【2018年整理】机器学习算法在自动驾驶领域的应用大盘点.docxVIP

机器学习算法在自动驾驶领域的应用大盘点将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类，都要用到机器学习。本文中，我们讲解了不同的自动驾驶算法。自动驾驶汽车的设计制造面临着诸多挑战，如今，各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU（电子控制单元）已经整合了传感器数据处理，如何充分利用机器学习完成新的任务，变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达，雷达，摄像头或者是物联网。车载信息娱乐系统所运行的应用，能从传感器数据融合系统中获取数据。举个例子，如果系统察觉驾驶员发生状况，有能力把车开到医院。基于机器学习的应用，还包括对驾驶员的语言和手势识别以及语言翻译。相关的算法被分类为非监督和监督算法。它们两者的区别在于学习的方式。监督学习算法使用训练数据集学习，并且能够持续学习直到达到设定的置信水平（最小化出错概率）。监督学习算法分为回归、分类和异常检测以及数据降维。无监督学习算法，则尝试挖掘有限数据的价值。这意味着，算法会在可用数据内建立关系，以检测模式或者将数据集分成子类（取决于之间的相似度）。从广义上，无监督算法可以可分为关联规则学习和聚类。增强学习算法是另外一种机器学习算法，介于非监督学习和监督学习之间。对于所有训练的例子，监督学习中有目标标签，无监督学习中却完全没有标签。强化学习有延迟的、稀疏的标签——未来的奖励。根据这些奖励，智能体学习做出恰当行为。去理解算法的局限性和优点，开发更加高效的学习算法，是增强学习的目标。增强学习可以解决大量实际应用，从AI的问题到控制工程或操作研究——所有这些都与开发自动驾驶汽车相关。这可以被分为间接学习和直接学习。在独自动驾驶汽车上，机器学习算法的一个主要任务是持续渲染周围的环境，以及预测可能发生的变化。这些任务可以分为四个子任务：目标检测目标识别或分类目标定位运动预测机器学习算法可以简单地分为4类：决策矩阵算法、聚类算法、模式识别算法和回归算法。可以利用一类机器学习算法来完成两个以上的子任务。例如，回归算法能够用于物体定位和目标识别或者是运动预测。决策矩阵算法决策矩阵算法系统地分析、识别和评估信息集和值之间关系的表现。这些算法主要用于决策。车是否需要刹车或者左转都是基于算法根据识别、分类和预测对象的下一个动作给出的置信水平。矩阵决策算法由各种独立训练的决策模型组合而成。用某种方式，这些预测整合起来进行总体预测，同时降低决策错误的可能性。AdaBoosting 是最常用的算法。AdaBoostingAdaptive Boosting或称为AdaBoost，是一种多种学习算法的融合。它可用于回归或者分类算法。相比其他机器学习算法，它克服了过拟合，并通常对异常值和噪声数据敏感。为了创建一个强大的复合学习器，AdaBoost使用了多次迭代。因此，它又被称为 “Adaptive Boosting”。通过迭代添加弱学习器，AdaBoost创建了一个强学习器。一个新的弱学习器加到实体上，并且调整加权向量，作为对前一轮中错误分类的样例的回应。得到的结果，是一个比弱学习者分类器有更高准确性的分类器。AdaBoost有助于将弱阈值的分类器提升为强分类器。上面的图像描述了AdaBoost的执行，只用了简单易于理解的代码在一个文件中就实现了。这个函数包含一个弱分类器和boosting组件。弱分类器在一维的数据中尝试去寻找最理想的阈值来将数据分离为两类。boosting组件迭代调用分类器，经过每一步分类，它改变了错误分类示例的权重。因此，创建了一个级联的弱分类器，它的行为就像一个强分类器。聚类算法有时，系统获取的图片不是很清晰，使得物体难以定位检测。有时，分类算法有丢失检测物体的可能，这样就不能分类和报告给系统。这些可能是不连续的数据造成的，数据点太少了，或者图片分辨率太低了。聚类算法的特点在于从数据点中发现模式。像回归分析一样，聚类算法是指一类方法和问题。典型的聚类算法有层次聚类，基于质心的聚类算法。这些算法都关注数据的内在模式，完美地把数据分解成拥有最大相似性的簇。K-均值，多分类神经网络（Multi-class Neural Network）是最常用的算法。K-均值算法K-均值是著名聚类算法，它找出代表聚类结构的k个质心。如果有一个点到某一质心的距离比到其他质心都近，这个点则指派到这个最近的质心所代表的簇。依次，利用当前已聚类的数据点找出一个新质心，再利用质心给新的数据指派一个簇。K-均值算法——在上图中用“x表示 聚类质心，用点表示训练样本。(a) 原始数据集。(b) 随机初始化聚类质心。(c-f) k-均值迭代2次的示意图。在每次迭代中每个训练样例都指派到一个最近的聚类质心，每个聚类质心被