深度学习对自动驾驶汽车意味着什么？

2021-01-07 15:44:12来源：千家网关键词：深度学习自动驾驶汽车阅读量：22612

导读：深度学习是机器学习的一个子集，它使用人工神经网络来模仿人脑的复杂功能。

　　在自动驾驶汽车中使用深度学习可以帮助克服各种挑战，例如了解行人的行为，找到短的路线以及对人和物体进行准确检测。

　　根据一份报告，2018年约有80%的道路交通事故是由于人为错误造成的。因此，将自动驾驶汽车纳入主流的主要目标之一是消除对人类驾驶员的需求并减少道路致死率。使用自动驾驶汽车进行的实验无疑表明在一定程度上减少了道路伤亡人数。

　　但是，仍然有很多人经常看到有关自动驾驶汽车事故的新闻，例如Uber自动驾驶汽车事故在美国亚利桑那州撞死了一名行人。发生事故的原因据说是自动驾驶汽车无法准确检测和识别行人。为了尽可能地减少此类事故，需要对自动驾驶车辆进行大量的训练，以准确检测其路线中是否存在人员和任何其他物体，这就是深度学习的介入。自动驾驶汽车的深度学习可以帮助他们有效地分类和检测道路和周围环境中的人或物体。

　　深度学习是机器学习的一个子集，它使用人工神经网络来模仿人脑的复杂功能。深度学习可以在没有任何人工干预的情况下更准确地对对象进行分类。例如，假设有两个人写数字九(9)，但是他们两个人都以不同的方式写数字(一个人写9，其他人写一个nine，底部没有清晰的曲线)。除非掌握了所有可能的写数字九的方法，否则深度学习网络以外的AI算法将很难检测到，尽管形状不同，但两个数字都代表九。借助深度神经网络进行的深度学习可以轻松地将两个数字都识别为9。深度学习准确地对不同对象进行分类的能力可以解决自动驾驶汽车面临的一些主要挑战。

　　自动驾驶汽车深度学习如何应对某些挑战

　　机器学习算法在训练自动驾驶汽车时面临特征提取的问题。特征提取要求程序员告诉算法他们应该寻找什么来做出决策。因此，机器学习算法的决策能力在很大程度上取决于程序员的洞察力。深度学习的功能有所不同，消除了特征提取的问题，从而使深度学习神经网络的检测和决策更加准确。深度学习可以提高检测道路上障碍物的准确性和更好的决策能力，可以帮助应对自动驾驶汽车面临的许多挑战。

　　了解复杂的交通行为

　　驾驶是一个过程，涉及与其他驾驶员和行人的复杂互动。例如，如果骑自行车人打算转弯，那么他或她将做出手势示意，以通知附近的其他驾驶员。然后，驾驶员可以放慢其车辆的速度，从而允许骑自行车的人转弯。人类依赖于通用智能来进行这种社交互动。而且，通过深度学习，自动驾驶汽车现在很有可能与其他驾驶员和行人进行社交互动。深度学习神经网络可以帮助自动驾驶汽车检测其他驾驶员和行人给出的导航信号，并采取适当措施避免发生任何碰撞。

　　在天气条件下检测招牌

　　自动驾驶汽车面临的另一个主要挑战是天气条件。尽管这是任何技术都无法完全解决的环境挑战，但深度学习可以解决气候下的问题。例如，在降雪期间，道路上的招牌可能会被雪覆盖。而且，降雪后的一段时间内，招牌可能仅部分可见。使用其他AI算法，自动驾驶汽车将很难理解招牌上的半个标志。但是借助神经网络进行的深度学习可以从招牌上的部分可见标志创建完整标志的图像。神经网络将不完整的符号发送到神经层，然后将其传递给隐藏层，以确定完整的符号应该是什么。基于输出，神经网络可以根据招牌上的标志做出决策。

　　寻找短的旅行路线

　　地球上的所有动物，包括人类在内，都可以在周围环境中导航并灵活地探索新区域。由于神经回路的空间行为，它们的导航成为可能。动物的大脑通过在规则的六边形网格中绘制周围环境来导航。这些六角形图案有助于导航，类似于地图中的网格线。神经模式支持基于矢量的导航的假设。基于矢量的导航使大脑可以计算到所需位置的距离和方向。

　　可以使用基于矢量的导航功能来训练深度学习神经网络，以找到从点A到点B的短路径。通过将动物大脑使用的相同网格线模式嵌入第一层，深度学习可以计算距离和到达目的地的方向。具有基于矢量的导航和深度学习功能的自动驾驶汽车还可以检测到任何新近可用的快捷方式的存在，以减少出行时间。

　　深度学习本身还需要克服诸多挑战

　　尽管自动驾驶汽车有很多好处，但仅凭深度学习就无法使自动驾驶汽车成为高级智能的交通工具，因为阻碍自动驾驶汽车走向主流发展的障碍很多。借助深度学习，检测对象的准确性确实会提高，但要付出大量数据的代价。基于数据表示的深度学习功能。数据在神经网络的不同层上表示，然后根据数据模式导出输出。由于深度学习的完整功能是基于数据的，因此与其他AI算法相比，训练神经网络需要更多数据，因此很难创建用于训练它们的数据集。而且，收集训练神经网络所需的数据也非常耗时。

　　使用深度学习神经网络的另一个挑战是它们的黑匣子问题。如果程序做出了决定，则程序员可以撤消该决定，以找出程序做出该决定的原因。但是，深度学习不是可追溯的系统，而是在隐藏层中处理数据。开发人员只能找到输入到神经网络的数据及其输出。但是，他们无法找出隐藏层中进行了哪些处理来做出决定。因此，很难知道深度学习网络失败的原因，因为没有人可以追溯到发生失败的地方。

　　有时，深度学习网络甚至无法实现其本来打算完成的任务。神经网络很难像在不同的视频帧中一样在小图像变换中进行概括。例如，根据一项研究，深卷积网络将狒狒或猫鼬标记为相同的北极熊，具体取决于背景的微小变化。

　　无人驾驶汽车是一项实验，至今尚无人知道结果如何。自动驾驶汽车深度学习能否将其驱动到主流交通工具取决于技术如何进一步发展。即使克服了深度学习的挑战，自动驾驶汽车的方式也存在其他障碍。这些汽车与IoT设备等多种技术集成在一起，以收集数据，云计算以处理数据，以及5G以提高数据传输速度。一旦这些技术能够有效地协同工作，以建立良好的交通生态系统，自动驾驶汽车就能成为主流。