近年來，自動駕駛(shi)的技術(shu)去的飛一般的突破，給(gei)駕駛(shi)員帶來不一般的佳(jia)績。其實，這些功(gong)勞里面離(li)不開深度(du)學習的鼎力相助，本文就了解下深度(du)學習究竟有何重(zhong)要(yao)意義？

根據(ju)一(yi)份報告(gao)，2018年約(yue)有80％的(de)(de)道(dao)路交通事故是(shi)由于人(ren)為錯誤造成(cheng)的(de)(de)。因此，將自動(dong)(dong)駕駛(shi)汽車(che)納入主(zhu)流的(de)(de)主(zhu)要目標之一(yi)是(shi)消除(chu)對人(ren)類(lei)駕駛(shi)員的(de)(de)需求(qiu)并減少(shao)道(dao)路致死率。使用自動(dong)(dong)駕駛(shi)汽車(che)進行的(de)(de)實驗無疑(yi)表(biao)明在一(yi)定程度上(shang)減少(shao)了道(dao)路傷(shang)亡人(ren)數。

但是(shi)，仍然有(you)很多人(ren)經常看到有(you)關自(zi)動駕(jia)(jia)(jia)駛(shi)汽車(che)事(shi)(shi)故的新聞，例如Uber自(zi)動駕(jia)(jia)(jia)駛(shi)汽車(che)事(shi)(shi)故在美國亞利桑(sang)那州撞死了一(yi)名行(xing)人(ren)。發生(sheng)事(shi)(shi)故的原因據說是(shi)自(zi)動駕(jia)(jia)(jia)駛(shi)汽車(che)無法準(zhun)確檢測和識(shi)別行(xing)人(ren)。為了最大程度(du)地(di)減少(shao)此類事(shi)(shi)故，需要對(dui)自(zi)動駕(jia)(jia)(jia)駛(shi)車(che)輛(liang)進行(xing)大量的訓練，以準(zhun)確檢測其路(lu)線中(zhong)(zhong)是(shi)否存在人(ren)員(yuan)和任何其他物體，這就(jiu)是(shi)深度(du)學習(xi)的介入。自(zi)動駕(jia)(jia)(jia)駛(shi)汽車(che)的深度(du)學習(xi)可以幫(bang)助他們有(you)效(xiao)地(di)分類和檢測道(dao)路(lu)和周圍(wei)環境中(zhong)(zhong)的人(ren)或物體。

深(shen)(shen)度(du)學(xue)(xue)習是(shi)機器學(xue)(xue)習的(de)(de)(de)(de)一(yi)個(ge)(ge)(ge)(ge)(ge)子集，它使用人(ren)(ren)(ren)(ren)工神經(jing)(jing)網(wang)(wang)絡來模(mo)仿人(ren)(ren)(ren)(ren)腦的(de)(de)(de)(de)復雜功能(neng)。深(shen)(shen)度(du)學(xue)(xue)習可(ke)(ke)(ke)(ke)以在沒有任何人(ren)(ren)(ren)(ren)工干預的(de)(de)(de)(de)情況下(xia)更準確(que)地(di)(di)對(dui)對(dui)象(xiang)進(jin)(jin)行分類(lei)。例如，假設(she)有兩(liang)個(ge)(ge)(ge)(ge)(ge)人(ren)(ren)(ren)(ren)寫(xie)(xie)數字九（9），但是(shi)他們(men)兩(liang)個(ge)(ge)(ge)(ge)(ge)人(ren)(ren)(ren)(ren)都(dou)(dou)以不(bu)同(tong)的(de)(de)(de)(de)方(fang)式(shi)寫(xie)(xie)數字（一(yi)個(ge)(ge)(ge)(ge)(ge)人(ren)(ren)(ren)(ren)寫(xie)(xie)9，其他人(ren)(ren)(ren)(ren)寫(xie)(xie)一(yi)個(ge)(ge)(ge)(ge)(ge)nine，底部沒有清晰的(de)(de)(de)(de)曲線）。除非掌握了所有可(ke)(ke)(ke)(ke)能(neng)的(de)(de)(de)(de)寫(xie)(xie)數字九的(de)(de)(de)(de)方(fang)法，否(fou)則深(shen)(shen)度(du)學(xue)(xue)習網(wang)(wang)絡以外(wai)的(de)(de)(de)(de)AI算法將很難檢測到(dao)，盡管(guan)形狀不(bu)同(tong)，但兩(liang)個(ge)(ge)(ge)(ge)(ge)數字都(dou)(dou)代表九。借助深(shen)(shen)度(du)神經(jing)(jing)網(wang)(wang)絡進(jin)(jin)行的(de)(de)(de)(de)深(shen)(shen)度(du)學(xue)(xue)習可(ke)(ke)(ke)(ke)以輕松地(di)(di)將兩(liang)個(ge)(ge)(ge)(ge)(ge)數字都(dou)(dou)識別為9。深(shen)(shen)度(du)學(xue)(xue)習準確(que)地(di)(di)對(dui)不(bu)同(tong)對(dui)象(xiang)進(jin)(jin)行分類(lei)的(de)(de)(de)(de)能(neng)力(li)可(ke)(ke)(ke)(ke)以解(jie)決自動駕駛汽車面臨的(de)(de)(de)(de)一(yi)些主要挑(tiao)戰。

自(zi)動駕駛汽(qi)車(che)深度學習如何(he)應對某些挑戰

機器學(xue)(xue)習算法在(zai)(zai)訓練(lian)自動駕駛汽(qi)(qi)車時面臨(lin)特(te)征提取(qu)(qu)的(de)問(wen)題。特(te)征提取(qu)(qu)要求程序(xu)(xu)員告訴算法他(ta)們應該尋找什么(me)來做出決策(ce)(ce)。因此(ci)，機器學(xue)(xue)習算法的(de)決策(ce)(ce)能力在(zai)(zai)很大(da)程度(du)上取(qu)(qu)決于程序(xu)(xu)員的(de)洞察力。深度(du)學(xue)(xue)習的(de)功能有所不同，消除了(le)特(te)征提取(qu)(qu)的(de)問(wen)題，從而使(shi)深度(du)學(xue)(xue)習神經網絡的(de)檢測和(he)決策(ce)(ce)更加(jia)準(zhun)確。深度(du)學(xue)(xue)習可以提高檢測道路上障礙物的(de)準(zhun)確性和(he)更好的(de)決策(ce)(ce)能力，可以幫助應對自動駕駛汽(qi)(qi)車面臨(lin)的(de)許(xu)多挑戰。

了解(jie)復雜的交通行為

駕(jia)駛是一個過程，涉及(ji)與其(qi)(qi)他(ta)(ta)(ta)駕(jia)駛員和行(xing)(xing)人(ren)(ren)(ren)的(de)(de)復(fu)雜互(hu)動(dong)。例如，如果(guo)騎自(zi)行(xing)(xing)車(che)(che)人(ren)(ren)(ren)打算轉彎，那么他(ta)(ta)(ta)或(huo)她將(jiang)做出手(shou)勢示意，以(yi)通知附近的(de)(de)其(qi)(qi)他(ta)(ta)(ta)駕(jia)駛員。然后，駕(jia)駛員可以(yi)放慢(man)其(qi)(qi)車(che)(che)輛的(de)(de)速度(du)，從(cong)而(er)允許騎自(zi)行(xing)(xing)車(che)(che)的(de)(de)人(ren)(ren)(ren)轉彎。人(ren)(ren)(ren)類(lei)依賴于通用智能(neng)來進(jin)行(xing)(xing)這種社交互(hu)動(dong)。而(er)且，通過深(shen)度(du)學習，自(zi)動(dong)駕(jia)駛汽車(che)(che)現在很有可能(neng)與其(qi)(qi)他(ta)(ta)(ta)駕(jia)駛員和行(xing)(xing)人(ren)(ren)(ren)進(jin)行(xing)(xing)社交互(hu)動(dong)。深(shen)度(du)學習神經網絡可以(yi)幫助自(zi)動(dong)駕(jia)駛汽車(che)(che)檢測其(qi)(qi)他(ta)(ta)(ta)駕(jia)駛員和行(xing)(xing)人(ren)(ren)(ren)給出的(de)(de)導航信號(hao)，并采取適當措施避免(mian)發生任何碰撞。

在極端天(tian)氣條件下檢(jian)測(ce)招(zhao)牌

自(zi)動駕(jia)駛汽(qi)車面臨的(de)(de)(de)(de)另一個(ge)主要挑(tiao)戰(zhan)是極端(duan)天氣條件。盡管這是任何技(ji)術都無法完(wan)全解決的(de)(de)(de)(de)環境挑(tiao)戰(zhan)，但(dan)深(shen)度(du)學習可(ke)(ke)(ke)以解決極端(duan)氣候下的(de)(de)(de)(de)問(wen)題。例如，在降(jiang)雪期(qi)間(jian)，道路上的(de)(de)(de)(de)招(zhao)(zhao)牌可(ke)(ke)(ke)能會被雪覆(fu)蓋(gai)。而(er)且(qie)，降(jiang)雪后的(de)(de)(de)(de)一段(duan)時間(jian)內(nei)，招(zhao)(zhao)牌可(ke)(ke)(ke)能僅部分(fen)可(ke)(ke)(ke)見。使用其他AI算法，自(zi)動駕(jia)駛汽(qi)車將(jiang)很難理解招(zhao)(zhao)牌上的(de)(de)(de)(de)半個(ge)標志(zhi)(zhi)。但(dan)是借助神(shen)(shen)經網絡進(jin)行的(de)(de)(de)(de)深(shen)度(du)學習可(ke)(ke)(ke)以從招(zhao)(zhao)牌上的(de)(de)(de)(de)部分(fen)可(ke)(ke)(ke)見標志(zhi)(zhi)創建完(wan)整標志(zhi)(zhi)的(de)(de)(de)(de)圖像(xiang)。神(shen)(shen)經網絡將(jiang)不完(wan)整的(de)(de)(de)(de)符(fu)號發送(song)到神(shen)(shen)經層，然后將(jiang)其傳遞給隱藏層，以確定完(wan)整的(de)(de)(de)(de)符(fu)號應該是什么。基(ji)于輸出，神(shen)(shen)經網絡可(ke)(ke)(ke)以根據招(zhao)(zhao)牌上的(de)(de)(de)(de)標志(zhi)(zhi)做出決策。

尋找(zhao)最短的旅行路(lu)線

地球(qiu)上的所有動(dong)物，包括(kuo)人類在(zai)內(nei)，都可以在(zai)周圍環(huan)境中(zhong)(zhong)導航(hang)并靈活(huo)地探索新區域。由(you)于神(shen)經回路的空(kong)間(jian)行為，它們(men)的導航(hang)成(cheng)為可能。動(dong)物的大腦通(tong)過在(zai)規(gui)則的六邊形(xing)網(wang)格中(zhong)(zhong)繪制周圍環(huan)境來導航(hang)。這些六角(jiao)形(xing)圖(tu)案(an)有助(zhu)于導航(hang)，類似于地圖(tu)中(zhong)(zhong)的網(wang)格線。神(shen)經模式(shi)支持基(ji)于矢(shi)量(liang)的導航(hang)的假設(she)。基(ji)于矢(shi)量(liang)的導航(hang)使大腦可以計算(suan)到(dao)所需(xu)位置的距離和方(fang)向(xiang)。

可以(yi)使用(yong)基于(yu)矢(shi)量(liang)的(de)(de)導(dao)航(hang)功能來訓(xun)練深(shen)度學(xue)(xue)習(xi)神經網(wang)絡(luo)，以(yi)找到(dao)(dao)從點(dian)(dian)A到(dao)(dao)點(dian)(dian)B的(de)(de)最(zui)短路徑(jing)。通過將(jiang)動(dong)物大腦(nao)使用(yong)的(de)(de)相同網(wang)格線(xian)模(mo)式(shi)嵌入第一層(ceng)，深(shen)度學(xue)(xue)習(xi)可以(yi)計算距離和到(dao)(dao)達(da)目的(de)(de)地(di)的(de)(de)方向。具有基于(yu)矢(shi)量(liang)的(de)(de)導(dao)航(hang)和深(shen)度學(xue)(xue)習(xi)功能的(de)(de)自(zi)動(dong)駕駛(shi)汽車還(huan)可以(yi)檢測到(dao)(dao)任何新近可用(yong)的(de)(de)快(kuai)捷方式(shi)的(de)(de)存在(zai)，以(yi)減少出行(xing)時間。

深度學習(xi)本身還需要(yao)克服諸(zhu)多(duo)挑戰(zhan)

盡管自動駕駛(shi)汽(qi)車有很多(duo)好(hao)處，但僅憑深度學習就(jiu)無法(fa)使自動駕駛(shi)汽(qi)車成為(wei)(wei)最高級最智能的(de)交通工具，因為(wei)(wei)阻礙自動駕駛(shi)汽(qi)車走(zou)向主流發展的(de)障(zhang)礙很多(duo)。借助深度學習，檢(jian)測對象的(de)準確性(xing)確實會提高，但要付(fu)出大量數(shu)(shu)(shu)(shu)據(ju)的(de)代價(jia)。基(ji)于(yu)數(shu)(shu)(shu)(shu)據(ju)表示的(de)深度學習功能。數(shu)(shu)(shu)(shu)據(ju)在神(shen)經網(wang)絡(luo)的(de)不(bu)同層上(shang)表示，然(ran)后根(gen)據(ju)數(shu)(shu)(shu)(shu)據(ju)模式導出輸出。由(you)于(yu)深度學習的(de)完整(zheng)功能是基(ji)于(yu)數(shu)(shu)(shu)(shu)據(ju)的(de)，因此與(yu)其他AI算法(fa)相比，訓練(lian)神(shen)經網(wang)絡(luo)需(xu)要更多(duo)數(shu)(shu)(shu)(shu)據(ju)，因此很難創建用于(yu)訓練(lian)它們(men)的(de)數(shu)(shu)(shu)(shu)據(ju)集。而且，收集訓練(lian)神(shen)經網(wang)絡(luo)所需(xu)的(de)數(shu)(shu)(shu)(shu)據(ju)也非常耗時。

使用深度(du)學習(xi)神(shen)經網絡的(de)另一個(ge)挑戰是(shi)(shi)它們(men)(men)的(de)黑匣子問題(ti)。如果程序(xu)做出(chu)了決定，則(ze)程序(xu)員(yuan)可(ke)以(yi)撤消該決定，以(yi)找出(chu)程序(xu)做出(chu)該決定的(de)原因(yin)。但(dan)是(shi)(shi)，深度(du)學習(xi)不是(shi)(shi)可(ke)追(zhui)溯的(de)系(xi)統，而是(shi)(shi)在(zai)隱藏層(ceng)中處理(li)數(shu)據。開發(fa)人(ren)員(yuan)只能找到輸入到神(shen)經網絡的(de)數(shu)據及其輸出(chu)。但(dan)是(shi)(shi)，他們(men)(men)無法找出(chu)隱藏層(ceng)中進行了哪些(xie)處理(li)來(lai)做出(chu)決定。因(yin)此，很難知道深度(du)學習(xi)網絡失敗的(de)原因(yin)，因(yin)為沒有人(ren)可(ke)以(yi)追(zhui)溯到發(fa)生失敗的(de)地(di)方。

有(you)時，深度學習網(wang)絡甚至無法(fa)實現其本來打算完(wan)成的任務。神經(jing)網(wang)絡很難(nan)像(xiang)在不同(tong)的視(shi)頻幀中(zhong)一(yi)樣在小(xiao)圖像(xiang)變換中(zhong)進行概(gai)括。例如，根據一(yi)項研究，深卷積網(wang)絡將狒(fei)(fei)狒(fei)(fei)或貓鼬(you)標記為相同(tong)的北極熊，具體取決于背景的微小(xiao)變化。

無人駕駛(shi)汽車(che)(che)(che)是(shi)一(yi)項實驗，至(zhi)今尚無人知道結果如何。自動(dong)(dong)駕駛(shi)汽車(che)(che)(che)深(shen)度(du)學(xue)習(xi)能否將其驅動(dong)(dong)到主流交(jiao)通工具取(qu)決于技(ji)術(shu)如何進一(yi)步發(fa)展。即使克服(fu)了深(shen)度(du)學(xue)習(xi)的挑戰(zhan)，自動(dong)(dong)駕駛(shi)汽車(che)(che)(che)的方式也存在其他障礙。這(zhe)些汽車(che)(che)(che)與IoT設備等多種技(ji)術(shu)集(ji)成在一(yi)起，以(yi)收(shou)集(ji)數(shu)據(ju)，云計算以(yi)處理數(shu)據(ju)，以(yi)及5G以(yi)提高數(shu)據(ju)傳輸速度(du)。一(yi)旦這(zhe)些技(ji)術(shu)能夠有效地協同工作，以(yi)建立良(liang)好的交(jiao)通生態系統，自動(dong)(dong)駕駛(shi)汽車(che)(che)(che)就能成為主流。