下面内容从端到端的自动驾驶的方案看相关技术脉络

已经有人开始尝试使用End-to-End。但局限于30×32像素 还没有CNN 这样也能在简单道路上实现自动驾驶。

方案

采用全连接神经网络 输入viedo和laser range finder作为输入。

输出方向和道路密集程度反馈

道路密集程度反馈 The road intensity feedback unit indicates whether the road is lighter or darker than the non-road in the previous image.

LeCUN也做了无人驾驶探索。2015年 提出了中间状态自动驾驶 无需生成各种复杂过程 只需要找出关键点生成决策控制。

05年方案

方案细节

实验

采用小车在野外进行路测。

将方案分为三类 提出自己的方案为折中方案

(1) Mediated Perception

流程

问题 模块多 产生的特征有冗余对预测来说不一定用到。

(2) Behaivior reflex

直接对输入图像通过CNN模型预测输出车辆控制动作预测

问题

ill-posed 当输入图像相似 不同驾驶员不同的操作行为产生不同的训练数据 造成回归器难以训练

环境状态抽象出来的层级和预测的层级之间缺乏过渡。

模型需要学习哪个部分对预测有相关性

(3) Direct Perception

流程

实验
数据采用torcs模拟器生成的方案

在DAVE2基础之上 提供相机、卷积网络 更关键的是实车上路——在美国的很多路上进行测试。有评估体系和三目相机采集End-to-End数据。

方案

Compared to explicit decomposition of the problem, such as lane marking detection, path planning, and control, our end-to-end system optimizes all processing steps simultaneously. 端到端系统将道路线检测 路径规划和控制等子步骤通过CNN模型同时完成。

模型输入图像 输出转向角度。采用CNN模型 模型架构如下

Comma.ai Drive.ai Auto X等都相应进行了探索。

参考文献

ALVINN: AN AUTONOMOUS LAND VEHICLE IN A NEURAL NETWORK

End to End Learning for Self-Driving Cars

DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving

资深架构师深度剖析 基于深度学习的End-to-End 

http://www.sohu.com/a/162012646_795622

友情推荐 ABC技术研习社

为技术人打造的专属A(AI),B(Big Data),C(Cloud)技术公众号和技术交流社群。