【基于神經(jīng)網(wǎng)絡(luò)的自動駕駛技術(shù)研究8400字（論文）】

基于神經(jīng)網(wǎng)絡(luò)的自動駕駛技術(shù)研究目錄TOC\o"1-3"\h\u第1章緒論 第1章緒論1.1研究背景對于自動駕駛來說，人工智能與此息息相關(guān)。5G時代，網(wǎng)絡(luò)流量傳輸速度大幅提升。人工智能是一種基于互聯(lián)網(wǎng)的科技工具，越來越受歡迎。不僅是大公司的熱門話題，也是許多大學的熱門話題。對于企業(yè)來說，AI可以帶來語音識別、文本分類等巨大的好處。，可以顯著降低公司辦公成本，提高公司辦公效率。從各個大學的角度來看，人工智能在各個領(lǐng)域和各種神經(jīng)網(wǎng)絡(luò)中都有很大的研究和改進價值，因為各個領(lǐng)域的成就對社會都有很大的貢獻。中國政府認為人工智能的發(fā)展非常重要。中國國家發(fā)改委貸款部表示，智能駕駛技術(shù)正在日益成熟，國內(nèi)外領(lǐng)先企業(yè)已經(jīng)在走上坡路，智能駕駛商業(yè)化的關(guān)鍵時刻到了。公安部公布的數(shù)據(jù)顯示，2018年9月我國機動車保有量為3.22億輛，其中2.35億輛汽車占汽車總數(shù)的72.91%；有210萬輛新能源汽車。其中清潔電動汽車保有量為178萬輛，占新能源汽車總數(shù)的80.53%，乘用車的數(shù)量增長了184億輛，保持了持續(xù)快速的增長。全國的貨運量是2500萬比去年同期增長了181萬。增長7.71%。機動車駕駛員4.03億人，其中機動車駕駛員3.63億人。無論哪個數(shù)據(jù)領(lǐng)域，汽車數(shù)量都在穩(wěn)步增長。這對運輸系統(tǒng)造成了不可低估的直接壓力。交通擁堵在大型一線城市變得越來越普遍，給居民帶來了重大問題。人工智能的快速發(fā)展和對國家政策的大力支持為自主駕駛技術(shù)的發(fā)展提供了有力的支撐。自主駕駛技術(shù)的發(fā)展也是推動社會進步的有力因素:自主駕駛技術(shù)能有效減少車禍的發(fā)生，進行道路規(guī)劃，節(jié)省居民的出行成本，最大限度地利用道路資源。因此，自動駕駛對于社交應(yīng)用來說非常重要。1.2自動駕駛研究現(xiàn)狀1.2.1自動駕駛等級發(fā)展為了描述自動駕駛的發(fā)展，L1-L6將自動駕駛分為六個等級。其中L1層級的自動駕駛意味著人類駕駛員提供了所有的汽車控制信息，而車輛沒有自動駕駛。自動駕駛儀L2可以提供車輛的速度控制信息；L3獨立驅(qū)動技術(shù)除了提供速度之外，還提供速度。除了駕駛員的控制，它還可以進行定向控制，L4自動駕駛系統(tǒng)可以在駕駛過程中向人的駕駛員提出問題，而人的駕駛員可以回答；在L5級，系統(tǒng)會做出大部分的決策，你可以向人類駕駛員提問，即使人類駕駛員沒有回答，自動駕駛也可以做出很好的控制決策；在L6級自動駕駛中，駕駛員可以在任何情況下或無人值守的情況下駕駛。自主駕駛的前四個層級需要人與電腦共同執(zhí)行，而最后兩個層級則需要機器在環(huán)境中獨立執(zhí)行，不需要人的操作。Google、百度和其他IT公司可以直接消除人為干擾，讓汽車能夠在環(huán)境中獨立完成駕駛?cè)蝿?wù)。像Tesla這樣的汽車公司注重汽車的實用性，自主駕駛?cè)蝿?wù)是按L1的級別逐步完成的。雖然特斯拉的自動駕駛技術(shù)在世界上占據(jù)了領(lǐng)先地位但它只能達到L4級。下表顯示了自動液體分布。表1-1自動駕駛等級劃分表等級技術(shù)要求操作系統(tǒng)干預(yù)程度L1無自動化無干預(yù)L2駕駛協(xié)助部分干預(yù)L3部分功能自動化部分干預(yù)L4有條件自動化部分干預(yù)L5高度自動化部分干預(yù)L6完全自動化全干預(yù)1.2.2國內(nèi)外自動駕駛技術(shù)研究現(xiàn)狀國外的自動駕駛研究比中國開始的早。1925年，美國陸軍開發(fā)了第一輛無人駕駛概念車，自主駕駛的原型出現(xiàn)了。在接下來的幾十年里，汽車制造商逐漸部署了自主導(dǎo)航系統(tǒng)、相機、筆記本電腦和經(jīng)濟實惠的設(shè)備，以方便駕駛。1998年，意大利帕爾馬大學的ARGO試點項目在簡單的信息條件下完成了94%的自主駕駛?cè)蝿?wù)，使得自主駕駛技術(shù)逐漸成為一種實踐。2004年至2007年的DARPA自動駕駛大賽(DARPAautonomydrivingcompetition)中，許多重要的科學團隊將相機、處理器、激光測距系統(tǒng)和其他傳感器整合到自主駕駛技術(shù)中，并完成了幾十公里的駕駛?cè)蝿?wù)，這意味著從一個辦公室到另一個辦公室都在研發(fā)自主駕駛技術(shù)。三場比賽后，自主駕駛將成為大型企業(yè)的學習領(lǐng)域。2009年，谷歌和大鵬成立了谷歌實驗室，讓古墓獲得了自主駕駛能力。與此同時，歐洲和美國的大型大學實驗室將自主駕駛技術(shù)列入了他們自己的科研項目。研究成果也是世界級的。2013年，汽車制造商也采用了自控技術(shù)。包括奧迪、福特、沃爾沃等。開始了對自動駕駛的調(diào)查。第二年，谷歌的無人駕駛汽車正式發(fā)布，科學畢業(yè)。特斯拉還在2015年推出了半自主駕駛系統(tǒng)，隨后是深度學習計劃。2015年，谷歌的韋門實驗室完成了方圓100平方公里內(nèi)的第一個獨立駕駛?cè)蝿?wù)。特斯拉(Tesla)另一位自我管理的主管，去年推出了一款全自動FSD，它只使用無線軟件來執(zhí)行自動駕駛?cè)蝿?wù)。同年，特斯拉還啟動了自動駕駛導(dǎo)航和輔助系統(tǒng)以及自動駕駛緊急信號。根據(jù)這一點，谷歌和Tesla在美國代表了世界上最先進的自控技術(shù)。中國關(guān)于自主駕駛技術(shù)的研究已經(jīng)晚了，但進展情況卻令人印象深刻。1992年，國防科技大學研制出中國第一輛真正自主的汽車，在中國開始了駕駛研究。2011年，一汽集團與國防科技大學合作開發(fā)了鴻基HQ3，完成了286公里的高速無人值守任務(wù)。2015年，百度開始對無人駕駛汽車進行科學測試。兩年后，它與世界博覽會合作，推出了一款具有增強高速公路輔助功能的展示車。百度和廈門金龍在2018年共同生產(chǎn)了世界上第一輛自主研發(fā)的L4汽車。同年，大公司開始學習自主駕駛技術(shù)，如阿里巴巴cainionologistic和白盾Apollo不斷發(fā)展，因此中國自主駕駛技術(shù)的研究已經(jīng)算的上是姍姍來遲。1.2.3基于人工智能自動駕駛技術(shù)的發(fā)展自2006年提出深度學習以來，機器學習再次進入公共領(lǐng)域，到目前為止，自主駕駛技術(shù)也隨著深度學習而得到了長足的發(fā)展。此外，自主學習的誕生帶來了新的思路和趨勢。目前，大多數(shù)端到端自治運行任務(wù)都與集成復(fù)雜環(huán)境的自治運行模式有關(guān)。在訓(xùn)練了神經(jīng)網(wǎng)絡(luò)模型之后，智能汽車即使在非常多變的情況下，仍然可以執(zhí)行自動駕駛?cè)蝿?wù)。AndreiFurd等人運用了許多決策方法來解決城市車輛自主性的實時管理問題，并獲得了一個準確而有效的決策系統(tǒng)。動態(tài)貝葉斯語言中的自主駕駛會變成馬爾可夫偵測問題。識別交通標志分為兩個階段:檢測和分類。利用交通標志定位算法獲取有用的識別信息，并結(jié)合RGB圖像和YOLOv3卷積神經(jīng)網(wǎng)絡(luò)進行識別和分類。立體視覺技術(shù)可計算兩個相機之間的每個像素位置差異，并建立一個置換對應(yīng)，以達到3D定位階段。使用alexneti?作為培訓(xùn)前模板，并對傳輸機制和圖像文件進行了預(yù)處理，以獲得司機的干擾因素和危險任務(wù)模型。令人不安的任務(wù)包括開車時接聽手機電話，危險的任務(wù)包括執(zhí)行正常的駕駛策略，檢查后視鏡等。結(jié)合LSTM和CNN提高了模型的準確性。同時，兩輛車補充數(shù)據(jù)收集。通過數(shù)據(jù)融合，端到端的控制方法實現(xiàn)了對車輛轉(zhuǎn)向角度的非常精確的控制。上述方法大多是對傳統(tǒng)模型進行改進或引入新的算法來提高自動駕駛技術(shù)水平或分發(fā)自動駕駛?cè)蝿?wù)執(zhí)行模塊來批量執(zhí)行自動駕駛?cè)蝿?wù)。第2章自動駕駛相關(guān)技術(shù)2.1自動駕駛技術(shù)分類2.1.1基于規(guī)則系統(tǒng)的自動駕駛技術(shù)以規(guī)則為基礎(chǔ)的自主駕駛技術(shù)將自主車輛帶入整個系統(tǒng)的開端。車輛傳感器收集數(shù)據(jù)并將其傳輸至觀察系統(tǒng)。在觀察系統(tǒng)處理數(shù)據(jù)之后，添加世界模型，并進一步處理數(shù)據(jù)以做出決定。轉(zhuǎn)向系統(tǒng)根據(jù)轉(zhuǎn)向數(shù)據(jù)獲取決定信息，控制信息將被傳遞回車輛，這些信息與控制命令相對應(yīng)，形成一個閉環(huán)系統(tǒng)，以滿足自主駕駛的目的?；谝?guī)則的自治執(zhí)行程序的任務(wù)是將多個組件任務(wù)的研究結(jié)果與獨立驅(qū)動程序的一致性結(jié)合起來。圖2-1顯示了數(shù)據(jù)流。圖2-1自動駕駛技術(shù)子任務(wù)分為車道檢測、行人檢測、路標檢測等功能，為決策系統(tǒng)提供強大的數(shù)據(jù)支持。在這個自主模式下，我們有嚴格的模型結(jié)構(gòu)，非常復(fù)雜的計算，復(fù)雜的系統(tǒng)規(guī)則，不容易得到標準規(guī)則，因此很難實現(xiàn)建模。2.1.2基于端到端的自動駕駛技術(shù)目前，端到端獨立驅(qū)動技術(shù)是研究的熱點，通過深度學習、驗證學習等方法將2D或3D圖像數(shù)據(jù)輸入到模型中，并對其進行控制。并且可以直接獲得汽車的速度。從架構(gòu)圖中，您可以很容易地看到「進入」控制并不需要大量的感應(yīng)器、高解析度地圖和手動規(guī)則，但是模型適用于不同的場景，而且非常多樣化。壞消息是，進入系統(tǒng)是黑盒的控制，它的可讀性差，可靠性和安全性都需要提高。一般而言，獨立驅(qū)動程序可以消除繁瑣的手動操作，并且只需要從外部提取的圖像數(shù)據(jù)即可在車輛上執(zhí)行某些操作。如果啟動結(jié)果不理想，司機可能會根據(jù)情況介入?？梢愿鶕?jù)驅(qū)動程序操縱其控制系統(tǒng)的方式更新模型，直到打印出穩(wěn)定的驅(qū)動程序。目前，這是一個理想的自主駕駛解決方案。2.2神經(jīng)網(wǎng)絡(luò)2.2.1深度學習概述在神經(jīng)網(wǎng)絡(luò)中，當今研究的熱點是多層神經(jīng)網(wǎng)絡(luò)，它也被稱為深度學習。隨著人工智能時代的到來，硬件設(shè)施和算法的改進，深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率提高了，過載的可能性降低了，模型的精度也提高了。因此，深度學習模式變得越來越普遍。越來越受各行各業(yè)的歡迎。我們之所以稱之為深度學習，是因為它可以有效避免計算機的人工決策，并使計算機通過熟練的學習獲得決策系統(tǒng)，從而簡化人工操作步驟，從而提高計算機的決策效率深度學習有不同的層次。把復(fù)雜的問題簡單化，把單個的定義合并成復(fù)雜的定義，把復(fù)雜的概念分解，讓計算機練習學習層次概念，形成清晰的層次圖。2.2.2深度學習分類根據(jù)深度學習的研究內(nèi)容，主要分為三種基本類型:第一種是深度信念網(wǎng)絡(luò)(DBN)，第二種是自我編碼網(wǎng)絡(luò)，第三種是卷積激素網(wǎng)絡(luò)（CNN）。深度信念網(wǎng)絡(luò)又稱深度信念網(wǎng)絡(luò)，是將若干個受限玻爾茲曼機RBM(RestrictedBoltzmannMachines)串聯(lián)起來，形成一個DBN。RBM作為下一個RBM的輸出，前一個有限玻爾茲曼機器的隱藏層構(gòu)成了下一個顯式層。它通常用于不受控制的學習。通過降低數(shù)據(jù)維數(shù)，盡可能保留原有屬性的性質(zhì)并在語音識別方面取得了一定的成果，在深度網(wǎng)絡(luò)框架中加入代表類別的神經(jīng)元并加入Softmax層DNB可用于指導(dǎo)學習，使分類錯誤率最小化。共享參數(shù)，換句話說，在模型的多個動作中使用相同的參數(shù)。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，每個層的壓力參數(shù)只能使用一次，這極大地增加了模型的存儲需求。參數(shù)共享的一種特殊形式使神經(jīng)網(wǎng)絡(luò)具有平移功能。子采樣，即地圖對象地圖的高度和寬度，按比例減少。子抽樣方法主要有混合法、conv法和reorg法。子采樣的原理是把圖像的大小縮小到M*N乘以s，采樣即(M/s)*(N/s)要求s是M和N的公約數(shù)，如果你把一幅圖像想成數(shù)組的形式，你需要把原圖像的窗口中的圖像轉(zhuǎn)換成一個像素，這個像素的值就是窗口中所有像素的平均值。2.2.3卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是一種連續(xù)的神經(jīng)網(wǎng)絡(luò)，每一個神經(jīng)元都是分級的，具有有效的信息檢索功能。人工神經(jīng)網(wǎng)絡(luò)從動物的視覺皮層的電生理研究中得到啟發(fā)，能夠識別出圖像中的特殊特征。和視覺系統(tǒng)一樣，有些視覺神經(jīng)對垂直的周邊信息更敏感，有些對水平的周邊信息更敏感。當圖像被處理為像素時，計算機將識別圖像。與整體檢視影像中的像素不同，卷積的激素網(wǎng)路會處理每一個小的像素區(qū)域，例如動物的視覺識別。篩選第二個處理中的像素資料，以維持影像識別的連續(xù)性。重復(fù)識別和細化后，可以獲得更有用的信息，然后對圖像進行分類或做出行為決定。卷積神經(jīng)網(wǎng)絡(luò)不需要精確的數(shù)學表示，只需要輸入數(shù)據(jù)，經(jīng)過模型訓(xùn)練，就可以得到準確的基本信息。第3章基于神經(jīng)網(wǎng)絡(luò)的自動駕駛技術(shù)研究3.1模型整體結(jié)構(gòu)設(shè)計本節(jié)提出了基于全局拖動層的卷積神經(jīng)網(wǎng)絡(luò)模型。模型可以大致分為七層。前四層是卷積和最大卷積的組合，第五層是卷積和全局平均值的組合。全局均值聚合后，整個聚合層將用于系統(tǒng)決策的聚合數(shù)據(jù)。我們建議建立一個激素網(wǎng)絡(luò)。我們的實驗數(shù)據(jù)是二維圖像，因此區(qū)分圖像的特征非常重要。我們選擇了一個模式化的解決方案。結(jié)構(gòu)層次設(shè)計是模型設(shè)計的核心功能之一。我們使用五個卷積函數(shù)提取特性。模型的卷積運算是一個位置上的線性運算。該算法的卷積功能可以提取自動駕駛所需的數(shù)據(jù)，即消除障礙物的自值并減少干擾數(shù)據(jù)。心房顫動不是一蹴而就的，而是通過一系列的對流活動逐漸完成。識別的第一個特征是簡單的特征，例如圖像的邊緣，然后是圖像中障礙物的結(jié)構(gòu)以及圖像內(nèi)容的幾何形狀和表面。分辨率越高，識別的內(nèi)容就越復(fù)雜，如障礙和類型。3.2卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模塊設(shè)計3.2.1卷積操作模塊設(shè)計在卷積的初始階段，我們會手動設(shè)定簡單的解析度核心，并透過資料拖曳的方式，學習后續(xù)的多層解析度核心(即重量)。數(shù)據(jù)在整個過程中傳播，輸入的圖像大小為64*64，圖像通道編號為3，第一階段卷積核的大小為5*5*3，即卷積核的高度為5，深度為5，通道編號和輸出圖像與通道一致，在3，24個卷積核中，啟用的數(shù)字也為24輸出大小的計算以公式(3-1)和公式(3-2)表示。（3-1）（3-2）當輸入的數(shù)據(jù)環(huán)寬度為w時，輸入的數(shù)據(jù)環(huán)高度為h，f為卷積器的大小，p為柔和。當平滑度為零時，P=2，s為步長。我們輸入材料的寬度為129，高度為225。在第一次卷積之后，得到的新數(shù)據(jù)寬度為65，數(shù)據(jù)高度為113。目前我們得到的神經(jīng)元數(shù)目是129*225*24或696600。權(quán)重個數(shù)為5*5*3*24+24或1824。這是參數(shù)在第一次卷積后的情況。此時，第一個性質(zhì)移除已完成。激活動作仍然可以通過激活動作來控制提取的特性，過濾掉無用的屬性。3.2.2模型非線性化調(diào)整在執(zhí)行非線性作業(yè)之前，模型的原始資料是線性的，因此會產(chǎn)生大量資料，因此隱藏的圖層無法發(fā)揮預(yù)期的作用。因此，我們使用「啟用」來增加模型的非線性，以修正線性模型的缺點。除了輸出在一定范圍內(nèi)之外，激活函數(shù)還需要數(shù)學特性，例如微分和單調(diào)性。我們選擇的激活函數(shù)如圖(3-3)。fx雖然ELU函數(shù)增加了指數(shù)運算，但啟用功能處理負部分資料，使神經(jīng)細胞的平均激活率接近于零，因此增加了影像雜訊的耐久性，并提高了影像的解析度。與ReLU相比，此模型具有更強的計算能力。常用的激活函數(shù)在我們的模型中表現(xiàn)的性能如表3-1所示。表3-1不同激活函數(shù)在模型中的準確率和損失率損失函數(shù)損失值錯誤率sigmoid0.35360.0196tanh0.04640.0190ReLU0.1720.0188ELU0.02660.0175從數(shù)據(jù)中可以看出，在其他參數(shù)相同的條件下，ELU動作可以以最小的損失值實現(xiàn)最高的精確度，因此，ELU動作可從模型中獲得最大的收益。因此，我們的模型選擇ELU作為損失函數(shù)，以解決模型的線性故障。3.2.3池化操作模塊設(shè)計「最大偏振層」圖層會在前四個卷積層之后使用，以保留影像的紋理資訊，并減少回旋參數(shù)的平均偏移。最大存儲容量是為固定窗口選擇最大值。將刪除非最大值，降低輸入比例，并在一定程度上降低計算復(fù)雜度。雖然最大的極座標動作具有翻轉(zhuǎn)動作，但它不會變更造型，以確保不會遺失該性質(zhì)并僅保留最大屬性值。這樣，內(nèi)分泌網(wǎng)絡(luò)就可以集中在最重要的特性上了。最大背景系數(shù)應(yīng)確保在計算過程中保持不變。在此過程中，固定窗口的最大值將直接移動到下一個級別，其他值將被直接刪除。返回時，漸變將移到上一層的相關(guān)像素值，而其馀像素值為零。早期的汽車模型最常使用完全組合層來執(zhí)行分類任務(wù)，但由于完全組合層必須連接到上一層中的所有神經(jīng)元，因此完全組合層導(dǎo)致模型參數(shù)過大，我們使用全局平均合并函數(shù)來補充完全合并層的前一部分的屬性集合。在我們的模型中，全球平均值是在最后一個卷積之后生成的，并且是設(shè)計模型的主要優(yōu)先事項。由于全球平均極層的出現(xiàn)，模型中的參數(shù)數(shù)量大大減少，可以有效避免過匹配問題。全局地塊保留層計算上一層的整個特征地圖的地塊值來獲得數(shù)據(jù)，得到的平均數(shù)與特征地圖的數(shù)量一致。第4章基于CNN自動駕駛技術(shù)的優(yōu)化4.1過擬合和泛化情況分析訓(xùn)練結(jié)果可以有以下四種情況:第一種是訓(xùn)練集誤差很大，測試集誤差也很大，但兩者之間的差異不大，這種情況屬于欠擬合，可以增加訓(xùn)練數(shù)據(jù)集的大小，避免預(yù)測不足。第二種情況是，如果練習順序錯誤較大，測試順序錯誤較大，并且差距較大，則模型本身存在很大的問題，需要調(diào)整。模型結(jié)構(gòu)。第三種情況是，如果教程中的錯誤很小，但測試中的錯誤很大，這是因為您安裝了太多的模型。這是卷積網(wǎng)絡(luò)中的一個常見問題，也是我們在本章中討論的核心問題。在第四種情況下，課程和測試系列的錯誤率非常低，因此這是成功的模型培訓(xùn)。過度匹配的原因主要有兩個:第一件事是數(shù)據(jù)集存在問題，主要包括以下三個方面:一是模型的設(shè)計過于復(fù)雜，容量過大，導(dǎo)致模型內(nèi)部參數(shù)過多，目前如果訓(xùn)練數(shù)據(jù)的樣本較少，必然會導(dǎo)致過度匹配；其次，在訓(xùn)練樣本數(shù)據(jù)，即訓(xùn)練樣本數(shù)據(jù)中存在大量噪聲。訓(xùn)練樣本可能不是同一類型的數(shù)據(jù)，這對模型訓(xùn)練造成很大的破壞干擾，三是訓(xùn)練集和測試集的劃分有問題。這就是為什么我們可以避免數(shù)據(jù)集過度匹配。過度匹配的另一個原因是模型本身的問題，它在訓(xùn)練過程中對于訓(xùn)練數(shù)據(jù)來說過于“真實”——所有的特征都是非常仔細地學習的。這會使模型尖銳生動地學習到錯誤的性質(zhì)，因此模型將無法準確分析測試序列中的正確數(shù)據(jù)，導(dǎo)致測試序列誤差較大，這是非常典型的過擬合現(xiàn)象。4.2數(shù)據(jù)預(yù)處理我們使用的數(shù)據(jù)改進方法有:圖像旋轉(zhuǎn)，圖像旋轉(zhuǎn)是上下180度，在原圖像的基礎(chǔ)上，完成180度左右鏡像旋轉(zhuǎn)，使圖像數(shù)量增加三倍；方法二是完成圖像旋轉(zhuǎn)，繞圖像中心旋轉(zhuǎn)90度，獲得更多的圖像數(shù)據(jù)；此外，圖像的擴展和縮減像素采樣也是增強數(shù)據(jù)的常用且密集的方法。此外，截取影像和傳送影像會大幅增加資料量，但本研究不使用這兩種資料輸入方式，因為截取影像和傳送影像很可能會移除有用的障礙資訊。在圖像雜色中添加高斯也是一種有效的圖像增強方法。使用高斯雜訊，其平均值為零，表示所有性質(zhì)資料均可建立為資料點，這可能會在特定數(shù)量的高頻性質(zhì)上產(chǎn)生失真，以避免高頻資料重疊并增加訓(xùn)練資料數(shù)據(jù)的增加不僅有助于避免一定數(shù)量的信息過載，還可以提高模型的整體性，從而在不同的環(huán)境中顯示出精確的決策和控制能力。4.3正則化操作如果模型培訓(xùn)誤差很小，則模型培訓(xùn)可能會出現(xiàn)過載。要減少測試錯誤，必須通過增加培訓(xùn)錯誤來進行規(guī)范。除了降低過度補償?shù)娘L險之外，它還可以有效地提高模型的整體性，并在調(diào)整后減少參數(shù)數(shù)量。調(diào)整功能會將約束套用至模型的目標函數(shù)，并調(diào)整模型的學習速度。L1管制和L2管制是最常用的標準管制。L1正則化是L0正則化的最佳凸性。與L0規(guī)則相比，此近似更易于求解，并且實現(xiàn)的乘數(shù)效應(yīng)與L0規(guī)則相同。因此，通常會執(zhí)行L1規(guī)則，而L1規(guī)則的合法化時間是L0規(guī)則絕對值的總和。參數(shù)化總和是罕見的。數(shù)據(jù)的影響，屬性的第二部分是零，是屬性選擇，而我們的模型主要用于自動駕駛，因此，選擇幾個屬性并不是我們所做的最重要的事情，我們需要所有的初始屬性，權(quán)重通常是分散的?？纱_保模型識別更多障礙的向量；L2規(guī)則完全符合我們的需求；其規(guī)則的術(shù)語是使用參數(shù)的平方根，而不是僅僅依靠少數(shù)幾個特征來使模型具有更高的精度。結(jié)論本文考察了深度學習自動駕駛技術(shù)。在理論研究方面，主要集中在優(yōu)化模型結(jié)構(gòu)和優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)部運算。在減少模型生成的參數(shù)數(shù)量的同時，模型和模型的解析度可提高整體效能。研究自主駕駛策略的優(yōu)化。在未來，汽車朝著自主駕駛方向發(fā)展，因此駕駛策略的優(yōu)化算法顯得尤為重要。驅(qū)動程序模型必須能夠根據(jù)不斷變化的外部環(huán)境和驅(qū)動程序規(guī)則進行準確評估。由于需要確保模型的控制精度100%在正確的道路上，因此必須進一步提高神經(jīng)網(wǎng)絡(luò)模型的精度以避免動態(tài)障礙(例如移動車輛和行人)，以便集成該模型。真實用車環(huán)境，完美的自動駕駛汽車上路了。我們的研究也提高了模型的可解讀性，但仍有很大的改進空間，而且我們不能信任獨立的驅(qū)動程序系統(tǒng)，因為集成的獨立驅(qū)動程序系統(tǒng)是黑盒，人們不信任模型。對內(nèi)部評估過程知之甚少，因此系統(tǒng)評估過程的透明度也是研究端到端自治驅(qū)動技術(shù)時需要注意的一個關(guān)鍵問題。參考文獻[1]張新鈺,高洪波