在自動駕駛汽車中使用深度學(xué)習(xí)可以幫助克服各種挑戰(zhàn)，例如了解行人的行為，找到最短的路線以及對人和物體進(jìn)行準(zhǔn)確檢測。

根據(jù)一份報告，2018年約有80％的道路交通事故是由于人為錯誤造成的。因此，將自動駕駛汽車納入主流的主要目標(biāo)之一是消除對人類駕駛員的需求并減少道路致死率。使用自動駕駛汽車進(jìn)行的實驗無疑表明在一定程度上減少了道路傷亡人數(shù)。

但是，仍然有很多人經(jīng)?？吹接嘘P(guān)自動駕駛汽車事故的新聞，例如Uber自動駕駛汽車事故在美國亞利桑那州撞死了一名行人。發(fā)生事故的原因據(jù)說是自動駕駛汽車無法準(zhǔn)確檢測和識別行人。為了最大程度地減少此類事故，需要對自動駕駛車輛進(jìn)行大量的訓(xùn)練，以準(zhǔn)確檢測其路線中是否存在人員和任何其他物體，這就是深度學(xué)習(xí)的介入。自動駕駛汽車的深度學(xué)習(xí)可以幫助他們有效地分類和檢測道路和周圍環(huán)境中的人或物體。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個子集，它使用人工神經(jīng)網(wǎng)絡(luò)來模仿人腦的復(fù)雜功能。深度學(xué)習(xí)可以在沒有任何人工干預(yù)的情況下更準(zhǔn)確地對對象進(jìn)行分類。例如，假設(shè)有兩個人寫數(shù)字九（9），但是他們兩個人都以不同的方式寫數(shù)字（一個人寫9，其他人寫一個nine，底部沒有清晰的曲線）。除非掌握了所有可能的寫數(shù)字九的方法，否則深度學(xué)習(xí)網(wǎng)絡(luò)以外的AI算法將很難檢測到，盡管形狀不同，但兩個數(shù)字都代表九。借助深度神經(jīng)網(wǎng)絡(luò)進(jìn)行的深度學(xué)習(xí)可以輕松地將兩個數(shù)字都識別為9。深度學(xué)習(xí)準(zhǔn)確地對不同對象進(jìn)行分類的能力可以解決自動駕駛汽車面臨的一些主要挑戰(zhàn)。

自動駕駛汽車深度學(xué)習(xí)如何應(yīng)對某些挑戰(zhàn)

機(jī)器學(xué)習(xí)算法在訓(xùn)練自動駕駛汽車時面臨特征提取的問題。特征提取要求程序員告訴算法他們應(yīng)該尋找什么來做出決策。因此，機(jī)器學(xué)習(xí)算法的決策能力在很大程度上取決于程序員的洞察力。深度學(xué)習(xí)的功能有所不同，消除了特征提取的問題，從而使深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的檢測和決策更加準(zhǔn)確。深度學(xué)習(xí)可以提高檢測道路上障礙物的準(zhǔn)確性和更好的決策能力，可以幫助應(yīng)對自動駕駛汽車面臨的許多挑戰(zhàn)。

了解復(fù)雜的交通行為

駕駛是一個過程，涉及與其他駕駛員和行人的復(fù)雜互動。例如，如果騎自行車人打算轉(zhuǎn)彎，那么他或她將做出手勢示意，以通知附近的其他駕駛員。然后，駕駛員可以放慢其車輛的速度，從而允許騎自行車的人轉(zhuǎn)彎。人類依賴于通用智能來進(jìn)行這種社交互動。而且，通過深度學(xué)習(xí)，自動駕駛汽車現(xiàn)在很有可能與其他駕駛員和行人進(jìn)行社交互動。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)可以幫助自動駕駛汽車檢測其他駕駛員和行人給出的導(dǎo)航信號，并采取適當(dāng)措施避免發(fā)生任何碰撞。

在極端天氣條件下檢測招牌

自動駕駛汽車面臨的另一個主要挑戰(zhàn)是極端天氣條件。盡管這是任何技術(shù)都無法完全解決的環(huán)境挑戰(zhàn)，但深度學(xué)習(xí)可以解決極端氣候下的問題。例如，在降雪期間，道路上的招牌可能會被雪覆蓋。而且，降雪后的一段時間內(nèi)，招牌可能僅部分可見。使用其他AI算法，自動駕駛汽車將很難理解招牌上的半個標(biāo)志。但是借助神經(jīng)網(wǎng)絡(luò)進(jìn)行的深度學(xué)習(xí)可以從招牌上的部分可見標(biāo)志創(chuàng)建完整標(biāo)志的圖像。神經(jīng)網(wǎng)絡(luò)將不完整的符號發(fā)送到神經(jīng)層，然后將其傳遞給隱藏層，以確定完整的符號應(yīng)該是什么。基于輸出，神經(jīng)網(wǎng)絡(luò)可以根據(jù)招牌上的標(biāo)志做出決策。

尋找最短的旅行路線

地球上的所有動物，包括人類在內(nèi)，都可以在周圍環(huán)境中導(dǎo)航并靈活地探索新區(qū)域。由于神經(jīng)回路的空間行為，它們的導(dǎo)航成為可能。動物的大腦通過在規(guī)則的六邊形網(wǎng)格中繪制周圍環(huán)境來導(dǎo)航。這些六角形圖案有助于導(dǎo)航，類似于地圖中的網(wǎng)格線。神經(jīng)模式支持基于矢量的導(dǎo)航的假設(shè)。基于矢量的導(dǎo)航使大腦可以計算到所需位置的距離和方向。

可以使用基于矢量的導(dǎo)航功能來訓(xùn)練深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，以找到從點A到點B的最短路徑。通過將動物大腦使用的相同網(wǎng)格線模式嵌入第一層，深度學(xué)習(xí)可以計算距離和到達(dá)目的地的方向。具有基于矢量的導(dǎo)航和深度學(xué)習(xí)功能的自動駕駛汽車還可以檢測到任何新近可用的快捷方式的存在，以減少出行時間。

深度學(xué)習(xí)本身還需要克服諸多挑戰(zhàn)

盡管自動駕駛汽車有很多好處，但僅憑深度學(xué)習(xí)就無法使自動駕駛汽車成為最高級最智能的交通工具，因為阻礙自動駕駛汽車走向主流發(fā)展的障礙很多。借助深度學(xué)習(xí)，檢測對象的準(zhǔn)確性確實會提高，但要付出大量數(shù)據(jù)的代價?；跀?shù)據(jù)表示的深度學(xué)習(xí)功能。數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)的不同層上表示，然后根據(jù)數(shù)據(jù)模式導(dǎo)出輸出。由于深度學(xué)習(xí)的完整功能是基于數(shù)據(jù)的，因此與其他AI算法相比，訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要更多數(shù)據(jù)，因此很難創(chuàng)建用于訓(xùn)練它們的數(shù)據(jù)集。而且，收集訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需的數(shù)據(jù)也非常耗時。

使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的另一個挑戰(zhàn)是它們的黑匣子問題。如果程序做出了決定，則程序員可以撤消該決定，以找出程序做出該決定的原因。但是，深度學(xué)習(xí)不是可追溯的系統(tǒng)，而是在隱藏層中處理數(shù)據(jù)。開發(fā)人員只能找到輸入到神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)及其輸出。但是，他們無法找出隱藏層中進(jìn)行了哪些處理來做出決定。因此，很難知道深度學(xué)習(xí)網(wǎng)絡(luò)失敗的原因，因為沒有人可以追溯到發(fā)生失敗的地方。

有時，深度學(xué)習(xí)網(wǎng)絡(luò)甚至無法實現(xiàn)其本來打算完成的任務(wù)。神經(jīng)網(wǎng)絡(luò)很難像在不同的視頻幀中一樣在小圖像變換中進(jìn)行概括。例如，根據(jù)一項研究，深卷積網(wǎng)絡(luò)將狒狒或貓鼬標(biāo)記為相同的北極熊，具體取決于背景的微小變化。

無人駕駛汽車是一項實驗，至今尚無人知道結(jié)果如何。自動駕駛汽車深度學(xué)習(xí)能否將其驅(qū)動到主流交通工具取決于技術(shù)如何進(jìn)一步發(fā)展。即使克服了深度學(xué)習(xí)的挑戰(zhàn)，自動駕駛汽車的方式也存在其他障礙。這些汽車與IoT設(shè)備等多種技術(shù)集成在一起，以收集數(shù)據(jù)，云計算以處理數(shù)據(jù)，以及5G以提高數(shù)據(jù)傳輸速度。一旦這些技術(shù)能夠有效地協(xié)同工作，以建立良好的交通生態(tài)系統(tǒng)，自動駕駛汽車就能成為主流。

責(zé)任編輯：gt