自动驾驶基础-传感器融合五

上文谈到，因为LiDAR提供了精确的关于深度的信息，所以它最初在自主驾驶汽车上是被用于物体识别和追踪的。但近年来，随着深度学习技术的飞速发展，它在物体识别和追踪的准确度上有了显著的提高。下面就深度学习做一些简单介绍。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，深度神经网络之一的卷积神经网络（Convolutional neural network，简称ConvNet 或者CNN）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Net，简称DBN）就是一种无监督学习下的机器学习模型。

卷积神经网络（CNN）已经被广泛地用于物体识别。一个普通的CNN评估管道一般包括下述的几层：

·卷积层，使用不同的过滤器来从输入图像里抽取不同的特征。每个过滤器都包括一套在训练阶段结束后“可学习到”的参数；

·启动层，决定是否要启动目标神经元；

·Pooling层，降低图像表征的空间尺寸，从而能降低参数的数量，以及随之带来的网络计算量的降低；

·全连接层，连接前一层所有的启动神经元到本层的所有的神经元。

一旦用CNN识别了一个物体，下一步就是自动地估计物体移动的轨迹了，或叫物体追踪。物体追踪技术可以被用来跟踪附近行驶中的车辆，也能用来跟踪横穿马路的行人。从而保证车辆不会和其他移动的物体发生碰撞。近年来，深度学习技术已经展示出比传统的计算机视觉技术更好的跟踪能力。通过使用辅助的自然图片，一个堆栈化的自动编码器可以被离线的训练来学习常见的图片特征。这样获得的模型比从实际车辆的位置和视角上看到的震动的图片去训练的模型要更鲁棒。这个离线训练的模型就可以被用来做物体追踪。

在决策阶段，行为预测、路径规划和避障机制被组合起来，实时地产生一个有效的操作计划。

人类司机在行驶过程中所面对的一大挑战就是如何去应对其他司机可能的行为。因为其他司机的这些行为会直接影响他自己的驾驶策略。这在有多个车道的路面以及行驶改变点的时候尤其重要。为了保证自主驾驶汽车在这些情况下能安全行驶，决策单元会预测附近其他车辆的行为，并依据这些预测来做出自己的操作计划。为了预测它车的行为，我们可以生成一个其他车辆可达的位置集合的统计模型，并给出这些集合的概率分布。

在一个动态变化的环境里，规划一个自主驾驶、自主反应的汽车的路径是一个复杂的问题，尤其当要求车辆完全利用它自己的操控能力的时候。一种方法是使用确定性全局算法，即搜索全部可能的路径，并用一个损失函数来决定最佳路径。但是这个方法的计算量非常大，并有可能无法提供实时的导航计划。为了规避这个计算复杂度并提供有效的实时路径规划，一般使用概率性规划器。

自主驾驶中，安全是极其重要的考虑因素，所以我们应该使用至少两级避障机制来保证车辆不会撞到其他东西。第一级是主动的，基于交通情况预测的。交通预测机制产生类似于预计碰撞时间或是预计最小距离的指标。基于这些指标，避障机制被触发来进行局部路径的再规划。如果主动机制失效，第二级使用雷达数据的被动机制就会接管控制。一旦雷达探测到路径前方有障碍，它就要获取车辆的控制权，并设法避障。

车载客户端子系统集成了上诉算法，来满足实时和可靠性的需求。客户端系统要应对三大主要的挑战：

·系统需要确保处理管道足够快，才能及时消化掉传感器产生的海量数据；

·如果系统的部分失效了，系统自己必须保证足够鲁棒，从而能从失效中恢复；

·系统需要在有限的供电和计算资源的情况下完成所有的运算。

关于自动驾驶的技术文章，可以参考前文，下面是链接：