1. 首页
  2. 机器学习

自主驾驶中的机器学习算法

自主汽车与工业物联网有着非常密切的联系。物联网与机器学习、人工智能、局部计算等技术相结合,为自主汽车提供了必要的技术支持。对于许多人来说,非常令人好奇的问题是,这些自动驾驶汽车是如何工作的。实际上是什么在里面工作,使他们在没有司机控制方向盘的情况下工作。众所周知,现在的汽车都配备了很多传感器、执行器和控制器。这些终端设备由安装在ecu(电子控制单元)上的各种特定功能软件上的软件驱动。机器学习软件也是这套软件的一部分。

自主驾驶中的机器学习算法

在自动驾驶汽车中,任何机器学习算法的主要任务之一就是对周围环境进行连续渲染,并预测周围环境可能发生的变化。这些任务主要分为四个子任务:

  • 目标检测
  • 物体识别或识别物体分类
  • 目标定位与运动预测

机器学习算法大致可分为四类:回归算法、模式识别算法、聚类算法和决策矩阵算法。

回归算法

在ADAS中,图像(雷达或摄像机)在定位和驱动中起着非常重要的作用,而对于任何一种算法来说,最大的挑战是建立一个基于图像的预测和特征选择模型。可用于自动驾驶汽车的回归算法类型有贝叶斯回归、神经网络回归和决策森林回归等。

模式识别算法(分类)

在ADAS中,通过传感器获得的图像具有所有类型的环境数据,通过排除不相关的数据点,需要对图像进行滤波以识别对象类别的实例。模式识别算法擅长排除异常数据点。在对对象进行分类之前,识别数据集中的模式是一个重要的步骤。这些类型的算法也可以定义为数据简化算法。

这些算法有助于减少数据集通过检测对象的边缘和拟合直线段(多段线)和圆弧的边缘。线段与边对齐,直到一个角,然后开始新的线段。圆弧适合于近似圆弧的线段序列。图像特征(直线段和圆弧)以各种方式组合在一起,形成用于识别对象的特征。

支持向量机(SVM)和主成分分析(PCA)是ADAS中最常用的识别算法。同时采用贝叶斯决策规则和K近邻(KNN)。

聚类

有时系统获得的图像不清晰,很难对目标进行检测和定位。分类算法也有可能漏掉目标,无法将其分类并报告给系统。原因可能是低分辨率的图像,很少的数据点或不连续的数据。这种算法擅长从数据点发现结构。和回归一样,它描述了问题类和方法类。聚类方法通常是通过建模方法来组织的,例如基于质心的和分层的。所有方法都涉及到使用数据中的固有结构,以便将数据最好地组织成具有最大共性的组。最常用的算法类型是K-均值,多类神经网络。

决策矩阵算法

这种算法擅长于系统地识别、分析和评估值集与信息之间关系的性能。这些算法主要用于决策。汽车是需要左转还是需要刹车,这取决于这些算法对物体下一步运动的分类、识别和预测的可信度。这些算法是由多个独立训练的决策模型组成的模型,这些模型的预测以某种方式组合起来进行整体预测,同时减少决策中出现错误的可能性。最常用的算法是梯度boosting(GDM)和AdaBoosting。

版权声明:本文内容由互联网用户贡献,该文观点仅代表作者本人。本站不拥有所有权,不承担相关法律责任。如发现有侵权/违规的内容, 联系QQ1841324605,本站将立刻清除。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

服务热线:130-0886-1890

QR code