基于卷积神经网络的自动驾驶汽车深度模仿学习

链接:自动化学会
引言

关键词：自动汽车，卷积神经网络，深度学习，模仿学习。

介绍

相比较于其他的学习方法，模仿学习更容易和更有效在 方面和为了训练处理专业知识方面。更重要的是，它既不需要准确的程序，也没有数学分析理论的证明。在机中学习中，列如，功能奖励的设计是必要的，有时是一个挑战任务， 另一面，幸亏有测量技术的先进 包括视觉， 理论和工作环境的许多特性。之后计算机将能够更容易处理共同的数据和对于目标任务生成期望的要求。

模仿策略正在被广泛用在自动系统中。对于其他的学习技术简单在于实现和适用，模仿方法是正在获取一个解决方法。学习能使假设和限制更容易。在学习方法中，列如，在一个应用和生成奖励功能中，调查实际上可能会变的困难在快速反应和时间重要性上，例如自动汽车。另一方面，模仿方法也有它自己的困难和挑战，在这个学习算法应该更小心地设计去生成有效的模型。为了解决这个担心，研究者通常不会和其他算法相协调，包括深度学习，集中学习，深度集中学习，平行集中学习，监察方法和其他。
对于多样的应用，模仿学习方法的流利度也能使他们更加容易去发展。在图片1中，这些应用包括机器人，自动系统，无管理汽车，自动控制和电脑游戏。模仿学习的共同概念是期望任务的表现。这能够被司机，pilot，厨师所实现。所需的信息可能会被相机，传感器和其他合适数据需求工具所收集。例如，在自动汽车中，相机和距离测量传感器可能被用于为了汽车提供公路参数和环境特性。
视觉学习也是一个主要方法去叫一个技术，关于如何去表现一个给予的任务。

文章的主要发现是：
1 三个主要农业参数的综合评估和比较，包括层，折叠和 大小的数量，以及在整体网络性能方面的影响。这个比较给研究者了一个过量的观点，为了实现最优性能去最优设计他们的神经网络。
2 .

为了实现这个目标， 从前面，右边，左边，三个相机去捕获图片，当驾驶者正在开车时。之后，所有的图片都要进入一个深度神经网络中去处理和生成模型。神经网络输出这个期望的倾斜角度作为一个必要条件。期望从这个相机中仅有的一个图片去生成一个模型。这个生成的模型被期望去自动驱使汽车。为了评估这个结果模型的性能，研究思索每个模型的遍历层的数量和大小的影响。对于最终的研究，多个模型在不同的遍历层中发展为不同的结构。所有的模型被同样的数据集所训练，之后，被测试于一致的输入数据。更重要的是，一个全新的方法被提及去计算和更新基于每个MSE价值模型的权重。对自动汽车来说，这项研究现在发展成为了一个深度模仿学习方法。在深度神经网络模型和自动汽车驾驶的性能影响中，这项研究也提供了一个综合评估。
文章的剩余被组织如下，第二部分描述了一个模型发展，整体方法以及训练方法。第三部分，表明了实验的数据收集和观点。第四部分，讨论了结果，紧接着，第五和第六部分，分别进行总结和未来的方向。
ensemble 整体，全体