chinese直男口爆体育生外卖, 99久久er热在这里只有精品99, 又色又爽又黄18禁美女裸身无遮挡, gogogo高清免费观看日本电视,私密按摩师高清版在线,人妻视频毛茸茸,91论坛 兴趣闲谈,欧美 亚洲 精品 8区,国产精品久久久久精品免费

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

機(jī)器學(xué)習(xí)算法如何應(yīng)用到自動駕駛中

Dbwd_Imgtec ? 來源:未知 ? 作者:胡薇 ? 2018-11-22 14:14 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

機(jī)器學(xué)習(xí)算法已經(jīng)被廣泛應(yīng)用于自動駕駛各種解決方案,電控單元中的傳感器數(shù)據(jù)處理大大提高了機(jī)器學(xué)習(xí)的利用率,也有一些潛在的應(yīng)用,比如利用不同外部和內(nèi)部的傳感器的數(shù)據(jù)融合(如激光雷達(dá)、雷達(dá)、攝像頭或物聯(lián)網(wǎng)),評估駕駛員狀況或?yàn)轳{駛場景分類等。在KDnuggets網(wǎng)站發(fā)表的一篇文章中,作者Savaram Ravindra將自動駕駛中機(jī)器學(xué)習(xí)算法主要分為四類,即決策矩陣算法、聚類算法、模式識別算法和回歸算法。我們跟他一起看看,這些算法都是怎樣應(yīng)用的。

算法概覽

我們先設(shè)想這樣一個(gè)自動駕駛場景——汽車的信息娛樂系統(tǒng)接收傳感器數(shù)據(jù)融合系統(tǒng)的信息,如果系統(tǒng)發(fā)現(xiàn)司機(jī)身體有恙,會指導(dǎo)無人車開往附近的醫(yī)院。

這項(xiàng)應(yīng)用以機(jī)器學(xué)習(xí)為基礎(chǔ),能識別司機(jī)的語音、行為,進(jìn)行語言翻譯等。所有這些算法可以分為兩類:監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí),二者的區(qū)別在它們學(xué)習(xí)的方法。

監(jiān)督學(xué)習(xí)算法利用訓(xùn)練數(shù)據(jù)集學(xué)習(xí),并會堅(jiān)持學(xué)到達(dá)到所要求的置信度(誤差的最小概率)。監(jiān)督學(xué)習(xí)算法可分為回歸、分類和異常檢測或維度縮減問題。

無監(jiān)督學(xué)習(xí)算法會在可用數(shù)據(jù)中獲取價(jià)值。這意味著算法能找到數(shù)據(jù)的內(nèi)部聯(lián)系、找到模式,或者根據(jù)數(shù)據(jù)間的相似程度將數(shù)據(jù)集劃分出子集。無監(jiān)督算法可以被粗略分類為關(guān)聯(lián)規(guī)則學(xué)習(xí)和聚類。

強(qiáng)化學(xué)習(xí)算法是另一類機(jī)器學(xué)習(xí)算法,這種學(xué)習(xí)方法介于監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)之間。監(jiān)督學(xué)習(xí)會給每個(gè)訓(xùn)練樣例目標(biāo)標(biāo)簽,無監(jiān)督學(xué)習(xí)從來不會設(shè)立標(biāo)簽——而強(qiáng)化學(xué)習(xí)就是它們的平衡點(diǎn),它有時(shí)間延遲的稀疏標(biāo)簽——也就是未來的獎勵。每個(gè)agent會根據(jù)環(huán)境獎勵學(xué)習(xí)自身行為。了解算法的優(yōu)點(diǎn)和局限性,并開發(fā)高效的學(xué)習(xí)算法是強(qiáng)化學(xué)習(xí)的目標(biāo)。

在自動駕駛汽車上,機(jī)器學(xué)習(xí)算法的主要任務(wù)之一是持續(xù)感應(yīng)周圍環(huán)境,并預(yù)測可能出現(xiàn)的變化。

我們不妨分成四個(gè)子任務(wù): ? 檢測對象 ? 物體識別及分類 ? 物體定位 ? 運(yùn)動預(yù)測

機(jī)器學(xué)習(xí)算法也可以被寬松地分為四類: ? 決策矩陣算法 ? 聚類算法 ? 模式識別算法 ? 回歸算法

機(jī)器學(xué)習(xí)算法和任務(wù)分類并不是一一對應(yīng)的,比如說,回歸算法既可以用于物體定位,也可以用于對象檢測和運(yùn)動預(yù)測。

決策矩陣算法

決策矩陣算法能系統(tǒng)分析、識別和評估一組信息集和值之間關(guān)系的表現(xiàn),這些算法主要用戶決策。車輛的制動或轉(zhuǎn)向是有依據(jù)的,它依賴算法對下一個(gè)運(yùn)動的物體的識別、分類、預(yù)測的置信水平。決策矩陣算法是由獨(dú)立訓(xùn)練的各種決策模型組合起來的模型,某種程度上說,這些預(yù)測組合在一起構(gòu)成整體的預(yù)測,同時(shí)降低決策的錯誤率。AdaBoosting是最常用的算法。

AdaBoost

Adaptive Boosting算法也可以簡稱為AdaBoost,它是多種學(xué)習(xí)算法的結(jié)合,可應(yīng)用于回歸和分類問題。與其他機(jī)器學(xué)習(xí)算法相比,它克服了過擬合問題,并且對異常值和噪聲數(shù)據(jù)非常敏感。AdaBoost需要經(jīng)過多次迭代才能創(chuàng)造出強(qiáng)學(xué)習(xí)器,它具有自適應(yīng)性。學(xué)習(xí)器將重點(diǎn)關(guān)注被分類錯誤的樣本,最后再通過加權(quán)將弱學(xué)習(xí)器組合成強(qiáng)學(xué)習(xí)器。

AdaBoost幫助弱閾值分類器提升為強(qiáng)分類器。上面的圖像描繪了如何在一個(gè)可以理解性代碼的單個(gè)文件中實(shí)現(xiàn)AdaBoost算法。該函數(shù)包含一個(gè)弱分類器和boosting組件。

弱分類器嘗試在數(shù)據(jù)維數(shù)中找到理想閾值,并將數(shù)據(jù)分為2類。分類器迭代時(shí)調(diào)用數(shù)據(jù),并在每個(gè)分類步驟后,改變分類樣本的權(quán)重。

因此,它實(shí)際創(chuàng)建了級聯(lián)的弱分類器,但性能像強(qiáng)分類器一樣好。

聚類算法

有時(shí),系統(tǒng)獲取的圖像不清楚,難以定位和檢測對象,分類算法有可能丟失對象。在這種情況下,它們無法對問題分類并將其報(bào)告給系統(tǒng)。造成這種現(xiàn)象可能的原因包括不連續(xù)數(shù)據(jù)、極少的數(shù)據(jù)點(diǎn)或低分辨率圖像。K-means是一種常見的聚類算法。

K-means

K-means是著名的聚類算法,它從數(shù)據(jù)對象中選擇任意k個(gè)對象作為初始聚類中心,再根據(jù)每個(gè)聚類對象的均值(中心對象)計(jì)算出每個(gè)對象與中心對象的距離,然后根據(jù)最小距離重新劃分對象。最后重新計(jì)算調(diào)整后的聚類的均值。

下圖形象描述了K-means算法。其中,(a)表示原始數(shù)據(jù)集,(b)表示隨機(jī)初始聚類中心,(c-f)表示運(yùn)行2次k-means迭代演示。

模式識別算法(分類)

通過高級駕駛輔助系統(tǒng)(ADAS)中的傳感器獲得的圖像由各種環(huán)境數(shù)據(jù)組成,圖像過濾可以用來決定物體分類樣例,排除無關(guān)的數(shù)據(jù)點(diǎn)。在對物體分類前,模式識別是一項(xiàng)重要步驟,這種算法被定義為數(shù)據(jù)簡化算法。數(shù)據(jù)簡化算法可以減少數(shù)據(jù)集的邊緣和折線(擬合線段)。

PCA(原理分量分析)和HOG(定向梯度直方圖),支持向量機(jī)(Support Vector Machines,SVM)是ADAS中常用的識別算法。我們也經(jīng)常用到K最近鄰(KNN,K-NearestNeighbor)分類算法和貝葉斯決策規(guī)則。

支持向量機(jī)(SVM)

SVM依賴于定義決策邊界的決策層概念。決策平面分隔由不同的類成員組成的對象集。下面是一個(gè)示意圖。在這里,物體要么屬于紅色類要么綠色類,分隔線將彼此分隔開。落在左邊的新物體會被標(biāo)記為紅色,落在右邊就被標(biāo)記為綠色。

回歸算法

這種算法的專長是預(yù)測事件?;貧w分析會對兩個(gè)或更多變量之間的關(guān)聯(lián)性進(jìn)行評估,并對不同規(guī)模上的變量效果進(jìn)行對照。

回歸算法通常由三種度量標(biāo)準(zhǔn)驅(qū)動: ? 回歸線的形狀 ? 因變量的類型 ? 因變量的數(shù)量

在無人車的驅(qū)動和定位方面,圖像在ADAS系統(tǒng)中扮演著關(guān)鍵角色。對于任何算法來說,最大的挑戰(zhàn)都是如何開發(fā)一種用于進(jìn)行特征選取和預(yù)測的、基于圖像的模型。

回歸算法利用環(huán)境的可重復(fù)性來創(chuàng)造一個(gè)概率模型,這個(gè)模型揭示了圖像中給定物體位置與該圖像本身間的關(guān)系。通過圖形采樣,此概率模型能夠提供迅速的在線檢測,同時(shí)也可以在線下進(jìn)行學(xué)習(xí)。模型還可以在不需要大量人類建模的前提下被進(jìn)一步擴(kuò)展到其他物體上。算法會將某一物體的位置以一種在線狀態(tài)下的輸出和一種對物體存在的信任而返回。

回歸算法同樣可以被應(yīng)用到短期預(yù)測和長期學(xué)習(xí)中,在自動駕駛上,則尤其多用于決策森林回歸、神經(jīng)網(wǎng)絡(luò)回歸以及貝葉斯回歸。

回歸神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)可以被用在回歸、分類或非監(jiān)督學(xué)習(xí)上。它們將未標(biāo)記的數(shù)據(jù)分組并歸類,或者監(jiān)督訓(xùn)練后預(yù)測連續(xù)值。神經(jīng)網(wǎng)絡(luò)的最后一層通常通過邏輯回歸將連續(xù)值變?yōu)樽兞?或1。

在上面的圖表中,x代表輸入,特征從網(wǎng)絡(luò)中的前一層傳遞到下一層。許多x將輸入到最后一個(gè)隱藏層的每個(gè)節(jié)點(diǎn),并且每一個(gè)x將乘以相關(guān)權(quán)重w。乘積之和將被移動到一個(gè)激活函數(shù)中,在實(shí)際應(yīng)用中我們經(jīng)常用到ReLu激活函數(shù)。它不像Sigmoid函數(shù)那樣在處理淺層梯度問題時(shí)容易飽和。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報(bào)投訴
  • 機(jī)器學(xué)習(xí)

    關(guān)注

    66

    文章

    8530

    瀏覽量

    135972
  • 自動駕駛
    +關(guān)注

    關(guān)注

    791

    文章

    14552

    瀏覽量

    174329

原文標(biāo)題:自動駕駛中常用的四類機(jī)器學(xué)習(xí)算法

文章出處:【微信號:Imgtec,微信公眾號:Imagination Tech】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點(diǎn)推薦

    如何確保自動駕駛汽車感知的準(zhǔn)確性?

    [首發(fā)于智駕最前沿微信公眾號]自動駕駛汽車想要自動駕駛,首先要做的就是能對周邊環(huán)境實(shí)現(xiàn)精準(zhǔn)感知,也就是能“看”清道路,那自動駕駛汽車如何在復(fù)雜、快速變化的道路環(huán)境做到感知的精確又可靠
    的頭像 發(fā)表于 08-23 15:06 ?1243次閱讀
    如何確保<b class='flag-5'>自動駕駛</b>汽車感知的準(zhǔn)確性?

    低速自動駕駛與乘用車自動駕駛在技術(shù)要求上有何不同?

    [首發(fā)于智駕最前沿微信公眾號]自動駕駛技術(shù)的發(fā)展正朝著多元化方向邁進(jìn),其中低速自動駕駛小車(以下簡稱“低速小車”)因其在物流配送、園區(qū)運(yùn)維、社區(qū)服務(wù)等場景的獨(dú)特價(jià)值而受到廣泛關(guān)注,且現(xiàn)階段已經(jīng)深入
    的頭像 發(fā)表于 07-14 09:10 ?446次閱讀
    低速<b class='flag-5'>自動駕駛</b>與乘用車<b class='flag-5'>自動駕駛</b>在技術(shù)要求上有何不同?

    新能源車軟件單元測試深度解析:自動駕駛系統(tǒng)視角

    。 ?自動駕駛軟件的特殊性? ? 感知層: ?激光雷達(dá)、攝像頭等傳感器數(shù)據(jù)處理算法的單元測試需覆蓋極端場景。例如,激光雷達(dá)點(diǎn)云濾波算法在雨雪天氣下的噪聲抑制能力需通過邊界測試驗(yàn)證。某廠商曾在測試
    發(fā)表于 05-12 15:59

    自動駕駛大模型中常提的Token是個(gè)啥?對自動駕駛有何影響?

    近年來,人工智能技術(shù)迅速發(fā)展,大規(guī)模深度學(xué)習(xí)模型(即大模型)在自然語言處理、計(jì)算機(jī)視覺、語音識別以及自動駕駛等多個(gè)領(lǐng)域取得了突破性進(jìn)展。自動駕駛作為未來智能交通的重要方向,其核心技術(shù)之一便是對海量
    的頭像 發(fā)表于 03-28 09:16 ?710次閱讀

    自動駕駛規(guī)控算法驗(yàn)證到底需要什么樣的場景仿真軟件?

    ModelBase-AD憑借其優(yōu)秀的靜態(tài)場景模型、隨機(jī)交通流模型、整車動力學(xué)模型,為各大主機(jī)廠和供應(yīng)商提供了準(zhǔn)確的自動駕駛規(guī)控算法驗(yàn)證仿真環(huán)境,提升了自動駕駛規(guī)控算法驗(yàn)證效率。
    的頭像 發(fā)表于 02-11 14:16 ?1950次閱讀
    <b class='flag-5'>自動駕駛</b>規(guī)控<b class='flag-5'>算法</b>驗(yàn)證到底需要什么樣的場景仿真軟件?

    從《自動駕駛地圖數(shù)據(jù)規(guī)范》聊高精地圖在自動駕駛的重要性

    自動駕駛地圖作為L3級及以上自動駕駛技術(shù)的核心基礎(chǔ)設(shè)施,其重要性隨著智能駕駛技術(shù)的發(fā)展愈發(fā)顯著?!?b class='flag-5'>自動駕駛地圖數(shù)據(jù)規(guī)范》(DB11/T 2041-2022)由北京市規(guī)劃和自然資源委員會
    的頭像 發(fā)表于 01-05 19:24 ?2660次閱讀
    從《<b class='flag-5'>自動駕駛</b>地圖數(shù)據(jù)規(guī)范》聊高精地圖在<b class='flag-5'>自動駕駛</b><b class='flag-5'>中</b>的重要性

    【「具身智能機(jī)器人系統(tǒng)」閱讀體驗(yàn)】2.具身智能機(jī)器人的基礎(chǔ)模塊

    方法和增量搜索方法。 另外,還有基于強(qiáng)化學(xué)習(xí)自動駕駛規(guī)劃等等。 個(gè)人覺得,這部分內(nèi)容是整個(gè)具身智能的基石,沒有具身智能的基礎(chǔ)模塊就不會有具身智能的自主性和智能型。
    發(fā)表于 01-04 19:22

    如何實(shí)現(xiàn)自動駕駛規(guī)控算法的仿真驗(yàn)證

    隨著自動駕駛技術(shù)的不斷進(jìn)步,市場需求的持續(xù)增長,自動駕駛產(chǎn)業(yè)迎來廣闊的發(fā)展前景。L3及以上級別的自動駕駛技術(shù)有望逐步落地普及,為人們帶來更加安全、便捷、高效的出行體驗(yàn)。
    的頭像 發(fā)表于 12-30 09:39 ?1423次閱讀
    如何實(shí)現(xiàn)<b class='flag-5'>自動駕駛</b>規(guī)控<b class='flag-5'>算法</b>的仿真驗(yàn)證

    標(biāo)貝科技:自動駕駛的數(shù)據(jù)標(biāo)注類別分享

    自動駕駛訓(xùn)練模型的成熟和穩(wěn)定離不開感知技術(shù)的成熟和穩(wěn)定,訓(xùn)練自動駕駛感知模型需要使用大量準(zhǔn)確真實(shí)的數(shù)據(jù)。據(jù)英特爾計(jì)算,L3+級自動駕駛每輛汽車每天產(chǎn)生的數(shù)據(jù)高達(dá)4000GB,作為自動駕駛
    的頭像 發(fā)表于 11-22 15:07 ?2462次閱讀
    標(biāo)貝科技:<b class='flag-5'>自動駕駛</b><b class='flag-5'>中</b>的數(shù)據(jù)標(biāo)注類別分享

    標(biāo)貝科技:自動駕駛的數(shù)據(jù)標(biāo)注類別分享

    自動駕駛訓(xùn)練模型的成熟和穩(wěn)定離不開感知技術(shù)的成熟和穩(wěn)定,訓(xùn)練自動駕駛感知模型需要使用大量準(zhǔn)確真實(shí)的數(shù)據(jù)。據(jù)英特爾計(jì)算,L3+級自動駕駛每輛汽車每天產(chǎn)生的數(shù)據(jù)高達(dá)4000GB,作為自動駕駛
    的頭像 發(fā)表于 11-22 14:58 ?4902次閱讀
    標(biāo)貝科技:<b class='flag-5'>自動駕駛</b><b class='flag-5'>中</b>的數(shù)據(jù)標(biāo)注類別分享

    MEMS技術(shù)在自動駕駛汽車的應(yīng)用

    MEMS技術(shù)在自動駕駛汽車的應(yīng)用主要體現(xiàn)在傳感器方面,這些傳感器為自動駕駛汽車提供了關(guān)鍵的環(huán)境感知和數(shù)據(jù)采集能力。以下是對MEMS技術(shù)在自動駕駛汽車
    的頭像 發(fā)表于 11-20 10:19 ?1977次閱讀

    基于改進(jìn)ResNet50網(wǎng)絡(luò)的自動駕駛場景天氣識別算法

    摘要:為了充分利用自動駕駛汽車路測圖像數(shù)據(jù),增加行駛過程對天氣情況識別的準(zhǔn)確性,提出了一種基于改進(jìn)ResNet50網(wǎng)絡(luò)的自動駕駛場景天氣識別算法。該
    的頭像 發(fā)表于 11-09 11:14 ?1534次閱讀
    基于改進(jìn)ResNet50網(wǎng)絡(luò)的<b class='flag-5'>自動駕駛</b>場景天氣識別<b class='flag-5'>算法</b>

    自動駕駛汽車安全嗎?

    隨著未來汽車變得更加互聯(lián),汽車逐漸變得更加依賴技術(shù),并且逐漸變得更加自動化——最終實(shí)現(xiàn)自動駕駛,了解自動駕駛汽車的安全問題變得非常重要,這樣你才能回答“自動駕駛汽車安全嗎”和“
    的頭像 發(fā)表于 10-29 13:42 ?1397次閱讀
    <b class='flag-5'>自動駕駛</b>汽車安全嗎?

    智能駕駛自動駕駛的關(guān)系

    智能駕駛自動駕駛在概念上存在一定的聯(lián)系和區(qū)別,以下是對兩者關(guān)系的介紹: 一、概念定義 智能駕駛 : 智能駕駛是一個(gè)更為寬泛的概念,它指的是通過機(jī)器
    的頭像 發(fā)表于 10-23 16:02 ?2027次閱讀