日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

首頁 > 汽車技術 > 正文

深度學習技術在自動駕駛中的應用與挑戰(zhàn)

2020-02-14 00:18:22·  來源：DataFunTalk  作者：江頔 智加科技  
　
分享嘉賓：江頔 智加科技 技術專家文章整理：Hoh Xil內容來源：DataFunTalk出品平臺：智加科技、DataFun導讀：深度學習技術經(jīng)過近幾年井噴式的發(fā)展，在很多領域
分享嘉賓：江頔 智加科技 技術專家
文章整理：Hoh Xil
內容來源：DataFunTalk
出品平臺：智加科技、DataFun
 
導讀：深度學習技術經(jīng)過近幾年井噴式的發(fā)展，在很多領域都得到了廣泛的應用。在自動駕駛系統(tǒng)中，深度學習技術也起到了至關重要的作用，同時也面臨著非常多的挑戰(zhàn)。我們一直在探索，在一個安全、穩(wěn)定的自動駕駛產(chǎn)品中，深度學習技術應該有著怎樣的作用邊界，又如何能最好地發(fā)揮其優(yōu)勢。本次分享的主題為深度學習技術在自動駕駛中的應用與挑戰(zhàn)，主要包括：
  • 深度學習技術
  • 端到端：從感知到控制
  • 深度學習的特點
  • 應用策略
01、深度學習技術
深度學習技術在2012年開始爆發(fā)，由AlexNet在ImageNet數(shù)據(jù)集上達到了一個很高的分類準確率，橫掃各種CV、NLP任務，在強化學習領域也大展身手，尤其擅長玩游戲，比如deepmind最近在研究打星際爭霸。右邊是各種網(wǎng)絡圖，大家可以參考文末的鏈接。
02
端到端：從感知到控制
16年的時候，英偉達研究了end to end神經(jīng)網(wǎng)絡，左側輸入左中右三個Camera的image，直接通過CNN輸出轉向的指令。如demo截圖中，測試人員把手伸出了天窗，表示他沒有操控車輛，然后車輛自動實現(xiàn)轉向。不過這種方式存在2個隱患：
① 因為是end to end 如果出現(xiàn)問題，完全不知道是哪里出了問題，很難去校正模型。
② 對于轉向這個指令，需要考慮的因素非常多，一些微小的場景變化就會引發(fā)不同的轉向指令（如路上多了一個石塊），因此，必須覆蓋到所有的情況，才可以把這個模型訓練的非常好，這需要海量的數(shù)據(jù)。
03
深度學習的特點
優(yōu)勢：
  • 自主挖掘數(shù)據(jù)中存在的特征和模式，大幅降低人工特征工程的需求
  • 對于定義清晰的問題，有較強的可擴展性（加數(shù)據(jù)或數(shù)據(jù)增強）
局限性：
  • 可解釋性差，可能會“放飛自我”，不太可控
  • 算力要求較高
04
應用策略
在要求很高穩(wěn)定性和安全性的自動駕駛應用中，如何發(fā)揮深度學習的優(yōu)勢，以及規(guī)避深度學習的弱點，我們總結了幾點應用策略，這里和大家分享下：
1. 盡量應用于定義清晰的基本任務
基本任務，是指只需要回答“是什么”或者“在哪”的任務。定義清晰，是指有明確的目標或者監(jiān)督信息，在強化學習語境中，就是有明確的reward function。如CV中的目標檢測、圖像分割等。下面分享下應用實例：
① 圖像中的車道檢測
 
 
Demo
Demo是我們用分割模型做的Ego lane drivable area segmentation；上圖右側是我們做的instance level lane marker segmentation，網(wǎng)絡結構如圖所示，它是一個encoder decoder based，然后做一個segmentation branch和一個embedding branch，最后將2個結果合起來。
② 圖像中的障礙物檢測
上圖是一些比較有挑戰(zhàn)的場景：擁擠的路況、遠處的障礙物、雨天、穿過高架橋等。障礙物檢測比較成熟，這里不再細講，常用的算法有：
  • Anchor based：YOLO v1，v2，v3/SSD/Faster RCNN
  • Anchor free：Centernet/FoveaBox
2. 多方法融合，彌補單一模型錯誤，覆蓋長尾場景
在實際應用中，目標檢測模型難免會產(chǎn)生誤檢和漏檢，如左圖中的皮卡和卡車很明顯就被漏掉了。另外，對于訓練集少見或沒見過的特殊場景，深度神經(jīng)網(wǎng)絡往往無能為力，一旦出現(xiàn)這種情況，往往非常危險。對應的，我們的思路是：
① 結合其他任務模型，輔助降低漏檢率
比如，有另外的一個模型可以識別出可行駛區(qū)域（也就是路，除了路以外的都是障礙物），再加上我們的目標檢測，就可以對之前的案例進行彌補，如上圖所示。
② 結合其他傳感器，多傳感器融合
另一種更常用，更安全的方法就是激光雷達，進行多傳感器融合，如將激光雷達投影到image，可以很輕松的建模出可行駛的道路和障礙物。
3. 拆分任務，增加模型的可解釋性和可控性
將end2end模型任務拆分成更加基本定義、更加清晰的多階段子任務，增加整體任務的可解釋性，減輕模型的學習負擔。同時也更加方便地利用其他算法和規(guī)則對深度學習模型的輸出結果做限制，防止其“放飛自我”。
①  自車行駛路徑參考線：
我們在做Planning時，我們需要做一個自己車本身軌跡的參考線，以其為參考生成最終的軌跡，并且做一些速度的規(guī)劃。如果我們沒有高精地圖，我們可能會采用E2E approach的方法，感知到一張圖片之后利用deep CNN直接生成參考軌跡（如上圖最右側），這樣單獨的參考線通常是不能用的。所以我們需要把任務進行拆解。
拆解：
  • 車道識別+車輛跟蹤：先識別車道再識別車
  • 利用車道與車輛信息擬合路徑：把車道和車放入場景中，再利用車的朝向、軌跡、速度分布以及車道線的幾何形狀擬合出最終的路徑參考線。
這是一個更可控的方案。
② 其他車輛軌跡預測
在學術界有一些E2E approach的方法，利用深度學習模型直接預測車輛軌跡，從過去的軌跡直接預測出未來的軌跡。
我們認為更好的方式，還是進行拆分：
  • 意圖預測（橫向、縱向），利用RNN、CNN先做一些意圖預測（左轉、右轉或者直行），縱向就是勻速、加速或者減速，做這種簡單的意圖分類，將這個問題的維度縮小。
  • 然后，利用車輛（如動力學）模型、車道信息生成平滑預測軌跡。
最后，我們還在和機器一起學習成長。今天的分享就到這里，謝謝大家。
 
05、參考資料
1. https://deepmind.com/blog/article/alphastar-mastering-real-time-strategy-game-starcraft-ii
2. https://en.wikipedia.org/wiki/Deep_learning
3. http://ml.world/2016/09/neural-network-zoo/
4. End to End Learning for Self-Driving Cars
5. Towards End-to-End Lane Detection: an Instance Segmentation Approach
6. An Empirical evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling
 
 
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25