2020-08-10

  • 车辆与循迹驾驶能力实战
    • 闭环验证
    • 定位、控制、canbus
    • 验证车的线控能力和集成能力
    • canbus
      • 车辆的通信机制
      • 不同车辆canbu不同,非参考硬件需要适配
    • 适配
      • 实现新车控制
      • 实现新消息管理器
      • 在工厂类中注册新车
      • 更新配置文件canbus/conf/canbus_conf.pb.txt
    • 添加控制新算法
      • 创建控制器
      • 在 control_config文件,为新控制器添加配置
      • 注册新控制器
    • 启动循迹
      • 录制
      • 执行
  • 障碍物感知和路径规划能力实战
    • 感知标定

在这里插入图片描述

  • EM Planner在这里插入图片描述
    在这里插入图片描述

  • 创建Planner

  • 将新的Planner配置添加到modules/planning/conf/planning_config.pb.txt文件

  • 在module/planning/planning.cc中注册新的Planner

  • 自动驾驶数据分类

    • 原始数据
    • 标注数据
    • 逻辑数据
    • 仿真数据
  • 自动驾驶数据平台

    • 数据采集与传输
    • 自动驾驶数据仓库
    • 自动驾驶计算平台
  • Apollo训练平台

    • Docker+GPU集群
      • 提供与车端一致的软硬件计算能力
    • 集成深度学习框架
      • 集成多种框架,提供完整的深度学习解决方案
    • 可视化结果分析
      • 通过交互式可视化结果分析,方便算法调试优化在这里插入图片描述
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值