神经网络在无人驾驶中的应用

任淏哲

摘 要 无人驾驶作为当前社会的技术热点和人工智能产业的重要一支，引起了越来越多的人的关注。神经网络是机器学习诸多技术中重要的一环，其在无人驾驶中也有着至关重要的应用。文章介绍了神经网络的原理并阐述其在无人驾驶中的具体应用。

关键词 无人驾驶；神经网络；增强学习；决策；识别

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2019）230-0138-02

随着科学技术的发展和进步，大数据、人工智能等新兴技术开始被应用于生产生活中，而随着近些年来社会生产力的不断提升，这些新兴技术与新兴产业也蓬勃发展，在很多领域已经有了颠覆传统方式的趋势。

自动驾驶作为人工智能浪潮中重要的一股分支，其发展一直备受社会关注。与传统的人工驾驶有所不同，自动驾驶一般按照其自动化程度分为4个等级：辅助驾驶，半自动驾驶，自动驾驶，完全自动驾驶。目前已经有很多厂商将辅助驾驶应用于量产车，并积极研制开发半自动驾驶和自动驾驶技术。

如今的自动驾驶领域，通用公司是业界的翘楚，通用已在美国的许多洲开设了无人驾驶的区域用于自动驾驶的研究与测试。特斯拉，谷歌也开始在无人驾驶领域加大投入，在国内，以BAT为首的互联网公司开始重视自动驾驶。前些日子，李彦宏在北京五环正式开始了自动公交汽车的项目，标志着自动驾驶逐渐走进我们的生活。

但目前自动驾驶的发展形势仍不明朗，尤其是对于驾驶网络的研究还有许多发展的空间。现在的无人驾驶主要所面临的问题就是识别复杂的驾驶场景和驾驶情况[ 1 ]，对于雨雪天气、雾天、晴天等不同天气的识别，对于高速路，城市道路等不同路段中選择不同的驾驶模式。对于道路上行人或是其他移动中的物体的识别（如猫狗，其他汽车等），综合交通信号灯，指示牌，路标等对现行状况的判定，这些都是十分复杂的。而神经网络的运用将极大地改变无人驾驶，使得无人驾驶的识别准确性大大提升，具有更多的现实意义。

1 神经网络

神经网络是当前人工智能技术链中极其重要的一环，被广泛应用于数据挖掘、数据分析、机器学习等领域，无人驾驶作为人工智能技术的衍生，也大量应用了神经网络技术[ 2 - 3 ]。

人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自主学习和自适应的能力。

具体而言，神经网络是一种数学算法，其核心思想在于挖掘大量数据中的特征并给这些特征赋予权重，使得他们对于网络结果的输出给予不同程度的影响。例如，在判断一个人是否患有肥胖症时，大多数人都会选择将该人的体重和身高作为重要的评判标准。

对于神经网络而言，在最初各个输入数据并没有好坏优劣之分，其各自的权重也是随机的、无章法的，而随着我们把网络的输出结果与实际结果作比较并将比较结果反馈给网络，网络就可以自行调节各项权重，使得对结果影响更大的项的权重更大（或者说比重更大）。通过循环这样的过程，我们就能够不断调整整个网络，使得其对于那些重要的数据更加敏感并且能够将这些数据做必要的处理来进行准确的判断。

2 神经网络在无人驾驶中的应用

一般认为无人驾驶技术上可被分为三大模块，分别是：感知模块、决策模块和执行模块。其中，执行模块随着自动化技术（尤其是控制技术）的逐渐成熟而不断完善。因此，“感知”和“决策”也常常被认为是自动驾驶技术发展道路上的“拦路虎”。虽然有着这样那样的困难，但感知和决策将会是接下来几十年各大科技公司关注的技术方向。

一般认为，感知模块要完成两个功能：识别与定位。所谓识别是指系统要及时收集周围环境的各项障碍物（此处的障碍物既包括有生命的，也包括无生命的，是对周围物体的一种泛称）并对其性质加以界定，并且对其方位做出比较准确的判断。

决策模块则是无人驾驶的“大脑”，需要将感知模块收集的信息加以整合并作出相应决策。这个模块比起感知模块可能更加符合人们对于“人工智能”的认知。

2.1 卷积神经网络与目标识别

卷积神经网络实际上是普通神经网络的变式，对于逻辑较为复杂的神经网络，准确的判断往往需要大量的输入，而在图片判断及其相关问题中，我们需要考虑每一个像素——这也意味着一幅1080×1020的图片最少需要1080×1020个输入，尽管理论上我们可以通过控制神经网络的层数（但是强行下降层数也意味着判断准确率会大打折扣）来减小数据维度，但即便只有三层（已经是神经网络的极限小），运算规模也已经非常巨大。

为了解决这个问题，人们在神经网络正式开始计算前加入了卷积层。所谓卷积是指按照一定的权重将局部的图像化为一个“点”（例如将3×3大小的图像按照一定的权重相乘并相加，变成一个像素），而卷积的权重则是由训练所得。这样我们就能够在正式计算前有效降低数据维度[ 4 ]。

对于卷积层的作用有多种说法，一般认为卷积层的作用是“将重要的特征进一步放大，将无用的数据进一步降零”。

目标识别是无人驾驶中至关重要的功能之一。如前文所说，无人驾驶汽车需要实时地对周围目标加以识别并将识别结果传输给决策网络，而卷积神经网络能够对图片进行比较好的识别。我们都知道视频本质上是由一帧一帧的图像构成的，因此实时的目标识别任务就转换为了连续的图像识别任务。这也是为什么卷积神经网络能够较好地应用于感知模块。

2.2 决策网络

2.2.1 增强学习

增强学习是在决策问题中广泛应用的一种人工智能算法[ 5 ]，其本质在于设定一个“外部奖励”，该外部奖励是评价决策好坏的重要指标，当我们发现某个决策带来大的奖励更多时，我们认为该决策是更加科学的、可取的，反之，当某个决策带来的奖励很少甚至没有时，系统对于该策略的选取倾向就更低。

例如，我们在玩赛车游戏时，就可以将单位时间内赛车前进的距离作为决策系统的外部奖励，但是这种操作从本质上来讲并不严谨，因为我们忽略了大量其他的“特殊情况”，比如碰撞、刮蹭，因此笔者所提出的这种类比虽然在思想上是正确的，但并不可行。

究其根本，一个合格的外部奖励或者称之为决策系统的“指导函数”应当是很复杂的，它不仅要随外界环境的变化而变化，并且其需要纳入考虑的评估指标也是复杂而多样的，以无人驾驶为例，当汽车行驶在空旷无人的高速公路上时，速度的优先级自然会提高；当汽车行驶在城市中时，速度的优先级必然需要降低。除此之外，指导函数还应该有一定的“预见性”，因为很多决策并不是一开始执行就会立即带来有效收益，或者我们可以这样理解，在谋划一场战争时，将军不仅要有战术意识，更要有战略意识。

综上，在决策系统工作时，指导函数并不是一成不变的，而是随着外部环境/信息的变化而不断调整的，而这种调整显然是需要大量计算的（因为要考虑各种各样的信息），那么从本质上来讲该问题仍然属于神经网络非常适合解决的问题，即我们可以使用神经网络的计算来得到一个能够及时变化的指导函数。该神经网络的输入是感知系统的各項信息，而输出是当前时刻的指导函数/外部奖励。

2.2.2 决策网络

决策网络，或者说决策系统是一种非常典型的机器学习产物。如前文所说，通过增强学习我们能够得到一个科学的指导函数，在不同外界数据的输入下会给出不同的评估结果，无人驾驶汽车根据该时刻决策系统的评估选择最优的策略并传输给控制系统。

3 结论

在不远的将来无人驾驶汽车就能够替代如今的驾驶者，无人驾驶的发展道路还很长，人工智能的不断发展为无人驾驶指明了一条崭新的发展道路，人工智能将在感知识别，计算决策等方面对无人驾驶有着深远影响。有人工智能加持的无人驾驶将大大提高城市交通的效率和安全系数，使得驾驶不再是人们日常生活的一个“麻烦事”。

参考文献

[1]乔维高，徐学进.无人驾驶汽车的发展现状及方向[J].上海汽车，2007（7）：40-43.

[2]陈慧岩，熊光明，龚建伟.无人驾驶汽车概论[M].北京：北京理工大学出版社，2014.

[3]端木庆玲，阮界望，马钧.无人驾驶汽车的先进技术与发展[J].农业装备与车辆工程，2014，52（3）：30-33.

[4]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40（6）：1229-1251.

[5]马振.AlphaGo背后的机器学习技术[J].电脑迷，2018（6）：81.