机器学习算法如何用于制造无人驾驶汽车.PDFVIP

机机器器学学习习算算法法如如何何用用于于制制造造无无人人驾驾驶驶汽汽车车 如今 ，机器学习算法被广泛用于制造无人驾驶汽车中出现的 ，各种挑战 的解决方案。通过在汽车中的ECU （电子控制单 元）中结合传感器处理数据 ，有必要提高机器学习的利用以完成新任务。 潜在的应用包括通过来 自不同外部和内部传感器 （如激光雷达 ，雷达 ，摄像头或物联网）的数据融合来评估驾驶员状况或驾驶 场景分类。 运行汽车信息娱乐系统的应用程序可以从传感器数据融合系统接收信息 ，例如 ，如果车辆注意到驾驶员受伤 ，则可以将汽车引 导到医院。这种基于机器学习的应用程序还包括驾驶员的言语和手势识别和语言翻译。 算法分为无监督和监督算法 ，两者之间的区别是他们如何学习。 监督算法利用训练数据集学习 ，并继续学习 ，直到达到他们所期望的 （最小化错误概率 ）程度。监督算法可以分为归类 ，分类 和异常检测或维数缩减。 无监督算法尝试从可用数据中导出值。这意味着 ，在可用数据内 ，算法产生关系 ，以便检测模式或根据它们之间的相似程度 ， 将数据集划分为子组。无监督算法可以在很大程度上被分类为关联规则学习和聚类。 加强算法是另一组机器学习算法 ，它处于无监督和监督学习之间。对于每个训练示例 ，在监督学习中有一个 目标标签; 在无监 督的学习中完全没有标签; 强化学习包括时间延迟和稀疏标签 - 未来的奖励。 代理学习根据这些奖励在环境中的行为。了解算法的局限 和优点 ，并开发高效的学习算法是强化学习的目标。强化学习可以 解决大量实际应用 ，从A I的问题到控制工程或操作研究 ，这些都与开发 自驾车相关。这可以分为间接学习和直接学习。 在 自主汽车中 ，机器学习算法的主要任务之一是连续渲染周围环境 ，并预测可能对这些环境造成的变化。这些任务分为4个子 任务 ： 检测对象 识别对象或识别对象分类 物体定位与运动预测 机器学习算法被宽泛地分为4类 ：决策矩阵算法 ，集群算法 ，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2 个以上的子任务。例如 ，回归算法可以用于对象定位以及对象检测或运动预测。 决决策策矩矩阵阵算算法法 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。汽车是否需要制动或左转是基于 这些算法对物体的下一次运动的识别 ，分类和预测的置信度。决策矩阵算法是由独立训练的各种决策模型组成的模型 ，在某些 方面 ，将这些预测结合起来进行总体预测 ，同时降低决策中错误的可能 。 AdaBoosting AdaBoosting是最常用的算法。自适应提升或AdaBoost是可以用于回归或分类的多种学习算法的组合。与任何其他机器学习算 法相比 ，它克服了过度拟合 ，并且通常对异常值和噪声数据敏感。为了创建一个复合强大的学习者 ，AdaBoost使用多次迭 代。 因此 ，它可以很好的适应。通过迭代添加弱势学习者 ，AdaBoost创造了一个强大的学习者。一个新的弱学习者被附加到实体 和权衡载体 ，以调整被之前几轮错误分类的例子。结果是 ，具有比弱学习者的分类器高得多的分类器。 1 AdaBoost有助于将弱阈值分类器提升为强分类器。上面的图像描绘了AdaBoost在一个可以理解的代码的单个文件中的实现。 该函数包含一个弱分类器和boosting组件。 弱分类器尝试在数据维度之一中定位理想阈值 ，将数据分为2类。分类器通过迭代部分调用 ，并且在每个分类步骤之后 ，它改 变了错误分类示例的权重。正因为如此 ，创建弱分类器的级联行为就像一个强分类器。 聚聚类类算算法法 有时 ，由系统获取的图像不清楚 ，难以定位和检测对象。有时 ，分类算法有可能丢失对象 ，在这种情况下 ，它们无法对系统进 行分类并将其报告给系统。可能的原因可能是不连续数据 ，非常少的数据点或低分辨率图像。 聚类算法专门从数据点发现结构。它描述了类的方法和类的问题 ，如回归。聚类方法通常通过对分层和基于质心的方法进行建 模来组织。所有方法都关注利用数据中的固有结构将数据完美地组织成最大共 的组。 K-means K-means—多类神经网络是最常用的算法 ，是一个着名的聚类算法。K-means存储它用于定义集群的k质心 。如果一个点比任 何其他质心更接近该集群的质心 ，那么这个点被说成是在一个特定的集群中。通过根据当前分配数据点到集群和根据当前质心 将数据点分配给集群 ，选