江苏龙网

  1. 首页 > 生活 > >

#tesla#全球自动驾驶汽车硬件和软件最新技术总结（2020）( 二 )


为了更准确地执行SLAM ， 传感器融合开始发挥作用 。 传感器融合是组合来自多个传感器和数据库的数据以获得改进信息的过程 。 它是一个多级过程 ， 处理数据的关联 ， 相关性和组合 ， 与仅使用单个数据源相比 ， 可以实现更便宜 ， 更高质量或更多相关信息 。

#tesla#全球自动驾驶汽车硬件和软件最新技术总结（2020）
本文图片

对于从传感器数据到运动所需的所有处理和决策 ， 通常使用两种不同的AI方法：
1、顺序地 ， 将驱动过程分解为分层管道的组件 ， 每个步骤（传感 ， 定位 ， 路径规划 ， 运动控制）都由特定的软件元素处理 ， 管道的每个组件都将数据馈送到下一个；
2、基于深度学习的端到端解决方案 ， 负责所有这些功能 。

#tesla#全球自动驾驶汽车硬件和软件最新技术总结（2020）
本文图片

哪种方法最适合AV的问题是不断争论的领域 。 传统且最常见的方法包括将自动驾驶问题分解为多个子问题 ， 并使用专用的机器学习算法技术依次解决每个子问题 ， 这些算法包括计算机视觉 ， 传感器融合 ， 定位 ， 控制理论和路径规划 。
端到端（e2e）学习作为一种解决方案 ， 可以解决自动驾驶汽车复杂AI系统所面临的挑战 ， 因此越来越受到人们的关注 。 端到端（e2e）学习将迭代学习应用于整个复杂系统 ， 并已在深度学习的背景下得到普及 。
03 三种机器深度学习方法
当前 ， 不同类型的机器学习算法被用于自动驾驶汽车中的不同应用 。 本质上 ， 机器学习根据提供的一组训练数据将一组输入映射到一组输出 。 1、卷积神经网络（CNN）；2、递归神经网络（RNN）；3、深度强化学习（DRL）；是应用于自动驾驶的最常见的深度学习方法 。
#tesla#全球自动驾驶汽车硬件和软件最新技术总结（2020）
本文图片

CNN——主要用于处理图像和空间信息 ， 以提取感兴趣的特征并识别环境中的对象 。 这些神经网络由卷积层组成：卷积过滤器的集合 ， 它们试图区分图像元素或输入数据以对其进行标记 。 该卷积层的输出被馈送到一种算法中 ， 该算法将它们组合起来以预测图像的最佳描述 。 最终的软件组件通常称为对象分类器 ， 因为它可以对图像中的对象进行分类 ， 例如路牌或其他汽车 。
RNN——当处理诸如视频之类的时间信息时 ， RNN是强大的工具 。 在这些网络中 ， 先前步骤的输出作为输入被馈送到网络中 ， 从而使信息和知识能够持久存在于网络中并被上下文化 。
DRL——将深度学习（DL）和强化学习相结合 。 DRL方法使软件定义的“代理”可以使用奖励功能 ， 在虚拟环境中学习最佳行动 ， 以实现其目标 。 这些面向目标的算法学习如何实现目标 ， 或如何在多个步骤中沿特定维度最大化 。 尽管前景广阔 ， 但DRL面临的挑战是设计用于驾驶车辆的正确奖励功能 。 在自动驾驶汽车中 ， 深度强化学习被认为仍处于早期阶段 。
这些方法不一定孤立地存在 。 例如 ， 特斯拉（Tesla）等公司依靠混合形式 ， 它们试图一起使用多种方法来提高准确性并减少计算需求 。
一次在多个任务上训练网络是深度学习中的常见做法 ， 通常称为多任务训练 或辅助任务训练 。 这是为了避免过度拟合 ， 这是神经网络的常见问题 。 当机器学习算法针对特定任务进行训练时 ， 它会变得非常专注于模仿它所训练的数据 ， 从而在尝试进行内插或外推时其输出变得不切实际 。
通过在多个任务上训练机器学习算法 ， 网络的核心将专注于发现对所有目的都有用的常规功能 ， 而不是仅仅专注于一项任务 。 这可以使输出对应用程序更加现实和有用 。


推荐阅读


上一篇：jeep：儿时梦可以实现了！39.99万的科迈罗降了，比奥迪A6L还便宜

下一篇：「荣威」三款靠谱的插混SUV，让你少花钱更明智