随着Uber无人车在美国匹茨堡上路,百度无人车在北京上路测试,无人驾驶汽车的研发、测试、上路正在一步步逐渐实现。
根据数据显示,每年有超过130万人死于车祸,其中94%是由于人为的失误所造成的,自动驾驶技术的发展,很大程度上是为了改善人们的生活质量,防止不必要的人为车祸,减少拥堵,为人类出行提供更大便利。
无人驾驶技术是一个非常庞大的知识体系,主要要解决四个大方向的问题,定位、感知、决策、控制。
- 定位:如GPS、Landmark、IMU;
- 感知:车辆周围物体的辨识;
- 决策:车辆路径、形式速度等行为决策;
- 控制:方向盘、油门、制动等控制。
在这四个大方向上,都有很多子问题。如在解决感知问题上,车辆在行驶中如何识别前方事物(其他车辆、行人、自行车、交通灯等)。要解决这个感知大问题下的子问题,深度学习中的算法和训练模式是其背后强大的驱动力。
想要解决车辆在行进中辨识前方事物的问题,需要:
- 运用深度学习做图像处理;
- 利用Tensor Flow实现数字识别;
- 使用AWS GPU Instance运行深度学习模型,并对数据进行训练和检测;
- 建立R-CNN物体检测模型;
- 在TensorFlow模型下进行多标签分类,并对数据进行训练和检测等等。
相关比赛:
本次挑战赛的赛题就是为了解决上面提到的无人驾驶技术当中的子问题,即无人驾驶汽车在行驶过程当中是如何通过图像识别出车辆、行人、自行车、摩托车和信号灯的。
参赛选手通过神州专车北美实验室提供的10000张作为training和validation的图像数据,运用深度学习的技术和框架成功标注出图像中的车辆、行人、自行车、摩托车及信号灯,并给这些标注出的物体打上正确的标签。
参赛者在2000张不含信息的测试数据上测试自己的模型及算法,将结果上传到挑战赛提交页面,每日都可看到最新排名情况,并根据排名进行新一轮调试。
最终选出前30名队伍,提交完整的Model,Code,Documentation到挑战赛大会,大会会在最后3000张竞赛图片数据集上测试确定最终排名。