近年来，自动驾驶技能技能的发展速率非常快。估量达到完备自动驾驶L5的程度是指日可待的。自动驾驶的核心技能紧张是人工智能中的机器学习与深度学习两个方向。在本文中，我们的关注点在于机器学习算法在自动驾驶技能中的运用。
为了让读者更好地理解自动驾驶中的机器学习算法，本文会首先先容有关该设备和自动驾驶技能的运行事理，然后先容机器学习方法及其在自动驾驶任务中的运用。末了展示一些盛行的自动驾驶技能仿照器。
关于自动驾驶技能
自动驾驶技能的目的在于解除汽车对驾驶员的需求，支配了自动驾驶技能的汽车能够完备独立自主的地把汽车从一个地点驾驶到另一个地点。为了能够完成这项繁芜的任务，这些汽车须要配备额外的硬件和软件系统，帮助AI系统理解环境、做出决策并采纳行动。自动驾驶技能须要回答以下个问题。
1.自动驾驶技能如何看到？
自动驾驶技能紧张利用摄像头、普通雷达和激光雷达三种传感器，它们就像人眼和大脑一样协同事情。它们共同为汽车供应了清晰的环境视图。帮助汽车识别附近物体的位置、速率和 3维形态。此外，目前依赖的自动驾驶技能现在正在培植惯性丈量单元，可以监测和掌握汽车的加速度和位置。
2.自动驾驶技能如何做出决策？
在通过传感器识别到周边物体之后，自动驾驶的决策系统一样平常通过聚类算法将周边物体进行聚类，并根据物体位置做出决策。
接下来我们来展示一下自动驾驶掌握系统的事情事理，掌握系统紧张进行场景理解和决策方案两方面事情，系统紧张的事情步骤如下：
传感器：从环境中网络传感器数据；
感知和定位：识别和定位物体和标记；
场景表示：理解环境参数和特色；
方案决策：路径和运动方案，根据驾驶策略探求最优轨迹；
掌握：设置必要的车辆加速、减速、转向和制动参数。
AVs 掌握系统的紧张组件
自动驾驶中的强化学习与监督学习
机器学习是指打算机程序通过已知履历数据中进行演习，通过迭代演习以提高其在指界说务上预测准确性的过程。机器学习算法常日分为三大类流派，分别是监督学习、无监督学习和强化学习 (RL)。监督学习算法基于归纳推理，常日须要利用有标记的数据进行演习，以实行分类或回归，而无监督学习一样平常运用于未标记数据的密度估计或聚类等技能。比较之下强化学习比较自成一派，其通过与环境交互来提高其在指界说务上的性能，与监督和非监督学习利用丢失函数进行迭代演习的办法不同，强化学习一样平常利用褒奖函数进行演习，比如OpenAI与王者光彩的绝悟AI都属于强化学习的范畴，一样平常在电竞、机器人等方向上运用较多。
根据各种机器学习算法的特点，可以看出在“场景理解”的干系任务中，利用监督学习算法比较得当，而在“决策与方案”任务中，又非强化学习算法莫属。
在实际事情中，监督学习为强化学习供应了必要的环境信息，监督学习算法一样平常将“场景理解”的结果，输入到强化学习模型当中，在监督学习的加持下，强化学习可以完成方向盘操作优化、路径方案和轨迹优化、动态路径方案、基于场景的高速公路及交叉路口的合并与拆分等等高难度自动驾驶任务，通过来自专家系统的逆向强化学习，增加对付行人、车辆等交通参与者的意图预测，并确保安全操作的实行优先级。
用于自动驾驶的盛行算法
SIFT
SIFT算法一样平常用于特色提取，该算法检测工具并阐明图像。例如，对付三角形标志，以标志的三个顶点作为特色输入，自动驾驶系统可以通过这些点来识别标志。
梯度提升
不同于在神经网络中利用的梯度低落算法，梯度提升是一种用于回归、分类和其他任务的技能，它一样平常以决策树等弱预测模型根本天生新的预测模型，其分类性能常日优于随机森林。梯度提升与下文即将出场的AdaBoost算法事情事理类似。
AdaBoost
该算法网络数据并对其进行分类，以提高自动驾驶系统的性能。它将各种低性能分类器进行分组，根据当前迭代中的实际性能自动调度其参数，以得到高性能分类器。在实践中，AdaBoost技能与大略的分类树或树桩作为基学习器一样平常合并利用，与其他单个基学习器的分类比较，这样的办法提高了性能。
TextonBoost
TextonBoost 算法的事情事理与 AdaBoost 类似，只是它吸收来形状、高下文和外不雅观的数据。
HOG
HOG 是一种特色描述符，常用于从图像数据中的特色提取。HOG 一样平常用于剖析工具的位置，以理解工具如何变革或移动。实际操作中HOG方法紧张用于人脸和图像检测来对图像进行分类，还能用于识别并分类车辆类型。
YOLO
YOLO算法对付工具分类，如将图像中的行人、树木和车辆进行分类。YOLO利用卷积神经网络，这使其非常适宜理解空间信息，并能够提取边缘、线条和纹理等特色。YOLO有 24 个卷积层。当激光雷达与 YOLO合营利用时，可以在拥挤的交通环境下进行导航。
用于算法测试和演习的仿照器和数据集
仿照器是用于试验自动驾驶系统的利器，特殊是对付强化学习其意义更为明显。主流的仿照器如下：
CARLA – 城市仿照器，包含摄像头和激光雷达的信息流，有语义分割、位置信息。TORCS – 赛车仿照器，包括摄像头、代理位置、车辆测试掌握策略。AIRSIM – 具有深度和语义的摄像头的数据流，并且支持无人机的自动驾驶测试。GAZEBO (ROS) – 多机器人物理仿照器，用于繁芜的二维和三维舆图中进行路径方案和车辆掌握的测试。SUMO – 城市交通的宏不雅观尺度建模，用于运动方案测试利用。DeepDrive – 一个基于虚幻平台搭建的自动驾驶仿照器，供应多摄像头数据。NVIDIA DRIVE Sim™ –一种是开放、可扩展、模块化的仿照器，支持从头开始构建以运行大规模、物理精确的多传感器仿真。WEBOTS – 一个完全的开拓环境，可以用来建模、编程和仿照测试。
写在末了
机器学习在自动驾驶领域发挥着重要浸染。在这篇文章中，我们先容了自动驾驶技能的一些基本知识，以及机器学习算法在自动驾驶系统中的运用，还简要解释了一些在实践中比较盛行的算法以及一些用于自动驾驶测试的仿照器。末了我们可以得出结论，自动驾驶具有实现完备自主L5级别的潜力。这可能会减少道路交通事件，让那些无法开车的人独立，从而改进交通物流。
声明：本文由CSDN翻译，转载请注明来源。
作者：Denis Chikurtev原文链接：
https://pereliksoft.com/index.php/2021/07/08/machine-learning-in-autonomous-vehicles/
