深度學習人工智能在無人駕駛上的應用

邢星飛

摘 要 敘述深度學習的概念及深度學習人工智能在環境感知技術上的應用，詳細闡述深度學習的工作原理以及其應用前景。

關鍵詞 人工智能 無人駕駛 環境感知技術 深度學習

中圖分類號：TP29 文獻標識碼：A

機器深度學習是近年來在人工智能領域的重大突破之一，它在語音識別、自然語言處理、計算機視覺等領域都取得了不少成功。由于車輛行駛環境復雜，當前感知技術在檢測與識別度方面無法滿足無人駕駛發展需要，深度學習被證明在復雜環境感知方面有巨大優勢。

視覺感知技術是無人駕駛的核心技術。

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境感知、規劃決策和執行控制等三個方面。其中環境感知方式主要有視覺感知、毫米波雷達感知和激光雷達感知，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，還有摩托車拉豬、卡車拉樹的現象在我們生活中經常遇到，這些場景對視覺是一個難題，提高這種復雜路況下的感知精度是無人駕駛研究的挑戰。

1深度學習能夠滿足復雜路況下視覺感知的高精度需求

深度學習被認為是一種有效的解決方案，深度學習是模擬人的大腦，是近10年來人工智能取得一個較大的突破。深度學習在視覺感知中近幾年應取得了較大的進展，相對于傳統的計算機視覺，深度學習在視覺感知精度方面有比較大的優勢。

特別是2011年以后，有報導指出深度學習如果算法和樣本量足夠的話，其準確率可以達到99.9%以上，傳統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確率一般為95%，所以從這個方面看，深度學習在視覺感知方面是有優勢的。

所謂深度學習，又名深度神經網絡，相對于以前的神經網絡來說是一種更多層和節點的神經網絡機器學習算法，從這兒可以看出來，其實深度學習是一種機器學習，可以說是一種更智能的機器學習。深度學習主要類型一般包括5種類型，像CNN、RNN、LSTM、RBM和Autoencoder，其中我們主要的是用的CNN，CNN另外一個名字叫卷積神經網絡。卷積神經網絡已經被證明在圖像處理中有很好的效果。

其中，自學特征是深度學習的最大優勢。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描述，深度學習這個地方如果采集到足夠的樣本，然后放在深度學習中訓練，訓練出來后的系統就可以識別這個狗。傳統的計算機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定需要大量的調試，非常耗時。

深度學習一般包括四種類型的神經網絡層，輸入層、卷積層、池化層、輸出層。網絡的結構可以10層甚至上百層，一般層數越多檢測精度會更精準。并且隨著網絡層數和節點數的增加，可以表達更細、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基礎。

其中卷積層和池化層是深度學習的核心處理層。卷積層主要是用于負責物體特征的提取；池化層主要是負責采樣。比如簡單理解池化層，（就是一個數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習兩個核心的層。

深度學習工作的原理，深度學習一般包括兩個方面，一個是訓練，一個是檢測，訓練一般主要是離線進行，就是把采集到的樣本輸入到訓練的網絡中。訓練網絡進行前向輸出，然后利用標定信息進行反饋，最后訓練出模型，這個模型導入到檢測的網絡中，檢測網絡就可以對輸入的視頻和圖像進行檢測和識別。通常情況下，樣本的數量越多，識別的精度一般也會越高，所以這個樣本的數量是影響深度學習精度重要的一個因素。

2深度學習在無人駕駛感知上應用前景廣闊

一般的環境感知方面用到的深度學習會多一些，主要是視覺與毫米波雷達方面。在駕駛策略里面也會用到機器學習，但是我們一般叫做增強學習，用于駕駛策略的研究。在環境感知方面，深度學習可以在視覺感知、激光雷達感知，還有駕駛員狀態監測等方面，甚至在攝像頭和毫米波雷達融合方面都具有優勢。

在環境感知方面，我們在這方面做的重要工作就是前向視覺感知應用。大家知道前向視覺感知是作為無人駕駛很重要的一部分，我們嘗試深度學習在這方面一些應用。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 平臺上運行。目標檢測物主要包括車道線、車輛、行人、交通標識和自行車，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1000—2000。從運行效果來看，識別精度、識別類型較以前開發的一些傳統的視覺算法，我們覺得有比較大的改善。

3結論

深度學習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。但人工智能技術帶來的挑戰也不可小覷。需要汽車行業的及互聯網行業的人才一起努力，創建和諧的互聯網環境。

參考文獻

[1] 王建軍，李世威，曾俊偉.車聯網發展模式分析[J].計算機技術與發展，2011，21（12）：1-3.

[2] 楊震.物聯網發展研究[J].南京郵電大學學報，2010，12（02）：1-4.