改善自动驾驶汽车的视野

 
自动驾驶汽车可能有更好的方法来学习如何驾驶自己：观察人类。借助改进的视力校正系统，自动驾驶汽车可以通过观察操作员完成相同的任务来学习。
澳大利亚迪肯大学的研究人员在IEEE / CAA自动化学报上发表了他们的研究结果，这是电气与电子工程师协会(IEEE)和中国自动化协会的联合出版物。
该团队实施了模仿学习，也称为从示范学习。操作员驾驶配备了三个摄像头的车辆，从车的前部和两侧观察环境。然后，通过神经网络(基于大脑神经元如何相互作用以处理信息的计算机系统)对数据进行处理，该系统允许车辆根据从观察人类做出的类似决定中学到的东西来做出决定。
论文作者Saeid Nahavandi，Alfred Deakin教授，前副校长，工程学系主任以及智能系统研究与创新研究所所长说：“这一过程的期望是仅根据摄像机拍摄的图像生成模型。”在迪肯大学。 “然后预期生成的模型将自动驾驶汽车。”
该处理系统特别是一个卷积神经网络，它反映在大脑的视觉皮层上。网络具有一个输入层，一个输出层以及它们之间的任意数量的处理层。输入将视觉信息转换为点，然后随着更多视觉信息的出现不断进行比较。通过减少视觉信息，网络可以快速处理环境变化：出现在前面的点的变化可能表示道路上的障碍。结合从观察操作员那里获得的知识，这意味着算法知道道路上的突然障碍物应触发车辆完全停止以避免发生事故。
Nahavandi表示：“自动驾驶汽车必须具备可靠且强大的视觉，卷积神经网络是图像处理应用最成功的深度神经网络之一。”
但是，他指出了两个缺点。一个是，模仿学习可加快训练过程，同时减少产生一个良好模型所需的训练数据量。相比之下，卷积神经网络需要大量的训练数据才能找到层和过滤器的最佳配置，这可以帮助组织数据，并生成能够驾驶自动驾驶汽车的适当生成的模型。
“例如，我们发现增加滤波器的数量并不一定会带来更好的性能，” Nahavandi说。 “网络参数和训练过程的最佳选择仍然是全世界研究人员正在积极研究的一个开放问题。”接下来，研究人员计划研究更智能和有效的技术，包括遗传算法和进化算法以获得最佳参数集更好地生产一种自学，自动驾驶汽车。