1、深度學習人工智能在無人駕駛上的應用 摘 要？鏨瞳妊？習的概念及深度學習人工智能在環境感知技術上的應用，詳細闡述深度學習的工 作原理以及其應用前景。關鍵詞 人工智能 無人駕駛 環境感知技術 深度 學習中圖分類號： TP29 文獻標識碼： A 機器深度學習是近年來在人工智能領域的重大突 破之一，它在語音識別、自然語言處理、電腦視覺等 領域都取得了不少成功。由于車輛行駛環境復雜，當 前感知技術在檢測與識別度方面無法滿足無人駕駛發 展需要，深度學習被證明在復雜環境感知方面有巨大 優勢。視覺感知技術是無人駕駛的核心技術。 無人駕駛一般包括四個等級或者五個等級，不管 哪個等級都會包含環境感知、規劃決策和執

2、行控制等 三個方面。其中環境感知方式主要有視覺感知、毫米 波雷達感知和激光雷達感知，其中的視覺感知是無人 駕駛感知的最主要的方式。中國的路況較為復雜， 雨天、霧霾天以及下雪天。另外，像馬車、吊車以及摩托車，還有摩托車拉豬、卡車拉樹的現象在我們生活中經常遇到，這些場景對 視覺是一個難題，提高這種復雜路況下的感知精度是 無人駕駛研究的挑戰。1 深度學習能夠滿足復雜路況下視覺感知的高精 度需求深度學習被認為是一種有效的解決方案，深度學 習是模擬人的大腦，是近 10 年來人工智能取得一個較 大的突破。深度學習在視覺感知中近幾年應取得了較 大的進展，相對于傳統的電腦視覺，深度學習在視覺 感知精度方面有比

3、擬大的優勢。特別是 2022 年以后，有報導指出深度學習如果算 法和樣本量足夠的話， 其準確率可以到達 99.9%以上， 傳統的視覺算法檢測精度的極限在 93%左右。而人的 感知，也就是人能看到的準確率一般為 95%，所以從 這個方面看，深度學習在視覺感知方面是有優勢的。所謂深度學習，又名深度神經網絡，相對于以前 的神經網絡來說是一種更多層和節點的神經網絡機器 學習算法，從這兒可以看出來，其實深度學習是一種 機器學習，可以說是一種更智能的機器學習。深度學 習主要類型一般包括 5種類型，像 CNN、RNN、LSTM 、 RBM和Autoencoder,其中我們主要的是用的 CNN ,CNN 另外

4、一個名字叫卷積神經網絡。 卷積神經網絡已 經被證明在圖像處理中有很好的效果。其中，自學特征是深度學習的最大優勢。例如智 能駕駛需要識別狗，在以前的算法中如果要識別狗， 對狗的特征要用程序來詳細描述，深度學習這個地方 如果采集到足夠的樣本，然后放在深度學習中訓練， 訓練出來后的系統就可以識別這個狗。傳統的電腦的 視覺算法需要手工提取特征，很多時候需要專家的知 識，算法的魯棒性設計非常困難，很難保證魯棒性， 我們做視覺感知的時候就遇到很多困難。另外如果要 保證這個穩定需要大量的調試，非常耗時。深度學習一般包括四種類型的神經網絡層，輸入 層、卷積層、池化層、輸出層。網絡的結構可以 10 層甚至上百層

5、，一般層數越多檢測精度會更精準。并 且隨著網絡層數和節點數的增加，可以表達更細、更 多的識別物的特征，這樣的話可以為檢測精度的提高 打下根底。其中卷積層和池化層是深度學習的核心處理層。 卷積層主要是用于負責物體特征的提取；池化層主要 是負責采樣。 比方簡單理解池化層，就是一個數獨里 面取一個最大值，這就是池化層。 卷積層與池化層是 深度學習兩個核心的層。深度學習工作的原理，深度學習一般包括兩個方 面，一個是訓練，一個是檢測，訓練一般主要是離線 進行，就是把采集到的樣本輸入到訓練的網絡中。訓 練網絡進行前向輸出，然后利用標定信息進行反應， 最后訓練出模型，這個模型導入到檢測的網絡中，檢 測網絡就

6、可以對輸入的視頻和圖像進行檢測和識別。 通常情況下，樣本的數量越多，識別的精度一般也會 越高，所以這個樣本的數量是影響深度學習精度重要 的一個因素。2 深度學習在無人駕駛感知上應用前景廣闊一般的環境感知方面用到的深度學習會多一些， 主要是視覺與毫米波雷達方面。在駕駛策略里面也會 用到機器學習，但是我們一般叫做增強學習，用于駕 駛策略的研究。在環境感知方面，深度學習可以在視 覺感知、激光雷達感知， 還有駕駛員狀態監測等方面， 甚至在攝像頭和毫米波雷達融合方面都具有優勢。在環境感知方面，我們在這方面做的重要工作就 是前向視覺感知應用。大家知道前向視覺感知是作為 無人駕駛很重要的一局部，我們嘗試深度學習在這方 面一些應用。主要采用了單目攝像頭的方案，選用的 模型是Faster R-CNN,在GPU TITAN 平臺上運行。 目標檢測物主要包括車道線、車輛、行人、交通標識 和自行車，目前車輛的樣本有 3 萬左右，行人樣本大 概2萬左右，其他的樣本較少，大概10002000。從 運行效果來看，識別精度、識別類型較以前開發的一 些傳統的視覺算法，我們覺得有比擬大的改善。3 結論 深度學習人工智能給車主提供了更人性化、更智 能化的功能，將給車主行車帶來極大的便利。但人工 智能技術帶來的挑戰也不可小覷。需要汽車行業的及 互聯網行業的人才一起