)感知， 還有駕駛員狀態(tài)監(jiān)測(cè)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(shì)。在環(huán)境感知方面，我們?cè)谶@方面做的重要工作就 是前向視覺(jué)感知應(yīng)用。大家知道前向視覺(jué)感知是作為 無(wú)人駕駛很重要的一局部，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GPU TITAN 平臺(tái)上運(yùn)行。 目標(biāo)檢測(cè)物主要包括車(chē)道線、車(chē)輛、行人、交通標(biāo)識(shí) 和自行車(chē)，目前車(chē)輛的樣本有 3 萬(wàn)左右，行人樣本大 概2萬(wàn)左右，其他的樣本較少，大概10002000。從 運(yùn)行效果來(lái)看，識(shí)別精度、識(shí)別類(lèi)型較以前開(kāi)發(fā)的一 些傳統(tǒng)的視覺(jué)算法，我們覺(jué)得有比擬大的改善。3 結(jié)論 深度學(xué)習(xí)人工智能給車(chē)主提供了更人性化、更智 能化的功能，將給車(chē)主行車(chē)帶來(lái)極大的便利。但人工 智能技術(shù)帶來(lái)的挑戰(zhàn)也不可小覷。需要汽車(chē)行業(yè)的及 互聯(lián)網(wǎng)行業(yè)的人才一起