comma.ai评估.docxVIP

自动驾驶问题背景对于传统车企来说，传统车企凭借着扎实的的底层技术情况下，偏向于做渐进式ADAS(高级驾驶辅助系统)，主要是利用安装于车上的各式各样的传感器，在第一时间收集车内外的环境数据，进行静、动态物体的辨识、侦测与追踪等技术上的处理，从而能够让驾驶者在最快的时间察觉可能发生的危险，以引起注意和提高安全性的主动安全技术。渐进式ADAS可按工况分解开，分层实现自动驾驶技术。研发过程中可以创造出多个实用功能，例如：自动泊车、自适应巡航控制系统、行人检测、交通信号识别等。图1渐进式ADAS开发结构图图1为渐进式ADAS开发结构图，整体系统可以分成感知层、模型层、执行层三大部分，系统开发结构清晰、分工明确、便于管理和扩展。对于传统车企来说，即可以快速吸收研发成果，投入实际盈利中，又有充足的时间和技术支持完成公司乃至于汽车行业的战略转型。而对于互联网与?创业团队来讲，在没有足够的汽车与传感器硬件资源的情况下，需要另辟蹊径。互联网与创业团队的优势在于算法的迭代，comma.ai系统是个很好的参考，将人工智能应用在自动驾驶上，Comma.ai的策略是建立起一个代理（agent），通过模拟预测出未来路况事件来训练汽车模仿人类驾驶行为及驾驶规划能力。图2 comma.ai结构图comma.ai系统的核心在于对模型的建立，通过大量的数据集，训练模型回归驾驶员操作，同时训练模型预测未来场景的能力，从而作出合理的驾驶行为。comma.ai实现策略简介GeoHot(软件作者)论文阐述了一种目前研究用于驾驶模拟的方法，旨在研究变分自动编码器（VariationalAutoencoder，简称VAE）及基于生成式对抗网络（generative adversarial network，简称GAN），用于实现道路视频预测的代价函数。训练了一种在此基础上结合了递归神经网络（RNN）的转换模型。该优化后的模型在像素空间中虽不存在代价函数，但展示的方法仍能实现对多帧逼真画面的预测。对此目前大概有两种解决方案，其一是手动开发一套模拟器，其二是训练出预测未来场景的能力。前者的方案涉及到对物理世界的规则定义以及将现实的随机性建模的专业领域，但此类专业知识已经涵盖了所有与控制相关的信息，基本覆盖了现有如飞行模拟器，机器人行走等领域，实现难度较大。图3 递归神经网络解决方案图GeoHot重点研究通过设置人类代理（agent）来使其自己模拟预测现实世界场景，Geohot给出了两种在视频数据集上的尝试，第一种是直接从图像回归驾驶员的操作（方向盘转角），第二种是预测（猜测）下一帧时车辆前置摄像头看到的图像。第一个任务一般被称为steering angle prediction，该任务模型用到了VAE、GAN等最新的深度网络模型，代码使用GPU进行训练。根据以往公布的自动驾驶数据来看，comma.ai是第一个公开的大规模的有着详细标注的可以用来研究steering angle prediction的数据集。Geohot的文章给出了一些初步的探索，但并不是其强调的重点。?Geohot的文章主要专注于解决第二个任务，即?预测（猜测）下一帧时车辆前置摄像头看到的图像。考虑到问题的复杂性，不考虑端到端（End-to-End）的方法，而是使用分离的网络来学习视频预测。提出的体系架构基于两种模型：其一是利用Autoencoder来降维，其二是用一个RNN进行转换（transition），文章大量介绍该驾驶模拟器(Driving simulator)模型结构。图4 Geohot驾驶模拟器模型结构图comma.ai软件搭建环境要求系统要求:Linux系统(常用Ubuntu、Fedora、CentOS)开发环境：Python+Tensorflow+Keras+Anaconda +CV2Python:广泛应用于机器学习、深度学习的开发语言Tensorflow:人工智能开发框架Keras:深度学习框架Anaconda:科学计算框架OpenCV2:图像处理框架硬件要求：超高性能GPU+CPU (处理大量图像数据，需要硬件有超高的计算能力)参考配置CPUi7-6代￥2400GPUGTX1080-8G￥5000其他配套计算机配件￥5000合计￥12400软件实验复现难度需要高层次的深度学习、人工智能相关的理论基础。对CNN网络、GAN网络有研究经验。有在 Linux上使用python语言调试深度学习算法的基础。对常用的深度学习框架有调试经验。高性能的计算机硬件搭建执行器需要特定实体车型号与控制器参考文献Commalds.pdf --开源软件作者发表的介绍论文research-master --开源软件作者在github上的软件介绍/documenthtml --论文编译文章/new