孫皓天

摘要：本文針對當(dāng)代社會對無人駕駛汽車研制的迫切需求，開展了深度學(xué)習(xí)在無人駕駛汽車中應(yīng)用的研究。文章首先從無人駕駛汽車工作原理、體系架構(gòu)設(shè)計，然后深度學(xué)習(xí)的基本概念、原理和一種算法思想，運用非監(jiān)督學(xué)習(xí)對每層的數(shù)據(jù)進(jìn)行聚類，監(jiān)督學(xué)習(xí)調(diào)整每層之間的關(guān)系，并將之應(yīng)用于減速鳴笛和行駛中的加速減速控制。

關(guān)鍵詞：無人駕駛；深度學(xué)習(xí)；隱含層；閥值

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2015）24-0121-03

Deep Learning on the Application of the Driverless Cars

SUN Hao-tian

（Class 1，Grade 2， Hefei Sixth Senior High School， Hefei 230061，China）

Abstract： Contemporary society， the author of this paper to the urgent need of driverless cars developed has carried out in-depth study in the study of the application of the driverless cars.This paper from the working principle of the driverless cars， architecture design， and then deep learning of the basic concepts， principles and an algorithm of ideas， using the data of each layer of unsupervised learning clustering， supervision and study the relationship between the adjustment of each layer， and is applied to the deceleration honking and driving the acceleration deceleration control.

Key words： driverless； deep learning； implicit layer； threshold

隨著科技的發(fā)展，現(xiàn)在機(jī)器越來越智能化。為減輕人們的工作，無人駕駛車輛成為社會發(fā)展的產(chǎn)物，其中車輛無人駕駛技術(shù)的優(yōu)點有增加了公共交通的安全、出行的便利（降低人為事故）、避免人們在路上浪費時間，省去堵車的煩惱，高管和普通員工從離開家門一刻起就可以閱讀郵件，或為其他事情做準(zhǔn)備，使不會駕駛汽車的低齡兒童和成年人，不方便駕駛的老年人都會受益于無人駕駛汽車，也就節(jié)省了其他人的時間、提高汽車?yán)眯?。美國現(xiàn)在平均每個家庭擁有2～3輛汽車，往往是一人上班，一人接送孩子以及有駕照的大孩子使用，無人駕駛汽車可以在送家長上班后，自動回家送孩子上學(xué)，從而降低汽車保有率，節(jié)省對鐵礦和石油資源的使用。雖然大型汽車制造商可能不喜歡這一點，但是從環(huán)保的角度較劃算、堵車和長時間開車造成的疲勞，或者路上的糾紛造成的“路怒癥”會降低，對人們的身心健康和安全都是很有益處的。

機(jī)器學(xué)習(xí)是無人駕駛技術(shù)成功地基礎(chǔ)，深度學(xué)習(xí)是源于人工神經(jīng)網(wǎng)絡(luò)的一種高效的機(jī)器學(xué)習(xí)方法。深度學(xué)習(xí)可以提高汽車識別道路、行人、障礙物等的時間效率，并保障了識別的正確率。通過大量數(shù)據(jù)的訓(xùn)練之后，汽車可以將收集到的圖形，電磁波等信息轉(zhuǎn)換為可用的數(shù)據(jù)，利用深度學(xué)習(xí)算法實現(xiàn)無人駕駛。

1 無人駕駛汽車的工作原理

如圖1所示，無人駕駛系統(tǒng)是由激光測距儀，視頻攝像頭，車載雷達(dá)，微型傳感器，電腦資料庫，電腦處理系統(tǒng)組成。

車頂上的激光測距儀發(fā)射激光射線，當(dāng)激光碰到車輛周圍的物體，又反射回來，計算出物體與車之間的距離。

前三后一的雷達(dá)布局，可以探測到較遠(yuǎn)的固定路障，使電腦處理系統(tǒng)能夠預(yù)先進(jìn)行處理，避開路障；當(dāng)車道變換時，車后雷達(dá)探測左右后方是否有車，進(jìn)行變道；并檢測激光測距儀的盲點區(qū)域，防止側(cè)面撞擊；車前雷達(dá)，判斷前方是否有路口，若有路口，將信息傳遞給電腦處理系統(tǒng)，進(jìn)行判斷處理；當(dāng)前方有車剎車，車前雷達(dá)探知后，電腦處理系統(tǒng)會進(jìn)行剎車判斷；倒車時，后車?yán)走_(dá)可以測量與障礙物之間的距離，判斷倒車距離；后方有車時，由激光測距儀測出車間距離，電腦處理系統(tǒng)從電腦數(shù)據(jù)庫提取數(shù)據(jù)進(jìn)行處理，判斷應(yīng)保持多大的車間距。

如圖2所示，另一套在底部的系統(tǒng)測量出車輛在三個方向上的加速度、角速度等數(shù)據(jù)，然后再結(jié)合GPS數(shù)據(jù)計算出車輛的位置，通過微型傳感器監(jiān)控車輛是否偏離所制定的路線，通過車載攝像機(jī)捕獲的圖像判斷道路的寬度，紅綠燈，所應(yīng)處道路（例如：轉(zhuǎn)彎道，待轉(zhuǎn)彎區(qū)等）。車頭會有兩個攝像頭，對道路地面進(jìn)行判斷，保障不同時占兩車道、偏離路線，轉(zhuǎn)彎進(jìn)入轉(zhuǎn)彎道，待轉(zhuǎn)彎進(jìn)入待轉(zhuǎn)彎區(qū)；當(dāng)通過紅綠燈時，需通過雷達(dá)判斷前方是否有行人、車輛；車載攝像機(jī)捕獲的圖像判斷紅綠燈；通過雷達(dá)測量距離，判斷能否在紅燈之前通過；若不能，則需計算應(yīng)以多大的加速度進(jìn)行減速，如圖3所示。將這些數(shù)據(jù)與車載攝像機(jī)捕獲的圖像一起輸入計算機(jī)，系統(tǒng)會以極高的速度處理這些數(shù)據(jù)。這樣，系統(tǒng)就可以非常迅速的作出判斷，達(dá)到無人駕駛的目的。

3 深度學(xué)習(xí)概念

3.1 深度學(xué)習(xí)基本概念

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，是機(jī)器學(xué)習(xí)研究中的一個新的領(lǐng)域，其動機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)，通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像，聲音和文本含。同機(jī)器學(xué)習(xí)方法一樣，深度機(jī)器學(xué)習(xí)方法也有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之分。不同的學(xué)習(xí)框架下建立的學(xué)習(xí)模型很是不同。例如，卷積神經(jīng)網(wǎng)絡(luò)就是一種深度的監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型，而深度置信網(wǎng)就是一種無監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型。

3.2 深度學(xué)習(xí)的算法原理

考慮這樣一個計算集合，它可以被允許在每一個節(jié)點和可能的圖結(jié)構(gòu)中，并定義了一個函數(shù)族。輸入節(jié)點沒有孩子，輸出節(jié)點沒有父親。如圖4，對于表達(dá)[sin（a2+ba）] 的流向圖，可以通過一個有兩個輸入節(jié)點[a]和[b]的圖表示，其中一個節(jié)點通過使用[a]和[b] 作為輸入（例如作為孩子）來表示[ba] ；一個節(jié)點僅使用[a] 作為輸入來表示平方；一個節(jié)點使用[a2] 和[ba]作為輸入來表示加法項（其值為[（a2+ba）]）；最后一個輸出節(jié)點利用一個單獨的來自于加法節(jié)點的輸入計算SIN。傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)能夠被看做擁有等于層數(shù)的深度（比如對于輸出層為隱層數(shù)加1）。SVMs有深度2（一個對應(yīng)于核輸出或者特征空間，另一個對應(yīng)于所產(chǎn)生輸出的線性混合）。

4 在無人駕駛汽車中的應(yīng)用

在無人駕駛汽車通過雷達(dá)等收集到數(shù)據(jù)時，對于原始的訓(xùn)練數(shù)據(jù)要首先進(jìn)行數(shù)據(jù)的預(yù)處理化。計算均值并對數(shù)據(jù)的均值做均值標(biāo)準(zhǔn)化、對原始數(shù)據(jù)做主成分分析、使用PCA白化或ZCA白化。例如：將激光傳感器收集到的時間數(shù)據(jù)轉(zhuǎn)換為車與物體之間的距離；將車載攝像頭拍攝到的照片信息轉(zhuǎn)換為對路障的判斷，對紅綠燈的判斷，對行人的判斷等；雷達(dá)探測到的數(shù)據(jù)轉(zhuǎn)換為各個物體之間的距離。

如何將深度學(xué)習(xí)應(yīng)用于無人駕駛汽車中，主要包含以下步驟：

a） 準(zhǔn)備數(shù)據(jù)，對數(shù)據(jù)進(jìn)行預(yù)處理再選用合適的數(shù)據(jù)結(jié)構(gòu)存儲訓(xùn)練數(shù)據(jù)和測試元組；

b） 輸入大量數(shù)據(jù)對第一層進(jìn)行無監(jiān)督學(xué)習(xí)；

c） 通過第一層對數(shù)據(jù)進(jìn)行聚類，將相近的數(shù)據(jù)劃分為同一類，隨機(jī)進(jìn)行判斷；

d） 運用監(jiān)督學(xué)習(xí)調(diào)整第二層中各個節(jié)點的閥值，提高第二層數(shù)據(jù)輸入的正確性；

e） 用大量的數(shù)據(jù)對每一層網(wǎng)絡(luò)進(jìn)行無監(jiān)督學(xué)習(xí)，并且每次用無監(jiān)督學(xué)習(xí)只訓(xùn)練一層，將其訓(xùn)練結(jié)果作為其更高一層的輸入。

f） 輸入之后用監(jiān)督學(xué)習(xí)去調(diào)整所有層。

限于作者研究的局限性，本文以與行人之間的距離判斷是否減速鳴笛和行駛中如何控制加速減速為例介紹深度學(xué)習(xí)在無人駕駛上的應(yīng)用。

如圖5，將前方有行人和與行人之間的距離作為是否剎車鳴笛的輸入。通過大量的輸入數(shù)據(jù)，第二層網(wǎng)絡(luò)會將與行人間的距離中相近的劃為一類，對不同的距離類進(jìn)行監(jiān)督學(xué)習(xí)，調(diào)整當(dāng)與行人間的距離在多少范圍內(nèi)時，執(zhí)行剎車鳴笛和以一定的車速前進(jìn)，提高第二層分類和訓(xùn)練結(jié)果的正確性。假設(shè)，有n個數(shù)據(jù)，執(zhí)行剎車鳴笛和以一定的車速前進(jìn)的閥值均為0.5，此時是否剎車鳴笛這一節(jié)點，將這n個數(shù)分為幾類，同一類執(zhí)行相同的結(jié)果。若執(zhí)行剎車鳴笛錯誤，則將這一類數(shù)據(jù)執(zhí)行剎車鳴笛的閥值調(diào)低，執(zhí)行以一定的車速前進(jìn)的閥值調(diào)高。若同一類中執(zhí)行同一結(jié)果，即出現(xiàn)執(zhí)行剎車鳴笛錯誤，又出現(xiàn)以一定的車速前進(jìn)錯誤，則將出現(xiàn)相同錯誤的劃為同一類。

如圖6，所示將周圍車輛數(shù)和與最近車輛的距離作為應(yīng)保持的車間距和行駛的速度的輸入。通過大量的輸入數(shù)據(jù)，第二層網(wǎng)絡(luò)會將周圍車輛數(shù)中相近的劃為一類，對不同的數(shù)量類進(jìn)行監(jiān)督學(xué)習(xí)，調(diào)整當(dāng)周圍車輛數(shù)在多少范圍內(nèi)時，以多大的速度行駛，保持多大的車間距來判斷是執(zhí)行加速、減速或保持現(xiàn)速。假設(shè)，有k個數(shù)據(jù)，執(zhí)行加速、減速和保持現(xiàn)速的閥值均為0.5，此時保持的車間距與行駛的速度這兩節(jié)點，將這n個數(shù)分為幾類，同一類執(zhí)行相同的結(jié)果。若執(zhí)行加速成功，則將這一類數(shù)據(jù)執(zhí)行加速的閥值調(diào)高，執(zhí)行減速和保持現(xiàn)速的閥值調(diào)低。若同一類中執(zhí)行同一結(jié)果，即出現(xiàn)不同的錯誤，則將出現(xiàn)相同錯誤的劃為同一類。

5 結(jié)束語

本文對當(dāng)代社會對無人駕駛汽車研制的迫切需求，初步開展了深度學(xué)習(xí)在無人駕駛汽車中的應(yīng)用研究。針對無人駕駛汽車上各個設(shè)備的作用采集的數(shù)據(jù)，用非監(jiān)督學(xué)習(xí)對每層的數(shù)據(jù)聚類，監(jiān)督學(xué)習(xí)調(diào)整每層之間的關(guān)系和各個節(jié)點的閥值來提高判斷速度，保障了無人駕駛的行車安全性。因為無人駕駛汽車較為復(fù)雜，本文只提供了一種理論上的思考，尚未對在路口的無人駕駛控制等復(fù)雜情況進(jìn)行研究，也未開展相關(guān)仿真驗證工作，希望在后續(xù)工作中能夠逐步開展。

參考文獻(xiàn)：

[1] TOM M. MiTchell.機(jī)器學(xué)習(xí)[M].曾華軍，張銀奎，譯.北京：機(jī)械工業(yè)出版社，2003.

[2] Ian H. Witten Eibe Frank Mark A. Hall.數(shù)據(jù)挖掘[M].李川，張永輝，譯.北京：機(jī)械工業(yè)出版社，2012.

[3] 谷歌無人駕駛汽車[EB＼OL].百度百科.

[4] 無人駕駛時代即將到來[EB＼OL].網(wǎng)易新聞.

[5] 深度學(xué)習(xí)（Deep Learning）算法簡介[EB＼OL].Bati's eHome of Tech.

[6] 機(jī)器學(xué)習(xí)——深度學(xué)習(xí)（Deep Learning） [EB＼OL].CSDN Rachel Zhang的專欄.