深度学习:人工智能在自动驾驶中的应用

  就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,,无人驾驶更是一知半解。我从研究深度学习算法运用三年的经历上获得的一些专业知识来提炼出一些大众容易理解的原理性阐述。

  人工智能开始火了,大家开始对人工智能开始谈论的时候也许源于“围棋挑战赛”,世界顶尖高手最终被一只机器“狗”战败了。它的致命法宝正是模仿人类的“深度学习”工作原理。机器人到底是怎么像人类一样学习呢?真的可以运用到自动驾驶中来服务人类吗?和人一样思考和判别吗?

  首先我们从深度学习的大脑开始解剖,深度学习的大脑是一对复杂的计算公式,从公式的一端给予输入条件,计算之后就会得到输出结果。公式里面涵盖的很多参数,这些参数可以理解为深度学习网络通过大量样本训练的结果。下图左边就是输入条件,可以是一副图片的数据,比如自动驾驶汽车的前置摄像头;也可也一些物理量,比如一些距离传感器测到的前面的障碍物距离信息。那么输出又是什么东西呢?输出层就是下图的右侧,通过多层神经网络的运算得出的结果,该结果应该是驾驶的决策,比如刹车控制、油门控制和方向盘角度。

  卷积神经网络(ConvoluTIonal Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。主要用该算法来处理图像运算。CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习,所以在使用CNN时,避免了显示的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

  其实卷积计算就是通过矩阵运算对图像上的一定范围的特征数据进行提取,通过特征来运算出最终的结果。该过程可以通过一副动态图片来解释,其实所有的图形数据都是由一个个像素点数据组成,每个像素点数据是可以一个整数,可以用来运算的。

  那么,深度学习如何用于自动驾驶呢?自动驾驶是需要汽车像人的大脑一样来辨识一些车前出现的事物并做出决策。深度学习网络相当于是人的大脑,对安装在车前的摄像头的图像进行采集,并通过卷积神经网络来提出图像的特征,通过模型计算来得出几个输出量,比如加速、减速、刹车、方向盘的角度等信息。这是作为深度学习技术宅男的简单解释。

  但是,深度学习或者说人工智能技术是不能做到100%的,这个是至关重要的问题,这是现在深度学习一直无法实现应用的原因之一。因为任何一个驾驶者都不愿把生命交给一个无法100%的概率性事件上。

Copyright © 2002-2014 杭州股票配资 版权所有 琼ICP备32165498号 咨询热线:029-66889777