深度学习人工智能在无人驾驶上的应用.docVIP

深度学习人工智能在无人驾驶上的应用

摘要?⑹錾疃妊?习的概念及深度学习人工智能在环境感知技术上的应用，详细阐述深度学习的工作原理以及其应用前景。

关键词人工智能无人驾驶环境感知技术深度学习

中图分类号：TP29文献标识码：A

机器深度学习是近年来在人工智能领域的重大突破之一，它在语音识别、自然语言处理、计算机视觉等领域都取得了不少成功。由于车辆行驶环境复杂，当前感知技术在检测与识别度方面无法满足无人驾驶发展需要，深度学习被证明在复杂环境感知方面有巨大优势。

视觉感知技术是无人驾驶的核心技术。

无人驾驶一般包括四个等级或者五个等级，不管哪个等级都会包含环境感知、规划决策和执行控制等三个方面。其中环境感知方式主要有视觉感知、毫米波雷达感知和激光雷达感知，其中的视觉感知是无人驾驶感知的最主要的方式。

中国的路况较为复杂，雨天、雾霾天以及下雪天。另外，像马车、吊车以及摩托车，还有摩托车拉猪、卡车拉树的现象在我们生活中经常遇到，这些场景对视觉是一个难题，提高这种复杂路况下的感知精度是无人驾驶研究的挑战。

1深度学习能够满足复杂路况下视觉感知的高精度需求

深度学习被认为是一种有效的解决方案，深度学习是模拟人的大脑，是近10年来人工智能取得一个较大的突破。深度学习在视觉感知中近几年应取得了较大的进展，相对于传统的计算机视觉，深度学习在视觉感知精度方面有比较大的优势。

特别是2011年以后，有报导指出深度学习如果算法和样本量足够的话，其准确率可以达到99.9%以上，传统的视觉算法检测精度的极限在93%左右。而人的感知，也就是人能看到的准确率一般为95%，所以从这个方面看，深度学习在视觉感知方面是有优势的。

所谓深度学习，又名深度神经网络，相对于以前的神经网络来说是一种更多层和节点的神经网络机器学习算法，从这儿可以看出来，其实深度学习是一种机器学习，可以说是一种更智能的机器学习。深度学习主要类型一般包括5种类型，像CNN、RNN、LSTM、RBM和Autoencoder，其中我们主要的是用的CNN，

和自行车，目前车辆的样本有3万左右，行人样本大概2万左右，其他的样本较少，大概1000―2000。从运行效果来看，识别精度、识别类型较以前开发的一些传统的视觉算法，我们觉得有比较大的改善。

3结论

深度学习人工智能给车主提供了更人性化、更智能化的功能，将给车主行车带来极大的便利。但人工智能技术带来的挑战也不可小觑。需要汽车行业的及互联网行业的人才一起努力，创建和谐的互联网环境。

参考文献

[1]王建军，李世威，曾俊伟.车联网发展模式分析[J].计算机技术与发展，2011，21（12）：1-3.

[2]杨震.物联网发展研究[J].南京邮电大学学报，2010，12（02）：1-4.