深度学习与自动驾驶汽车

在李世石九段和AlphaGo的围棋比赛之后，“深度学习（DeepLearning）”这个词开始成为一个热门话题。那么今天，我们来了解一下什么是深度学习以及如何将其应用于主导第四次工业革命的自动驾驶汽车领域。

---

什么是深度学习？

深度学习是计算机像人类一样思考的人工智能技术的一部分。在1956年的达特茅斯会议上，将人类智能通过机器来实现的人工智能概念首次出现。从上世纪80年代以来，针对体现狭义人工智能的具体方法-机器学习进行了研究。机器学习利用算法来分析和学习数据，并根据所学到的知识做出判断或预测。它并不是把具体的判断标准直接编到软件中，而是通过大量的数据和算法来学习而实现的，就像邮箱的垃圾邮箱自动过滤功能一样。然而机器学习的识别率低而且经常出现错误，那解决这些问题的技术就是深度学习技术。

<图1>人工智能，机器学习与深度学习的关系

深度学习是一种由人工神经网络发展而来的人工智能，利用类似于大脑神经元的信息输入层和输出层来学习数据。神经元是神经系统的基本单位，它有诸多接受外来刺激的突起。神经元将这些刺激聚集到中枢系统进行处理，并将处理结果通过另一个突起传送到其他系统。

<图2>神经元的结构

深度学习就像一个神经元，需要接收多个数据来进行处理，并判断一个结果。在深度学习中，“深度”是指随着时间推移所积累的神经网络的深度，而性能会随着网络的加深而不断提高。

人工智能的自动驾驶应用方法

1.视觉认知智能的应用

自动驾驶技术的核心就是事物认知技术。防止前方碰撞、防止偏离车道、保持车距等智能行驶以及自动驾驶相关的所有功能都是从认知周围情况开始的。人类仅依靠视觉信息来驾驶，但自动驾驶汽车综合运用了摄像头、雷达、激光雷达、超声波、红外线等多种信息。不过2015年应用深度学习的视觉认知智能评价上微软（96.43%）超越了人类（94.90%）的认知能力。

2.学习智能的应用

现有的车辆驾驶功能是基于规则方法实现的，但是基于规则的方法效率低下，因为这需要不同行业的专门人员，根据情况制定缜密的规则。此外，我们也几乎无法预测并反映所有情况，像气候情况或行驶规则等都不一样。与此相反，如果应用深度学习技术，刚开始会像新手一样出现失误，但随着获取的数据越来越多，通过自行学习可实现完成度较高的自动驾驶。

因自动驾驶技术需要价格高昂的传感器和丰富的汽车行业专业知识，仅有少数企业可以实现。然而，不采用基于规则的方法，采用电脑自主学习的深度学习方法正在逐渐打破高门槛的限制。因此，自动驾驶技术的发展更加迅速，正在进行将强化学习(Reinforcement Learning)、关系推理(Relational Networks)和智能移植(Transferring Intelligence)等技术与自动驾驶相结合的研究。

随着人工智能等复杂软件技术应用于与人类安全直接相关的汽车领域，自动驾驶汽车的安全问题备受关注。青岛硕索福特将以ISO 26262为基础，与大家一道为汽车软件验证事业努力，直至真正实现自动驾驶的那一天。

往期精彩内容回顾

自动驾驶的认知功能和认知软件评价

自动驾驶模拟试验构成要素和验证

自动驾驶核心零部件——LiDAR（激光雷达）

实现自动驾驶功能-识别直车道线

迈向无人驾驶之路– ADAS技术概要

ADAS缺陷验证解决方案 ADAS Inspector 简介