自動駕駛汽車利用卷積神經網絡學習人類決策

2020-11-26 車質網

　　對於自動駕駛汽車而言，也許有一種更好的學習駕駛的方法——觀察人類。據外媒報導，澳大利亞迪肯大學的研究人員發現，藉助改進的視覺校正系統，自動駕駛汽車可以通過觀察人類操作員來學習。

圖片來源：迪肯大學官網

　　該團隊實施模仿學習，即從演示中學習。駕駛員駕駛一輛配備三個攝像頭的汽車，從車輛前方和兩側觀察周圍的環境。然後，通過神經網絡（基於大腦神經元如何交互處理信息的計算機系統）處理這些數據。此種方法使得車輛能夠根據觀察人類做出類似決策，並根據從中所學來做出決策。迪肯大學副校長Saeid Nahavandi解釋說，「該過程期望僅從攝像頭拍攝的圖像生成一個模型，以用於自動駕駛汽車。」

　　該處理系統具體來說是一個卷積神經網絡，反映在大腦的視覺皮層上。該網絡有一個輸入層、一個輸出層和兩者之間的若干處理層。輸入過程將視覺信息轉換成點。隨後，隨著更多的視覺信息輸入，這些點被不斷地被比較。通過減少視覺信息，該網絡可以快速處理環境中的變化。例如，前方出現移動的點可能意味著道路上出現了障礙。結合通過觀察人類操作員所獲得的知識，這意味著該算法知道道路上突然的障礙物應觸發車輛完全停止，以避免發生事故。Nahavandi表示，「擁有可靠且強大的視覺是自動駕駛汽車的強制性要求，而卷積神經網絡是圖像處理應用中最成功的深度神經網絡之一。」

　　不過，Nahavandi也指出了一些不足之處。一是雖然模仿學習加快了訓練過程，但是同時減少了創建優良模型所需的訓練數據量。相比之下，卷積神經網絡需要大量的訓練數據來找到最優的卷積層和濾波器配置，而這有助於組織數據，並生成合適的模型。

　　Nahavandi還表示，「我們發現增加濾波器的數量並不一定會產生更好的性能。網絡和訓練流程參數的最優選擇仍然是一個未解決的問題，全球研究人員都在積極研究。」接下來，研究人員計劃研究更智能、更高效的技術，包括遺傳和進化算法，以獲得最佳參數集，從而更好地打造自我學習、自動駕駛的汽車。

相關焦點

  • 美國科學家讓自動駕駛汽車學習人類的「預測未來動作」能力
    圖片來源：馬裡蘭大學據外媒報導，美國馬裡蘭大學（University of Maryland）一組計算機科學家採用了一種新型的計算機「記憶」，有望推動自動駕駛機器人和自動駕駛汽車技術發展，甚至推動整個人工智慧的發展。
  • 美國研發快速法評估神經網絡的不確定性 改進自動駕駛車決策能力
    蓋世汽車訊 現在，深度學習神經網絡等人工智慧系統越來越多地用於為對人類健康和安全至關重要的決策提供信息，如自動駕駛或醫療診斷等。此類網絡善於識別大型複雜數據集，以幫助做決策。但是，怎麼才知道此類網絡是正確的呢？據外媒報導，美國麻省理工學院（MIT）和哈佛大學（Harvard University）的研究人員決心找出答案。
  • 解析卷積神經網絡的應用
    近年來，一個稱之為「深度學習」的領域大幅提升了計算機理解所見事物的能力。深度學習，尤其是卷積神經網絡的使用，並沒有依賴傳統的圖像處理技術，而是賦予計算機理解世界的能力，且這方面已取得重大進展。 卷積神經網絡最早可以追溯到20世紀80年代末，其創建是基於20世紀60年代早期的人工神經網絡（ANN）和多層感知器（MLP）。它們最初的設計旨在模擬人腦的工作方式。
  • 2020,全球自動駕駛汽車硬體和軟體最新技術總結
    本報告覆蓋了自動駕駛汽車所需要的感知、定圖與定位、傳感器融合、機器學習方法、數據收集與處理、路徑規劃、自動駕駛架構、乘客體驗、自動駕駛車輛與外界交互、自動駕駛對汽車部件的挑戰（如功耗、尺寸、重量等）、通訊與連接（車路協同、雲端管理平臺）等技術領域的討論，並且提供相應的各自動駕駛公司的實施案例。
  • 日產自動駕駛汽車將部署NASA技術 讓人類遠程駕駛自動駕駛汽車
    核心提示：日本汽車製造商日產（Nissan）將部署美國國家航空航天局（NASA）研發的技術，利用人類的幫助，遠程駕駛其自動駕駛汽車。蓋世汽車訊 據外媒報導，日本汽車製造商日產（Nissan）將部署美國國家航空航天局（NASA）研發的技術，利用人類的幫助，遠程駕駛其自動駕駛汽車，該公司承認，真正的L5自動駕駛汽車可能是無法實現的
  • 自動駕駛技術將重構汽車行業價值鏈?
    然而，無人駕駛汽車的許多問題仍未得到解答。無人駕駛汽車將如何做出倫理決策，就像「電車難題」那樣？城市、街道和停車場將如何變化？數百萬拼車司機或長途卡車司機將會怎樣？驅動自動駕駛汽車的傳感器是什麼？蘋果利用其作業系統在硬體業務上獲得更高的利潤率，谷歌利用其作業系統從其廣告業務中獲得更多收入，而微軟直接為其作業系統和運行的關鍵應用程式收費。現在，汽車製造商和科技公司都在競相開發能驅動自動駕駛汽車的軟體，但這些公司將如何從他們的軟體中獲利尚不清楚。
  • 李昭宏:高精度地圖決定自動駕駛決策平臺
    至於自動駕駛層面，自動駕駛擁有感知平臺和決策平臺，而高精度地圖決定了自動駕駛的決策平臺。 版權聲明：本文版權為網易汽車所有，轉載請註明出處。
  • 卷積神經網絡的卷積到底是什麼
    打開APP 卷積神經網絡的卷積到底是什麼 人工智慧遇見磐創 發表於 2020-05-05 08:40:00 卷積神經網絡是一種特殊的神經網絡結構，是自動駕駛汽車、人臉識別系統等計算機視覺應用的基礎，其中基本的矩陣乘法運算被卷積運算取代。
  • 權威發布:中國人工智慧學會自動駕駛入門秘籍
    為實現「智慧」和「能力」兩方面內容，自動駕駛技術一般包括環境感知、決策規劃和車輛控制三大部分。類似於人類駕駛員在駕駛過程中，通過視覺、聽覺、觸覺等感官系統感知行駛環境和車輛狀態，自動駕駛系統通過配置內部傳感器和外部傳感器獲取自身狀態及周邊環境信息。
  • 美團技術解析:自動駕駛中的決策規划算法概述
    綜合以上幾點，在自動駕駛行為決策層，我們需要解決的是在多智能體決策的複雜環境中，存在感知不確定性情況的規劃問題。可以說這一難題是真正實現L4、L5級別自動駕駛技術的核心瓶頸之一，近年來隨著深度強化學習等領域的快速發展，為解決這一問題帶來了新的思路和曙光。
  • 蘇州相城區發布智能駕駛「上路計劃」,福特開放自動駕駛汽車數據集
    豐田表示，該項目將對車企和用戶開放共同的資料庫，每個人都可以在資料庫中安全地寫入和共享數據，這些數據包括自動駕駛汽車的測試和駕駛記錄數據，以及自動駕駛共享出行的用戶們的使用數據等，以此實現的應用包括為自動駕駛汽車行業保險定價等。
  • 權威發布:中國人工智慧學會自動駕駛入門秘籍|雷報025期
    為實現「智慧」和「能力」兩方面內容，自動駕駛技術一般包括環境感知、決策規劃和車輛控制三大部分。類似於人類駕駛員在駕駛過程中，通過視覺、聽覺、觸覺等感官系統感知行駛環境和車輛狀態，自動駕駛系統通過配置內部傳感器和外部傳感器獲取自身狀態及周邊環境信息。
  • 哪種類型的傳感器才能實現真正自動駕駛?
    第一種，負責感知車輛周圍的環境； 第二種，測繪車輛周圍的環境，然後使其能夠在任何時間確定其位置； 第三種，在各種行車場景下負責自動駕駛車輛的決策能力。 根據當前主要汽車廠商和眾多第三方供應商所進行的研究，業界似乎已經達成某種共識，即自動駕駛汽車需要應用多種類型的傳感器，以感知並測繪車輛周圍的環境。
  • 中國推出自我改進金字塔立體網絡 改進自動駕駛車輛深度估計功能
    蓋世汽車訊 在自動駕駛中，基於立體視覺的深度估計技術可以準確地估計出障礙物與車輛的距離，該技術對於車輛正確規劃路徑也至關重要。 （圖片來源：SIAT） 立體深度估計已經變成配備卷積神經網絡的深度學習模型
  • 業界| 從集成方法到神經網絡:自動駕駛技術中的機器學習算法有哪些?
    作者：Savaram Ravindra等參與：Lj Linjing、蔣思源機器學習算法可以融合來自車體內外不同傳感器的數據，從而評估駕駛員狀況或者對駕駛場景進行分類。本文將粗略講解一下各類用於自動駕駛技術的算法。如今，機器學習算法正大規模地用於解決自動駕駛汽車產業日益增多的問題。
  • 自動駕駛會導致AI「奇點」後的失控嗎?
    可以預見，無論被視為一套系統的自動駕駛技術，還是其中作為「駕駛員」這個關鍵決策角色的AI技術，將以超出公眾想像的速度快速迭代進化。但隨著自動駕駛技術的逐步成熟和商業化應用，其背後人工智慧技術的快速迭代，也引起更多對未來的擔憂和倫理探討。畢竟在高速行駛的汽車上，一旦面對最糟糕的結果選擇，人類並不信任機器能做出合適的判斷。
  • 信息技術:中國自動駕駛產業發展動態|汽車|大數據|自動駕駛|智能網...
    （三）對自動駕駛產業相關法律法規的修訂和研究需加快推進汽車是一個長產業鏈的產業，從汽車的全生命周期來看，我國傳統汽車的管理涉及汽車生產企業管理、汽車產品管理、道路交通管理、汽車營運管理、汽車配套服務、汽車回收利用等環節。
  • 【關注】自動駕駛技術與實例最全解析
    汽車自動駕駛系統（Motor Vehicle Auto Driving System），是一種通過車載電腦系統實現無人駕駛的智能汽車系統，其結構一般分為：感知系統、決策系統、執行系統3個部分。
  • 特斯拉不贊成傳感器融合,自動駕駛汽車怎麼辦?
    在耶路撒冷實測的L4汽車正在利用AI先進技術，在多個獨立的計算機視覺引擎上運行不同的神經網絡算法。多個神經網絡會產生『內部冗餘』。其L4自動駕駛汽車沒有使用雷達或LiDAR，僅使用12個攝像頭——「VIDAR」，可實現類似LiDAR的輸出。Mobileye總裁兼執行長Amnon Shashua說：「在耶路撒冷實測的L4汽車正在利用AI先進技術，在多個獨立的計算機視覺引擎上運行不同的神經網絡算法。多個神經網絡會產生『內部冗餘』。」
  • 應用豐富的「卷積神經網絡」技術,怎樣實現了圖像識別?
    僱傭人類專家來手動地標記音樂曲庫和視頻庫看似是一項十分艱巨的任務，但是一項更不可能完成的任務是——教會一個無人駕駛汽車的導航系統區分道路上的行人和其他車輛，或者讓導航系統對出現在社交媒體上的成千上萬的視頻和照片進行過濾、分類和標記。解決這一問題的方法之一是利用神經網絡。理論上，我們可以利用卷積神經網絡來分析圖像；但實際上從計算的角度來看，這樣做的成本非常高。