机器学习算法在自动驾驶系统中的应用
作者：***
来源：《中国水运》2021年第09期
小型汽车图片
        摘 要：自20世纪初，随着人工智能的迅速发展，“自动驾驶”汽车也被雄心勃勃的工业
巨头提出，作为新世纪科技时代的一大重要工业改革。从2005年DARPA挑战赛以来，基于车辆智能化的自动驾驶，进入快速发展期。从互联网巨头到传统汽车企业纷纷投入巨资，试图引领这场出行技术的革命。本论文将概述自动驾驶这一方兴未艾的应用领域，并介绍机器学习算法在自动驾驶汽车领域发挥的作用及其实现原理。
        关键词：自动驾驶;机器学习;算法
        中图分类号：U471.1 文献标识码：A 文章编号：1006—7973（2021）09-0148-04
        1自动驾驶汽车研究现状
        1.1 研究背景及其国内外研究现状
        21世纪已经到了一个科技迅速爆发的时代，无人驾驶新能源汽车[1]更是如火如荼地发展，2016年7月，宝马、英特尔、mobileye正式宣布将与宝马共同合作开发一款无人驾驶新能源汽车，优势相得而补，各有所需，也大大减少了政府筹措用于发展自动驾驶技术[2]的资本、人才对自己主营业务的冲击。2016年福特作为目前中国所有传统的智能车企中唯一的最后一家从迭加替代式自动安全驾驶智能汽车硬件扩充至第二代智能汽车硬件生产商，
然而它的自动安全驾驶智能汽车硬件产品能力相比特斯拉而言却确实要微弱得多。从现阶段国内的汽车智能无人驾驶产业市场总体分析情况来看，现代中国的智能无人驾驶这一技术发展起步较晚，它的L2和以及L3阶段均落后于欧美，但在L3和L4阶段却明显地呈现有所加速赶超之势，随着国内国外诸如百度等众多科技公司及其龙头企业在现代中国汽车智能无人驾驶这一关键技术发展方向上的深入研究和产业布局，智能无人驾驶这一技术已经逐渐获得更多国家政策上的支持。
        1.2自动驾驶汽车的发展历程
        自动驾驶的级别划分主要包括两套标准：一套由美国高速公路安全管理局制定的，一套由SAE International制定的。专业分级[3]定义如下：
        L1驾驶员辅助：基本相当于人工驾驶，应其只是依赖不太灵敏的辅助功能来辅助驾驶。
        L2部分自动驾驶：部分自动驾驶是当乘车人员在接受到车身发出的警告时没做出相应的应急动作时，部分驾驶汽车就会及时启动驾驶系统，做出应急操作[4]。
        L3条件下的自动驾驶：该阶段的自动驾驶车辆就是在对驾驶员进行监控的条件下，让这辆汽车能够自动地控制其行驶方向和车辆的行驶速度。
        L4高度自動驾驶：该阶段的自动驾驶汽车是指即使在没有驾驶员监视的情况下，汽车也可以自动改变汽车的行驶路径及行驶速度。
        L5完全自动无人驾驶：汽车是自动驾驶汽车无人驾驶的一种非常理想驾驶类型和一种形式，乘客不仅仅只是需要为他们自己提供一个汽车目的地，无论在任何的恶劣路况，任何的恶劣天气，车辆都一样可以轻松实现完全自动汽车驾驶。
        2自动驾驶汽车的组成及优缺点
        2.1硬件组成
        无人驾驶汽车的硬件[4]组成主要包括车身各个模块的传感器系统、摄像头系统、供电系统、启动系统，具体组成如图所示：
        2.2软件框架
        自动驾驶汽车软件[5]主要包括：感知、认知、行为、支撑和操作模块。各模块如图2。
        2.3自动驾驶的优缺点
        安全：从理论上讲，一个完美的自动驾驶解决方案，每年至少能够拯救120万中国老年人的健康和生命。
        方便：自动驾驶可以将驾驶员从方向盘后面解放出来，在乘车时进行工作和娱乐。
        高效共享：如果能够实现自动驾驶，那么人们可以不再买车和养车，完全依赖于共享出行，这将为每个家庭节约大量在交通方面的开支。
        减少拥堵：减少拥堵这一优点，可以使得人们的出行更加方便快捷。
        3 机器学习在自动驾驶系统中的作用
        作为一种人工智能[5]技术在汽车行业、运输领域的一个延伸和应用，无人驾驶近几年来已经在全球乃至国际社会各个地区以及其他国家和地区得到了广泛的密切重视。
        学习是现阶段人工智能发展的重要表现，深度学习[6][7]和功能是人工智能发展的重要特点，而且自动驾驶的本质是通过智能汽车向人们学习而驾驶汽车。感知技术主要依靠传感器，比如摄像头，由于它们的成本较低，在行业内倍受广泛青睐。图像[8]辨识技术就是通过一个摄像头，我们就可以轻松地完成对交通标志的辨识、交通信号灯的辨识、行人的检测，甚至我们就可以辨识前方到底是自行车、汽车或者卡车。认知与控制这两个方面，主要利用了人工智能技术领域下汽车中的一种传统机器人学习技术，通过机器学习对人类驾驶员的行动和驾驶方式建立了驾驶员的模型，学习机器人的驾驶方式来操纵和控制[9]汽车。
        4 自动驾驶中应用的机器学习算法
        4.1算法概述
        人工智能算法主要包括数据处理、图像识别和语义分割技术，而自动驾驶汽车的实现必须用到这三项技术，其中机器学习可包括监督学习、无监督学习和增强学习。
        假设自动驾驶被划分为四项子任务，分别为检测目标、物体的识别和分类、对物体的
定位与运动进行预测。可大致划分为四种类型：回归算法、聚类算法和决策矩阵算法，其中需要特别注意的就是机器学习算法[10]和任务分类并不都是一一相互对应的，比如回归算法既然可以广泛应用于物体的定位，也同样可以广泛应用于物体的检测和对象运动的预测。
        4.2决策矩阵算法
        决策矩阵算法可以系统地分析、识别和评价一组信息集和值之间的关系性表现，主要是为了帮助用户做出决策adaboosting 是最常见的算法。我们可以把adaptive boosting 算法简单地称之为 adaboost ，它是多种机器学习算法的完美组合，可以广泛地应用在回归和分类问题中。