深度学习在无人驾驶汽车中的应用

孙皓天

摘要：本文针对当代社会对无人驾驶汽车研制的迫切需求，开展了深度学习在无人驾驶汽车中应用的研究。文章首先从无人驾驶汽车工作原理、体系架构设计，然后深度学习的基本概念、原理和一种算法思想，运用非监督学习对每层的数据进行聚类，监督学习调整每层之间的关系，并将之应用于减速鸣笛和行驶中的加速减速控制。

关键词：无人驾驶；深度学习；隐含层；阀值

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）24-0121-03

Deep Learning on the Application of the Driverless Cars

SUN Hao-tian

（Class 1，Grade 2， Hefei Sixth Senior High School， Hefei 230061，China）

Abstract： Contemporary society， the author of this paper to the urgent need of driverless cars developed has carried out in-depth study in the study of the application of the driverless cars.This paper from the working principle of the driverless cars， architecture design， and then deep learning of the basic concepts， principles and an algorithm of ideas， using the data of each layer of unsupervised learning clustering， supervision and study the relationship between the adjustment of each layer， and is applied to the deceleration honking and driving the acceleration deceleration control.

Key words： driverless； deep learning； implicit layer； threshold

随着科技的发展，现在机器越来越智能化。为减轻人们的工作，无人驾驶车辆成为社会发展的产物，其中车辆无人驾驶技术的优点有增加了公共交通的安全、出行的便利（降低人为事故）、避免人们在路上浪费时间，省去堵车的烦恼，高管和普通员工从离开家门一刻起就可以阅读邮件，或为其他事情做准备，使不会驾驶汽车的低龄儿童和成年人，不方便驾驶的老年人都会受益于无人驾驶汽车，也就节省了其他人的时间、提高汽车利用效率。美国现在平均每个家庭拥有2～3辆汽车，往往是一人上班，一人接送孩子以及有驾照的大孩子使用，无人驾驶汽车可以在送家长上班后，自动回家送孩子上学，从而降低汽车保有率，节省对铁矿和石油资源的使用。虽然大型汽车制造商可能不喜欢这一点，但是从环保的角度较划算、堵车和长时间开车造成的疲劳，或者路上的纠纷造成的“路怒症”会降低，对人们的身心健康和安全都是很有益处的。

机器学习是无人驾驶技术成功地基础，深度学习是源于人工神经网络的一种高效的机器学习方法。深度学习可以提高汽车识别道路、行人、障碍物等的时间效率，并保障了识别的正确率。通过大量数据的训练之后，汽车可以将收集到的图形，电磁波等信息转换为可用的数据，利用深度学习算法实现无人驾驶。

1 无人驾驶汽车的工作原理

如图1所示，无人驾驶系统是由激光测距仪，视频摄像头，车载雷达，微型传感器，电脑资料库，电脑处理系统组成。

车顶上的激光测距仪发射激光射线，当激光碰到车辆周围的物体，又反射回来，计算出物体与车之间的距离。

前三后一的雷达布局，可以探测到较远的固定路障，使电脑处理系统能够预先进行处理，避开路障；当车道变换时，车后雷达探测左右后方是否有车，进行变道；并检测激光测距仪的盲点区域，防止侧面撞击；车前雷达，判断前方是否有路口，若有路口，将信息传递给电脑处理系统，进行判断处理；当前方有车刹车，车前雷达探知后，电脑处理系统会进行刹车判断；倒车时，后车雷达可以测量与障碍物之间的距离，判断倒车距离；后方有车时，由激光测距仪测出车间距离，电脑处理系统从电脑数据库提取数据进行处理，判断应保持多大的车间距。

如图2所示，另一套在底部的系统测量出车辆在三个方向上的加速度、角速度等数据，然后再结合GPS数据计算出车辆的位置，通过微型传感器监控车辆是否偏离所制定的路线，通过车载摄像机捕获的图像判断道路的宽度，红绿灯，所应处道路（例如：转弯道，待转弯区等）。车头会有两个摄像头，对道路地面进行判断，保障不同时占两车道、偏离路线，转弯进入转弯道，待转弯进入待转弯区；当通过红绿灯时，需通过雷达判断前方是否有行人、车辆；车载摄像机捕获的图像判断红绿灯；通过雷达测量距离，判断能否在红灯之前通过；若不能，则需计算应以多大的加速度进行减速，如图3所示。将这些数据与车载摄像机捕获的图像一起输入计算机，系统会以极高的速度处理这些数据。这样，系统就可以非常迅速的作出判断，达到无人驾驶的目的。

3 深度学习概念

3.1 深度学习基本概念

深度学习的概念源于人工神经网络的研究，是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。它模仿人脑的机制来解释数据，例如图像，声音和文本含。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络就是一种深度的监督学习下的机器学习模型，而深度置信网就是一种无监督学习下的机器学习模型。

3.2 深度学习的算法原理

考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。输入节点没有孩子，输出节点没有父亲。如图4，对于表达[sin（a2+ba）] 的流向图，可以通过一个有两个输入节点[a]和[b]的图表示，其中一个节点通过使用[a]和[b] 作为输入（例如作为孩子）来表示[ba] ；一个节点仅使用[a] 作为输入来表示平方；一个节点使用[a2] 和[ba]作为输入来表示加法项（其值为[（a2+ba）]）；最后一个输出节点利用一个单独的来自于加法节点的输入计算SIN。传统的前馈神经网络能够被看做拥有等于层数的深度（比如对于输出层为隐层数加1）。SVMs有深度2（一个对应于核输出或者特征空间，另一个对应于所产生输出的线性混合）。

4 在无人驾驶汽车中的应用

在无人驾驶汽车通过雷达等收集到数据时，对于原始的训练数据要首先进行数据的预处理化。计算均值并对数据的均值做均值标准化、对原始数据做主成分分析、使用PCA白化或ZCA白化。例如：将激光传感器收集到的时间数据转换为车与物体之间的距离；将车载摄像头拍摄到的照片信息转换为对路障的判断，对红绿灯的判断，对行人的判断等；雷达探测到的数据转换为各个物体之间的距离。

如何将深度学习应用于无人驾驶汽车中，主要包含以下步骤：

a） 准备数据，对数据进行预处理再选用合适的数据结构存储训练数据和测试元组；

b） 输入大量数据对第一层进行无监督学习；

c） 通过第一层对数据进行聚类，将相近的数据划分为同一类，随机进行判断；

d） 运用监督学习调整第二层中各个节点的阀值，提高第二层数据输入的正确性；

e） 用大量的数据对每一层网络进行无监督学习，并且每次用无监督学习只训练一层，将其训练结果作为其更高一层的输入。

f） 输入之后用监督学习去调整所有层。

限于作者研究的局限性，本文以与行人之间的距离判断是否减速鸣笛和行驶中如何控制加速减速为例介绍深度学习在无人驾驶上的应用。

如图5，将前方有行人和与行人之间的距离作为是否刹车鸣笛的输入。通过大量的输入数据，第二层网络会将与行人间的距离中相近的划为一类，对不同的距离类进行监督学习，调整当与行人间的距离在多少范围内时，执行刹车鸣笛和以一定的车速前进，提高第二层分类和训练结果的正确性。假设，有n个数据，执行刹车鸣笛和以一定的车速前进的阀值均为0.5，此时是否刹车鸣笛这一节点，将这n个数分为几类，同一类执行相同的结果。若执行刹车鸣笛错误，则将这一类数据执行刹车鸣笛的阀值调低，执行以一定的车速前进的阀值调高。若同一类中执行同一结果，即出现执行刹车鸣笛错误，又出现以一定的车速前进错误，则将出现相同错误的划为同一类。

如图6，所示将周围车辆数和与最近车辆的距离作为应保持的车间距和行驶的速度的输入。通过大量的输入数据，第二层网络会将周围车辆数中相近的划为一类，对不同的数量类进行监督学习，调整当周围车辆数在多少范围内时，以多大的速度行驶，保持多大的车间距来判断是执行加速、减速或保持现速。假设，有k个数据，执行加速、减速和保持现速的阀值均为0.5，此时保持的车间距与行驶的速度这两节点，将这n个数分为几类，同一类执行相同的结果。若执行加速成功，则将这一类数据执行加速的阀值调高，执行减速和保持现速的阀值调低。若同一类中执行同一结果，即出现不同的错误，则将出现相同错误的划为同一类。

5 结束语

本文对当代社会对无人驾驶汽车研制的迫切需求，初步开展了深度学习在无人驾驶汽车中的应用研究。针对无人驾驶汽车上各个设备的作用采集的数据，用非监督学习对每层的数据聚类，监督学习调整每层之间的关系和各个节点的阀值来提高判断速度，保障了无人驾驶的行车安全性。因为无人驾驶汽车较为复杂，本文只提供了一种理论上的思考，尚未对在路口的无人驾驶控制等复杂情况进行研究，也未开展相关仿真验证工作，希望在后续工作中能够逐步开展。

参考文献：

[1] TOM M. MiTchell.机器学习[M].曾华军，张银奎，译.北京：机械工业出版社，2003.

[2] Ian H. Witten Eibe Frank Mark A. Hall.数据挖掘[M].李川，张永辉，译.北京：机械工业出版社，2012.

[3] 谷歌无人驾驶汽车[EB＼OL].百度百科.

[4] 无人驾驶时代即将到来[EB＼OL].网易新闻.

[5] 深度学习（Deep Learning）算法简介[EB＼OL].Bati's eHome of Tech.

[6] 机器学习——深度学习（Deep Learning） [EB＼OL].CSDN Rachel Zhang的专栏.