自动驾驶汽车算法正变得越来越现实。
但它们是如何工作的？
自动驾驶汽车算法的内幕是什么？
这篇博文将回答这些问题。 它还将解释是什么让它们对行人、骑自行车的人和其他司机如此危险——以及为什么我们应该担心这一点。
首先，让我们谈谈这些人工智能系统是如何工作的。 任何自动驾驶算法的关键是深度神经网络 (DNN)。 DNN 使用人工神经网络来表示层中的数据：输入层、隐藏层和输出层。 它们因具有许多使它们难以训练的参数而臭名昭著。 幸运的是，有许多不同类型的学习技术可以帮助缓解这个问题。 例如，我们可以使用预训练和迁移学习来使训练过程更快、更准确。
有许多不同类型的 DNN：卷积层、循环层 (RNN) 和前馈层 (FF) 都广泛用于深度学习应用，例如自动驾驶汽车算法。 卷积层将应用内核或过滤器从输入中提取高级特征，因此与前一层相比，输出中的每个元素都具有非常相似的维度。 RNN 利用时间依赖性，这意味着它们可以用于需要了解事物如何随时间变化的情况——例如理解语音或检测图像/视频中的对象。 前馈层更擅长捕捉空间依赖关系，这就是为什么它们通常用于非常精确的分类任务。
为了训练这些 DNN，我们可以使用以下两种技术之一：监督学习或无监督学习。 通过监督学习，在训练期间将每个输入的期望输出提供给模型；当有对应于每个观察的可用标签时，这通常最有效。 无监督学习涉及使用未标记的数据集并自行赋予其特征，以便它可以自行将它们与模式聚集在一起。 这种方法使我们能够对没有标签的对象进行分类——这使得自动驾驶汽车算法与几乎在所有情况下都存在标签的大多数其他机器视觉应用程序相比特别独特。
描述自动驾驶汽车算法的下一步是了解是什么让它们对行人、骑自行车的人和其他司机来说很难。 这个问题的答案在于这些人工智能系统如何检测移动物体。 例如，假设您是一辆自动驾驶汽车，正在接近没有停车标志或红绿灯的人行横道。 当行人在十字路口按下按钮时，他们会激活一个信号，告知汽车他们有先行权。 我们的 AI 系统必须依靠这种无线电信号来确定它是应该减速还是停止——否则，如果它们交叉而不看两边，它可能无法足够快地做出反应。
这带来了几个问题：首先，射频信号通常是短距离的，因此它们的使用并不适合自动驾驶汽车算法，因为我们需要在它们上面安装额外的传感器；我们还需要更多的基础设施和全市范围内的协调才能使其发挥作用。 其次，无线电通常由电池供电，因此在某些情况下它们可能不可靠——尽管这也是人类行人的问题，而不仅仅是人工智能系统。 第三，如果有干扰或缺乏连接，那么我们的 AI 系统将不知道何时有人要过马路，或者它是否应该停止/减速。 第四个问题是自动驾驶汽车算法无法访问这些类型的信号，因为大多数还没有直接连接到本地无线网络。
这意味着人工智能系统必须依赖其他类型的输入数据来导航十字路口——例如安装在外部的摄像头、车内用于检测乘客的摄像头以及车轮上的传感器来测量速度。这也带来了一些问题：例如，如果有人用遥控车或其他类型的控制器触发了交通信号灯，那么我们的 AI 系统可能无法检测到它，因为没有摄像头指向那个十字路口。红绿灯也需要电力，因此它们在某些情况下可能会失效——如果我们的自动驾驶汽车的电池没电了，这尤其成问题。
不过，训练自动驾驶汽车算法还涉及许多其他挑战。 例如，第一组问题主要是关于对象检测，而行人/骑自行车的人不存在，因为它们的移动速度比汽车慢得多，因此它们的速度向量与汽车相比不会那么大。 然而，我们现在正接近一个临界点，自动驾驶汽车的速度开始与人形机器人相媲美，而这正是它们变得更加难以检测的地方。
还有训练数据的问题：如果我们用来自某个城市的太多样本训练它们，那么它们可能无法很好地处理其他城市的交叉路口。 对于像谷歌这样的公司来说，这是一个特别严重的问题，他们多年来一直在世界各地旅行以绘制每个交叉路口的地图，以便最终可以在全球任何地方部署人工智能系统。 您可以在此处阅读有关此主题的更多信息，或观看有关机器视觉的视频系列。
由于这些类型的算法很难在交叉路口导航，因此一些研究人员正在开发依赖强化学习而不是监督学习的新方法。 这项技术包括训练一辆自动驾驶汽车通过随机猜测它在每一步后应该做什么来导航十字路口——比如它的速度应该加速还是减速以及朝哪个方向行驶。 它会尝试大量动作，直到它学会从 A 到 B 的正确路径，类似于动物如何从父母那里学习而不是被明确教导。
当然，强化学习算法仍然依赖于放置在汽车周围的传感器，例如检测行人/自行车的摄像头。 一个优点是，随着时间的推移，他们可以更好地处理交叉路口，因为我们可以在每次连续尝试时改进我们的初始猜测。 另一个好处是这些系统不需要交通信号灯和无线电发射器等昂贵的基础设施——尽管它们仍然需要能够在没有它们的情况下检测到人。
这就是为什么一些自动驾驶汽车研究人员开始尽可能使用人类作为信号数据的额外来源。 通过足够的培训，他们可以为我们的人工智能系统提供有关即将到来的交叉路口的可靠信息——他们收到的数据越多，他们的决策就会越好。 这对于其他任务也很有用，例如帮助我们的机器人同伴在拥挤的区域中导航，甚至在房屋中寻找隐藏的物体，因为机器人通常依赖于摄像头/传感器而不是人类的视力。
当然，这种方法也有其弱点——例如，人类并非万无一失，并非所有人都有在城市中导航的同等经验，而且在向自动驾驶汽车发送指令时总是存在出错的余地。 目前尚不清楚我们的机器学习算法在不同环境中的表现如何，尤其是因为人类决策往往会受到城市景观本身的影响，这意味着很难在不同地点之间进行概括。 这就是为什么许多专家现在仍然推荐监督学习，直到我们开发出更先进的模型来处理这些问题。
尽管每年的自动驾驶汽车事故较少，但它们通常发生在研究人员难以训练人工智能系统的十字路口，因为数据要么不完整，要么根本无法用于某些地区/国家（例如农村地区）。 如果您想了解与开发自动驾驶汽车相关的其他挑战，请单击此处或查看有关深度强化学习的系列文章。
自动驾驶汽车在科技界变得越来越流行。 这些机器的算法很复杂，但是通过了解它们，您将能够了解使它们正常运行的原因。
自动驾驶汽车是如何工作的？
简而言之，汽车使用一系列算法来处理来自其环境的大量数据。 要理解这意味着什么，理解什么是算法很重要。 在计算中，算法是一组逐步的过程或规则，用于定义如何处理和处理信息。 自动驾驶汽车使用这些算法来处理有关其周围环境的某些事物并根据它们做出预测——例如，物体相对于彼此移动的速度。 在自动驾驶汽车中可以找到许多类型的算法：对象检测和分类、运动规划和预测、定位和映射 (SLAM) 等。 这些计算由许多不同类型的传感器完成，包括相机和激光扫描仪。
自动驾驶汽车使用各种不同的传感器来跟踪其环境。 自动驾驶汽车中使用的一些关键传感器技术是雷达、激光雷达和光学成像。 雷达发射无线电波，通过将物体从表面反射回来来检测它们——它有利于看到仅使用光学数据可能很难看到的固体/大型物体。 Lidar 是 Light Detection and Ranging 的缩写——它使用激光而不是无线电波来检测道路标记和车道等表面，这些表面在夜间或雨/雪中很难看到。 光学成像就像它听起来的样子：汽车的摄像头捕捉到的图像包括交通信号灯、路标、行人等。 雷达、激光雷达和光学成像对于增强汽车对其环境的意识都很重要。
自动驾驶汽车必须同时做几件事才能安全地自行运行。 首先，他们必须使用来自不同传感器的数据来感知周围的环境——然后他们必须将这些数据处理成可用于确定下一步需要采取什么行动的信息。 为此，自动驾驶汽车使用算法作为汽车遵循的一组程序或规则，以便根据环境线索进行预测。 自动驾驶汽车所使用的技术随着每款新车型上路而不断改进——但即使这些机器不断改进，它们在成为主流之前还有很长的路要走。
这些算法背后的人是谁？ 自动驾驶汽车是复杂的机械部件，其内部始终在进行许多不同的过程——这就是为什么需要专业的专业团队才能使它们正常工作的原因。 自动驾驶汽车领域有无数的职业，但其中最常见的包括计算机视觉工程师、机器人工程师和软件开发人员。 每个人都在开发或改进可用于各种目的的新模型方面发挥着不可或缺的作用。 不仅如此，每一项新的创新都会为其他想要参与其生产过程的人带来机会。 底线？ 随着世界各地的公司对自动驾驶汽车投入时间和研究，这些机器被完善并应用于社会只是时间问题。
关于自动驾驶汽车还有哪些其他事实？ 如果您有兴趣自己成为该行业的一员，或者只是想了解更多有关使这些车辆正常运行的技术，请立即访问以下课程。
什么是算法？
算法是完成任务所遵循的一组特定规则。 在自动驾驶汽车的情况下，它是一种算法，它告诉汽车要采取什么行动才能让它四处移动并避开障碍物，同时还试图跟随交通信号灯。 自动驾驶汽车从周围区域的传感器接收信息，算法处理这些信息并确定如何最好地进行。 这项技术有很大的希望，因为如果它得到完善，它对路上的每个人都会更安全，因为这些机器将有完美的反应时间，而不是人类的反应时间，人类的反应时间已被证明由于各种心理因素而变慢。 这些算法有很大的希望，因为它们可能会改变我们所知道的交通方式，通过使驾驶更加安全，从而大大减少事故和死亡人数。 但问题是对这项技术的研究仍然很新，这意味着它的未来仍然不明朗。 在实施这些算法时，必须考虑许多因素，例如天气条件和不同国家/地区的整体驾驶文化。
自动驾驶汽车算法如何工作？
这些算法有很大的希望，因为它们可能会改变我们所知道的交通方式，通过使驾驶更加安全，从而大大减少事故和死亡人数。 但问题是对这项技术的研究仍然很新，这意味着它的未来仍然不明朗。 在实施这些算法时，必须考虑许多因素，例如天气条件和不同国家/地区的整体驾驶文化。
为什么它们在自动驾驶汽车的发展中很重要？
驾驶汽车从周围区域的传感器接收信息，算法处理这些信息并确定如何最好地进行。
这将如何影响我们未来的世界？
如果这些机器得到完善，那么对路上的每个人来说都会更安全，因为这些机器将具有完美的反应时间，而不是人类的反应时间，而人类的反应时间已被证明由于各种心理因素而变慢。 这些算法有很大的希望，因为它们可能会通过使驾驶更加安全来极大地改变交通方式，从而大大减少事故和死亡人数。
交通的未来以及它如何为我们所有人带来改变？
这项技术的研究还很新，这意味着它的未来仍不明朗。 在实施这些算法时，必须考虑许多因素，例如天气条件和不同国家/地区的整体驾驶文化。
关于自动驾驶汽车的最佳课程
与普通汽车相比，使用自动驾驶汽车有哪些优势？
在驾驶的各个方面，自动驾驶汽车都将比普通汽车更安全、更高效。 汽车自动驾驶的方式将使它们更加安全并防止事故发生。 当交通繁忙时，他们也能更好地驾驶。 此外，他们可以在其他人无法找到停车位的情况下找到停车位，这使得它们在尝试在城市中寻找停车位时非常有用。 总体而言，自动驾驶汽车通常比普通汽车更安全、更高效，并提供普通汽车所没有的好处。
与普通汽车相比，使用自动驾驶汽车有什么缺点？
自动驾驶汽车将比普通汽车贵得多，而且价格标签对许多人来说可能不值得。 当道路上没有支持这些车辆的基础设施时尤其如此。 此外，由于它们的复杂性，它们可能难以持续维护。 总体而言，自动驾驶汽车可能会带来好处，但这些新技术也有一些目前不容忽视的缺点。
谁在开发自动驾驶汽车算法，他们正在做些什么来让它们变得更好？
自动驾驶算法谁是热门话题。 许多公司都在争夺头把交椅，包括谷歌、特斯拉、优步和苹果。 每个公司都有自己的优势和劣势。 例如，谷歌拥有一个庞大的数据池，可用于改进其算法。 特斯拉已经能够创建用于其汽车的非常先进的硬件套件。 优步擅长绘制和跟踪数据。 苹果在这个领域仍然相对不为人知，但人们相信他们正在做一些大事。
这些公司为使他们的算法更好而采取的措施各不相同。 一些公司正专注于改进算法背后的人工智能。 其他人正在尝试改进算法中使用的传感器和摄像头。 大多数公司也在努力改进数据的映射和跟踪。 所有这些公司的主要共同点是他们正在为自动驾驶汽车创建算法，这代表了交通的未来。
自动驾驶汽车的未来以及它们将如何让我们的生活变得更美好
自动驾驶汽车革命即将到来，它将让我们的生活变得更好。 想象一下，再也不用担心迷路或上班迟到了。 使用自动驾驶汽车，您将能够在汽车完成所有工作的同时放松身心并享受旅程。
自动驾驶汽车不仅会让我们的生活更轻松，还会让我们的道路更安全。 根据麻省理工学院的一项研究，自动驾驶汽车可以将交通死亡人数减少多达 90%。 这挽救了很多生命！
那么什么是滞留？ 为什么自动驾驶汽车还没有无处不在？ 答案很简单：监管。 技术已经存在，但世界各国政府仍在试图弄清楚如何规范和实施这些汽车的使用。
为了帮助加快进展，我们请求谷歌与世界各地的政府合作，为自动驾驶汽车监管建立一个统一的法律框架。 这样，他们就可以简单地将这个框架作为其法律的基础，而不是每个国家都重新发明轮子。 我们还希望这些政府机构公开支持 Google 在这一领域的努力。
自动驾驶汽车和驾驶员辅助汽车的区别
驾驶员辅助汽车是具有帮助驾驶员完成某些任务的功能的汽车，例如停车或保持在车道上。 另一方面，自动驾驶汽车是一种无需驾驶员帮助即可自行驾驶的汽车。 另一个区别是自动驾驶汽车可以在没有人工输入的情况下导航，而驾驶员辅助汽车至少需要驾驶员的一些交互。
自动驾驶汽车可不是开玩笑的，它们已经酝酿了很长时间。 我们都知道雇佣司机、给他们的车辆加油以及在他们生病或受伤时照顾他们是多么昂贵。 随着近年来自动驾驶汽车技术的进步，我们开始看到越来越多的无人驾驶车型进入市场，供那些想要这种奢侈品而又不花高价的消费者使用。 问题仍然存在：这对未来的交通意味着什么？ 您认为这些自动驾驶汽车能够很好地应对各种情况，以免造成任何事故吗？ 回想一下您自己与人类驾驶员打交道的经历——可能有很多次有人在您附近拦住您或在您附近进行了不安全的变道！
你对自动驾驶汽车感兴趣吗？ 联系我们！
