深度学习-End to End自动驾驶
下面内容从端到端的自动驾驶的方案看相关技术脉络：
1988年，ALVINN: An Autonomous Land Vehicle In a Neural Network
已经有人开始尝试使用End-to-End。但局限于30×32像素，还没有CNN，这样也能在简单道路上实现自动驾驶。
方案：
采用全连接神经网络，输入viedo和laser range finder作为输入。
输出方向和道路密集程度反馈：
道路密集程度反馈：The road intensity feedback unit indicates whether the road is lighter or darker than the non-road in the previous image.
2005年，Off-Road Obstacle Avoidance through End-to-End Learning
LeCUN也做了无人驾驶探索。2015年，提出了中间状态自动驾驶，无需生成各种复杂过程，只需要找出关键点生成决策控制。
05年方案：
- 端到端直接预测
- 输入为双目的图像
- 输出为转向角度
- 6层CNN模型
方案细节：
实验：
采用小车在野外进行路测。
2015年，DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving
将方案分为三类，提出自己的方案为折中方案：
(1) Mediated Perception
流程：
- 各个子模块提取特征：such as lanes, traffic signs, traffic lights, cars, pedestrians, etc
- AI engine进行行动控制
问题：模块多，产生的特征有冗余对预测来说不一定用到。
(2) Behaivior reflex
直接对输入图像通过CNN模型预测输出车辆控制动作预测
问题：
ill-posed：当输入图像相似，不同驾驶员不同的操作行为产生不同的训练数据，造成回归器难以训练
环境状态抽象出来的层级和预测的层级之间缺乏过渡。
模型需要学习哪个部分对预测有相关性
(3) Direct Perception
流程：
- CNN提取特征
- CNN进行车辆控制动作预测
实验：
数据采用torcs模拟器生成的方案
2016年， End to End Learning for Self-Driving Cars
在DAVE2基础之上，提供相机、卷积网络，更关键的是实车上路——在美国的很多路上进行测试。有评估体系和三目相机采集End-to-End数据。
方案：
Compared to explicit decomposition of the problem, such as lane marking detection, path planning, and control, our end-to-end system optimizes all processing steps simultaneously. 端到端系统将道路线检测，路径规划和控制等子步骤通过CNN模型同时完成。
模型输入图像，输出转向角度。采用CNN模型，模型架构如下：
2016年至今
Comma.ai，Drive.ai，Auto X等都相应进行了探索。
参考文献：
ALVINN: AN AUTONOMOUS LAND VEHICLE IN A NEURAL NETWORK
End to End Learning for Self-Driving Cars
DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving
资深架构师深度剖析：基于深度学习的End-to-End
http://www.sohu.com/a/162012646_795622
友情推荐：ABC技术研习社
为技术人打造的专属A(AI),B(Big Data),C(Cloud)技术公众号和技术交流社群。
