机器学习算法如何让自动驾驶汽车成为可能?

已发表: 2019-11-18

机器学习最显着的应用之一是自动驾驶或自动驾驶汽车。

机器学习与物联网等其他颠覆性技术相结合,正在帮助改善和增强自动驾驶汽车的功能。 多亏了机器学习,这些自动驾驶汽车非常有能力感知周围的环境并安全移动,几乎不需要或根本不需要人工干预。 机器学习项目的想法

虽然 ML 是自动驾驶汽车中中央电子控制单元 (ECU) 的重要组成部分,但人们正在努力将 ML 进一步集成到自动驾驶汽车中,以打造最先进的产品。 自动驾驶汽车中 ML 算法的主要功能之一是持续监控周围环境并准确预测周围环境可能发生的变化 这个核心任务可以进一步细分。

目录

四个子任务

  • 物体检测
  • 物体识别/识别
  • 对象定位
  • 运动预测

自动驾驶汽车通常包含许多传感器,可帮助他们了解周围环境,包括GPS、雷达、激光雷达、声纳、里程计和惯性测量单元 他们还拥有先进的控制系统,可以解释感官信息以识别障碍物并找出合适的导航路径。

运行自动驾驶汽车信息娱乐系统的基于 ML 的应用程序从传感器数据融合系统接收信息并做出相应的预测。 这些算法还可以将驾驶员的手势、语音识别和语言翻译集成到汽车系统中。

自动驾驶汽车的机器学习算法

1)监督机器学习算法

这些算法使用训练数据集来学习。 他们不断学习,直到达到承诺最小错误的理想水平。 监督机器学习算法可以进一步分为分类、回归和降维算法。 有关机器学习算法类型的详细信息,请阅读机器学习算法类型

2)无监督机器学习算法

这些算法通过理解手头的数据来学习。 这里没有使用训练数据集。 他们试图在数据中找到可识别的模式,然后根据它们之间的相似程度将数据划分为类/组。 聚类和关联规则学习是两种无监督机器学习算法。

现在,让我们深入了解自动驾驶汽车算法的内部工作原理。 自动驾驶汽车的机器学习算法。

自动驾驶汽车的机器学习算法

自动驾驶汽车机器学习算法一般分为四类:

1)回归算法

回归算法明确用于预测事件。 贝叶斯回归、神经网络回归和决策森林回归是自动驾驶汽车中使用的三种主要回归算法。

在回归分析中,估计两个或多个变量之间的关系,并在不同的尺度上比较变量的影响。 回归分析主要依赖三个核心指标:

  • 自变量数
  • 因变量的类型
  • 回归线的形状。

回归算法使用环境的重复方面来形成特定图像与图像内特定对象位置之间关系的统计模型。 统计模型可以通过图像采样提供快速的在线检测。 逐渐地,它也可以扩展到了解其他对象,而无需大量的人工干预。

2)模式识别算法(分类)

通常,高级驾驶辅助系统 (ADAS) 获得的图像充满了来自周围环境的一系列数据。 需要过滤此数据以识别包含特定类别对象的相关图像。 这是模式识别算法进入的地方。

模式识别算法也称为数据缩减算法,旨在排除异常数据点。 在对对象进行分类之前,识别数据集中的模式是必不可少的步骤。

这些算法通过检测对象边缘以及将线段和圆弧拟合到边缘来帮助过滤通过传感器获得的数据。 模式识别算法以多种不同的方式将线段和圆弧结合起来,形成识别物体的终极特征。

具有定向梯度直方图 (HOG)、主成分分析 (PCA)、贝叶斯决策规则和 k 最近邻 (KNN) 的支持向量机 (SVM) 是自动驾驶汽车中最常用的模式识别算法。

3) 聚类算法

聚类算法擅长从数据点中发现结构。 可能会出现 ADAS 获得的图像不清晰,也可能会出现分类算法错过了识别对象,从而无法分类并报告给系统的情况。

这可能是由于图像的分辨率非常低或数据点很少。 在这种情况下,系统很难检测和定位周围的物体。

聚类算法定义了问题的类别和方法的类别。 通常,聚类技术是使用基于质心的分层建模方法建立的。 所有聚类技术都专注于利用数据中的固有结构来最好地将数据组织成具有最大共性的组。

K-means多类神经网络是自动驾驶汽车中使用最广泛的两种聚类算法。

4) 决策矩阵算法

决策矩阵算法本质上用于决策。 它们旨在系统地识别、分析和评价一组价值观和其中的信息之间的关系的表现。 自动驾驶汽车中使用最广泛的决策矩阵算法是梯度提升 (GDM) 和 AdaBoosting。

这些算法决定了自动驾驶汽车的动作。 因此,汽车是否需要左转或右转,是否需要制动或加速,这些问题的答案取决于这些算法的准确性,这些算法涉及到物体的下一步运动的分类、识别和预测。

决策矩阵算法包括独立训练的多个决策模型,这些模型的预测被组合以生成整体预测,同时最大限度地减少错误的可能性。

结论

正如我们所知,所有这些 ML 算法共同作用于自动驾驶汽车的功能。 目前,自动驾驶汽车可以执行人类驾驶员的基本任务,例如控制、导航和驾驶车辆,但当然也有一定的局限性。 然而,随着机器学习的进一步发展和自动驾驶汽车算法的改进,我们对这些自动驾驶汽车有很多期待。

如果您对学习机器学习感兴趣并想了解如何训练聊天机器人、如何训练代理玩井字游戏等等,请查看 IIIT-B 的机器学习和人工智能 PG 文凭课程。

自动驾驶汽车使用什么机器学习?

自动驾驶汽车的大脑可以分为三部分:感知系统、决策系统和运动系统。 感知系统使汽车能够看到环境。 汽车摄像头、雷达、激光扫描仪和超声波用于捕捉汽车周围的环境,以便它可以看到。 决策系统是大部分机器学习发生的地方。 这是汽车的计算机系统分析来自感知系统的信息并决定下一步做什么的地方。 第三部分是运动系统,它是使汽车运动的部分。 其中的机器学习部分是确保汽车了解周围环境,并对行人和其他汽车做出适当的反应。

自动驾驶汽车是否使用深度学习?

答案是肯定的。 人工神经网络从一开始就被用于自动驾驶汽车。 因此,深度学习是唯一能够制造自动驾驶汽车、卡车、船只和其他车辆的技术。 深度学习不仅能够在现实世界中自动控制车辆,还能够通过收集和分析实际驾驶数据来学习如何更有效地控制车辆。 换句话说,深度学习是唯一能够制造自动驾驶汽车、卡车、船只和其他车辆的技术。

自动驾驶汽车如何处理数据?

自动驾驶汽车处理来自许多传感器的数据。 这些传感器放置在汽车周围,可以检测行人、其他汽车、交通灯和标志等物体。此外,汽车可以像人类一样检测自身周围的环境。 当它检测到物体时,传感器会将数据发送到主计算机。 计算机处理这些数据并计算出物体的图像。 然后它将图像与存储在其数据库中的图像进行比较。 如果物体的图像相似,那么计算机将相应地移动汽车。