深度学习技术在自动驾驶中的应用

在过去的十年里,自动驾驶汽车技术取得了越来越快的进步,主要得益于深度学习和人工智能领域的进步。作者就自动驾驶中使用的深度学习技术的现状以及基于人工智能的自驱动结构、卷积和递归神经网络、深度强化学习范式进行了详细的阐述。并对这些方法在自动驾驶场景感知、路径规划、行为仲裁和运动控制算法进行综述,同时就目前自动驾驶设计中使用人工智能体系结构所遇到的挑战,如安全性、训练数据源和计算硬件进行了详细的阐述,本文将从以下脑图结构内容展开。

深度学习和人工智能成为计算机视觉、机器人和自然语言处理(NLP)等领域取得重大突破的主要技术。它们在当今学术界和工业界也产生了重大影响。自动驾驶汽车开始从实验室开发和测试条件转向在公共道路上驾驶。它的部署将减少了道路事故和交通拥堵,并改善了我们在拥挤城市中的流动性。“自动驾驶”的名称似乎不言而喻,但实际上有五个SAE级别用于定义自动驾驶。SAE J3016标准(SAE委员会,2014年)引入了一个从0到5的汽车自动化分级标准。较低的SAE级别具有基本的驾驶员辅助功能,而较高的SAE级别则向无需任何人工交互的车辆移动。5级车不需要人工输入,甚至不需要方向盘或脚踏板。尽管大多数驾驶场景可以用经典的感知、路径规划和运动控制方法相对简单地解决,但剩余的未解决场景是传统方法失败的案例。

上世纪80年代,恩斯特·迪克曼开发了第一批自动汽车,这为Prometheus等旨在开发全功能自主汽车的新研究项目铺平了道路。1994年,这辆无人驾驶汽车成功地行驶了1600公里,其中95%是自主驾驶的。同样,在1995年,CMU Navlab演示了6000公里的自主驾驶,98%的人是自主驾驶的。自主驾驶的另一个重要里程碑是2004年和2005年的DARPA大挑战赛,以及2007年的DARPA城市挑战赛。目标是让无人驾驶汽车在没有人为干预的情况下,尽可能快地驶过一条越野路线。2004年,15辆车都没有完成比赛。斯坦利等人利用机器学习技术在非结构化环境中进行了导航,这是自动驾驶汽车发展的一个转折点,从此机器学习和人工智能在自动驾驶的核心组成部分中开始被探索,这一转折点在本调查报告中也很明显,因为大多数调查工作都是在2005年以后进行的。

2.自动驾驶系统自动驾驶是一种自主决策系统,它处理来自不同车载来源的观测流,如照相机、雷达、激光雷达、超声波传感器、GPS装置和/或惯性传感器。这些观察结果被汽车的计算机用来做驾驶决定

发表评论

电子邮件地址不会被公开。 必填项已用*标注