本文介绍了机器学习在自动驾驶系统中的关键作用，特别是以百度阿波罗平台为例，探讨了如何利用机器学习解决路面和车道线检测、障碍物识别、目标跟踪等问题。阿波罗平台采用多种传感器结合深度学习技术，通过感知模块对环境进行理解和决策，实现了自动驾驶的部分功能。文章详细阐述了车道检测、障碍物检测、目标跟踪以及红绿灯检测识别等算法的应用。
其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。
原创声明：本文为 SIGAI 原创文章，仅供个人学习使用，未经允许，不能用于商业目的。
欢迎搜索关注微信公众号SIGAICN，获取更多原创干货
导言
自动驾驶是人工智能当前最热门的方向之一，也是未来将对人类生活会产生重大影响的方向。机器学习在自动驾驶中有举足轻重的地位，从环境感知到策略控制，都有它的身影。在本文中，SIGAI将以百度阿波罗平台为例，介绍机器学习在自动驾驶系统中的应用，揭开自动驾驶算法的神秘面纱。
自动驾驶简介
自动驾驶的目标是让交通工具能够自主行驶，典型的是飞行器和车辆，这是人类长期以来追求的目标。飞机的自动驾驶在多年前已经实现，空中的障碍物、交通情况比地面简单很多，而且有雷达等手段精确定位。现阶段的重点是车辆的自动驾驶，目前，Google、百度、特斯拉等公司都投入大量资源在这个领域进行研发，也取得了一些重要进展。
目前的自动驾驶系统由摄像机，激光雷达等传感器，控制器，GPS定位系统，数字地图，算法等多个部件构成，在这里我们重点介绍算法部分，尤其是机器学习技术在其中的应用情况。
无人驾驶为什么需要机器学习？
很多人可能不理解为什么自动驾驶需要机器学习技术，让我们首先来看人是怎么驾驶车辆的。现在要开车从清华大学东门去北京首都机场T3航站楼，你作为司机要完成这一次驾驶任务。接下来你会怎么做？
1.首先，你要知道本次行驶的起始地和目的地。如果是老司机，你会知道按照什么样的路线开到机场去；如果不是，则需要借助导航软件，它将为你计算出一条最优的行驶路径。下面是搜狗地图为我们计算出来的路径：
这里涉及到定位，路径规划的问题。前者可以通过GPS或其他技术手段来实现，后者也有成熟的算法，如Dijkstra或者A*搜索算法，学过数据结构和算法的同学对Dijkstra算法都不会陌生，它给出了计算图的两个节点之间最短距离的方案。目前，这一问题已经很好的解决了，而且计算机比人要强。
2.接下来，你就要启动汽车开始行驶了。首先你要知道的是：路在什么地方？应该上哪个车道？
这就是机器学习登场的时候了，它要解决路面和车道线检测问题。目前主流的自动驾驶系统一般都采用了激光雷达+摄像机+其他传感器相结合的方案。无论是激光雷达扫描得到的3D距离数据，还是摄像机成像的2D数据，我们都要对它们进行分析，以准确的确定路面的位置，车道线和每个车道的范围。
3.在找到了道路和车道之后，我们就要开始行驶了，你要控制油门，刹车，方向盘。现在问题又来了，怎么开？
你得知道路上有没有车，有没有人，有多少车，有多少人，以及其他障碍物，它们在路面的什么地方。这又是机器学习和机器视觉要解决的问题，同样是检测问题。我们需要对激光雷达或者摄像机的图像进行分析，得到这些障碍物的准确位置。
4.行驶过程中，你遇到的这些行人，车辆都是移动的，因此你必须要对他们的运动趋势做出预判。你前面的车辆、后面的车辆的行驶速度和轨迹都会影响你要采取的动作。如果有人要过马路，距离你还有30米，你是停下来等他过去，还是慢速行驶过去？
这是机器视觉中的目标跟踪问题，我们要准确的跟踪出人，车辆，动物等移动目标的运动轨迹，估计出他们的运动速度与方向，以便于做出决策。
5.行驶一会儿之后，你遇到了第一个十字路口，这里有红绿灯，当前是红灯，因此你需要停下来等待，而不是硬闯过去，这又涉及到一个问题，你怎么知道这些交通灯？
这依然是机器视觉要解决的问题，即准确的检测出图像中的交通灯，并知道它们当前的状态。除了红绿灯之外，还有其他交通标志需要我们识别，比如速度限制、是否允许调头等。
6.还有一个问题没有解决，在知道这些环境参数之后，我们该怎么行驶？即根据环境参数得到要执行的动作，在这里是车辆行驶的速度（速度是一个矢量，具有大小和方向）。最简单的做法是用规则来做决策，我们总结出人驾驶车辆的经验，前面没有车
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
