自動駕駛中的機(jī)器學(xué)習(xí)
點(diǎn)擊左上方藍(lán)字關(guān)注我們
轉(zhuǎn)載自 | CSDN
以下為譯文：
為了讓讀者更好地理解自動駕駛中的機(jī)器學(xué)習(xí)算法，本文會首先介紹有關(guān)該設(shè)備和自動駕駛技術(shù)的運(yùn)行原理，然后介紹機(jī)器學(xué)習(xí)方法及其在自動駕駛?cè)蝿?wù)中的應(yīng)用。最后展示一些流行的自動駕駛技術(shù)模擬器。
關(guān)于自動駕駛技術(shù)
自動駕駛技術(shù)的目的在于解除汽車對駕駛員的需求，部署了自動駕駛技術(shù)的汽車能夠完全獨(dú)立自主的地把汽車從一個地點(diǎn)駕駛到另一個地點(diǎn)。為了能夠完成這項(xiàng)復(fù)雜的任務(wù)，這些汽車需要配備額外的硬件和軟件系統(tǒng)，幫助AI系統(tǒng)了解環(huán)境、做出決策并采取行動。自動駕駛技術(shù)需要回答以下個問題。
1.自動駕駛技術(shù)如何看到？
自動駕駛技術(shù)主要使用攝像頭、普通雷達(dá)和激光雷達(dá)三種傳感器，它們就像人眼和大腦一樣協(xié)同工作。它們共同為汽車提供了清晰的環(huán)境視圖。幫助汽車識別附近物體的位置、速度和 3維形態(tài)。此外，目前依靠的自動駕駛技術(shù)現(xiàn)在正在建設(shè)慣性測量單元，可以監(jiān)測和控制汽車的加速度和位置。
2.自動駕駛技術(shù)如何做出決策？
在通過傳感器識別到周邊物體之后，自動駕駛的決策系統(tǒng)一般通過聚類算法將周邊物體進(jìn)行聚類，并根據(jù)物體位置做出決策，。
接下來我們來展示一下自動駕駛控制系統(tǒng)的工作原理，控制系統(tǒng)主要進(jìn)行場景理解和決策規(guī)劃兩方面工作，系統(tǒng)主要的工作步驟如下：
傳感器：從環(huán)境中收集傳感器數(shù)據(jù)；
感知和定位：識別和定位物體和標(biāo)記；
場景表示：了解環(huán)境參數(shù)和特征；
規(guī)劃決策：路徑和運(yùn)動規(guī)劃，根據(jù)駕駛策略尋找最優(yōu)軌跡；
控制：設(shè)置必要的車輛加速、減速、轉(zhuǎn)向和制動參數(shù)。
AVs 控制系統(tǒng)的主要組件
自動駕駛中的強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)
機(jī)器學(xué)習(xí)是指計(jì)算機(jī)程序通過已知經(jīng)驗(yàn)數(shù)據(jù)中進(jìn)行訓(xùn)練，通過迭代訓(xùn)練以提高其在指定任務(wù)上預(yù)測準(zhǔn)確性的過程。機(jī)器學(xué)習(xí)算法通常分為三大類流派，分別是監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí) (RL)。監(jiān)督學(xué)習(xí)算法基于歸納推理，通常需要使用有標(biāo)記的數(shù)據(jù)進(jìn)行訓(xùn)練，以執(zhí)行分類或回歸，而無監(jiān)督學(xué)習(xí)一般應(yīng)用于未標(biāo)記數(shù)據(jù)的密度估計(jì)或聚類等技術(shù)。相比之下強(qiáng)化學(xué)習(xí)比較自成一派，其通過與環(huán)境交互來提高其在指定任務(wù)上的性能，與監(jiān)督和非監(jiān)督學(xué)習(xí)使用損失函數(shù)進(jìn)行迭代訓(xùn)練的方式不同，強(qiáng)化學(xué)習(xí)一般使用獎勵函數(shù)進(jìn)行訓(xùn)練，比如OpenAI與王者榮耀的絕悟AI都屬于強(qiáng)化學(xué)習(xí)的范疇，一般在電競、機(jī)器人等方向上應(yīng)用較多。
根據(jù)各類機(jī)器學(xué)習(xí)算法的特點(diǎn)，可以看出在“場景理解”的相關(guān)任務(wù)中，使用監(jiān)督學(xué)習(xí)算法比較合適，而在“決策與規(guī)劃”任務(wù)中，又非強(qiáng)化學(xué)習(xí)算法莫屬。
在實(shí)際工作中，監(jiān)督學(xué)習(xí)為強(qiáng)化學(xué)習(xí)提供了必要的環(huán)境信息，監(jiān)督學(xué)習(xí)算法一般將“場景理解”的結(jié)果，輸入到強(qiáng)化學(xué)習(xí)模型當(dāng)中，在監(jiān)督學(xué)習(xí)的加持下，強(qiáng)化學(xué)習(xí)可以完成方向盤操作優(yōu)化、路徑規(guī)劃和軌跡優(yōu)化、動態(tài)路徑規(guī)劃、基于場景的高速公路及交叉路口的合并與拆分等等高難度自動駕駛?cè)蝿?wù)，通過來自專家系統(tǒng)的逆向強(qiáng)化學(xué)習(xí)，增加對于行人、車輛等交通參與者的意圖預(yù)測，并確保安全操作的執(zhí)行優(yōu)先級。
用于自動駕駛的流行算法
SIFT
SIFT算法一般用于特征提取，該算法檢測對象并解釋圖像。例如，對于三角形標(biāo)志，以標(biāo)志的三個頂點(diǎn)作為特征輸入，自動駕駛系統(tǒng)可以通過這些點(diǎn)來識別標(biāo)志。
梯度提升
不同于在神經(jīng)網(wǎng)絡(luò)中使用的梯度下降算法，梯度提升是一種用于回歸、分類和其他任務(wù)的技術(shù)，它一般以決策樹等弱預(yù)測模型基礎(chǔ)生成新的預(yù)測模型，其分類性能通常優(yōu)于隨機(jī)森林。梯度提升與下文即將出場的AdaBoost算法工作原理類似。
AdaBoost
該算法收集數(shù)據(jù)并對其進(jìn)行分類，以提高自動駕駛系統(tǒng)的性能。它將各種低性能分類器進(jìn)行分組，根據(jù)當(dāng)前迭代中的實(shí)際性能自動調(diào)整其參數(shù)，以獲得高性能分類器。在實(shí)踐中，AdaBoost技術(shù)與簡單的分類樹或樹樁作為基學(xué)習(xí)器一般合并使用，與其他單個基學(xué)習(xí)器的分類相比，這樣的方式提高了性能。
TextonBoost
TextonBoost 算法的工作原理與 AdaBoost 類似，只是它接收來形狀、上下文和外觀的數(shù)據(jù)。
HOG
HOG 是一種特征描述符，常用于從圖像數(shù)據(jù)中的特征提取。HOG 一般用于分析對象的位置，以了解對象如何變化或移動。實(shí)際操作中HOG方法主要用于人臉和圖像檢測來對圖像進(jìn)行分類，還能用于識別并分類車輛類型。
YOLO
YOLO算法對于對象分類，如將圖像中的行人、樹木和車輛進(jìn)行分類。YOLO使用卷積神經(jīng)網(wǎng)絡(luò)，這使其非常適合理解空間信息，并能夠提取邊緣、線條和紋理等特征。YOLO有 24 個卷積層。當(dāng)激光雷達(dá)與 YOLO配合使用時，可以在擁擠的交通環(huán)境下進(jìn)行導(dǎo)航。
用于算法測試和訓(xùn)練的模擬器和數(shù)據(jù)集
模擬器是用于試驗(yàn)自動駕駛系統(tǒng)的利器，特別是對于強(qiáng)化學(xué)習(xí)其意義更為明顯。主流的模擬器如下：
CARLA – 城市模擬器，包含攝像頭和激光雷達(dá)的信息流，有語義分割、位置信息。
TORCS – 賽車模擬器，包括攝像頭、代理位置、車輛測試控制策略。
AIRSIM – 具有深度和語義的攝像頭的數(shù)據(jù)流，并且支持無人機(jī)的自動駕駛測試。
GAZEBO (ROS) – 多機(jī)器人物理模擬器，用于復(fù)雜的二維和三維地圖中進(jìn)行路徑規(guī)劃和車輛控制的測試。
SUMO – 城市交通的宏觀尺度建模，用于運(yùn)動規(guī)劃測試使用。
DeepDrive – 一個基于虛幻平臺搭建的自動駕駛模擬器，提供多攝像頭數(shù)據(jù)。NVIDIA DRIVE Sim? –一種是開放、可擴(kuò)展、模塊化的模擬器，支持從頭開始構(gòu)建以運(yùn)行大規(guī)模、物理精確的多傳感器仿真。
WEBOTS – 一個完整的開發(fā)環(huán)境，可以用來建模、編程和模擬測試。
寫在最后
機(jī)器學(xué)習(xí)在自動駕駛領(lǐng)域發(fā)揮著重要作用。在這篇文章中，我們介紹了自動駕駛技術(shù)的一些基本知識，以及機(jī)器學(xué)習(xí)算法在自動駕駛系統(tǒng)中的應(yīng)用，還簡要說明了一些在實(shí)踐中比較流行的算法以及一些用于自動駕駛測試的模擬器。最后我們可以得出結(jié)論，自動駕駛具有實(shí)現(xiàn)完全自主L5級別的潛力。這可能會減少道路交通事故，讓那些無法開車的人獨(dú)立，從而改善交通物流。
作者：Denis Chikurtev
END
整理不易，點(diǎn)贊三連↓