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、電腦視覺等 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)

2、行控制等 三個方面。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)的電腦視覺，深度學(xué)習(xí)在視覺 感知精度方面有比

3、擬大的優(yōu)勢。特別是 2022 年以后，有報導(dǎo)指出深度學(xué)習(xí)如果算 法和樣本量足夠的話， 其準(zhǔn)確率可以到達(dá) 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 、 RBM和Autoencoder,其中我們主要的是用的 CNN ,CNN 另外

4、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)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)的電腦的 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

5、，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)點數(shù)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)物體特征的提取；池化層主要 是負(fù)責(zé)采樣。 比方簡單理解池化層，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(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)行反應(yīng)， 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

6、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10002000。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，我們覺得有比擬大的改善。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