侵权投诉
焊接机器人 喷涂机器人 搬运机器人 装配机器人 切割机器人 其它机器人
订阅
纠错
加入自媒体

盘点机器学习算法在无人驾驶的应用

2017-07-04 14:40
木中君
关注

盘点机器学习算法在无人驾驶的应用

雷锋网按:本文原载于 kdnuggets,由林立宏、吴楚编译。

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。

盘点机器学习算法在无人驾驶的应用

1  2  3  下一页>  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号