自动驾驶汽车如何决策?

  • 0 replies
  • 255 views
*

sisiy

  • *****
  • 174
    • 查看个人资料
自动驾驶汽车如何决策?
« 于: 五月 09, 2019, 01:50:57 pm »
自动驾驶汽车通过传感器看到世界。但是他们如何理解这些数据呢?

关键是感知能力,这是行业术语,指驾驶时处理和识别道路数据的能力——从路牌到行人,再到周围的交通。有了人工智能的力量,无人驾驶汽车可以实时识别环境并做出反应,让它们能够安全行驶。

他们使用一系列被称为深度神经网络(deep neural networks,简称DNNs)的算法来实现这一目标。

DNNs不需要手动编写一套规则来让汽车遵守,比如“看到红灯就停车”,而是让汽车学会如何使用传感器数据自己导航。

这些数学模型受到人类大脑的启发——它们通过经验来学习。如果一个DNN在不同的条件下显示多个停车标志的图像,它可以学会自己识别停车标志。

自动驾驶汽车安全的两个关键:多样性和冗余

但是仅仅一个算法不能单独完成这项工作。一套完整的dnn,每一个都专门用于特定的任务,对于安全的自动驾驶是必要的。

这些网络是多样化的,涵盖了从读取标志到识别十字路口到检测驾驶路径的所有内容。它们也是冗余的,具有重叠的功能,可以将失败的几率降到最低。

自动驾驶不需要固定数量的dnn。而且新功能经常出现,所以这个列表在不断增长和变化。

要真正驾驶汽车,单个DNNs产生的信号必须实时处理。这需要一个集中式的高性能计算平台,比如NVIDIA DRIVE AGX。

以下是英伟达用于自动驾驶汽车感知的一些核心DNNs。

Pathfinders

DNNs可以帮助汽车确定它可以在哪里行驶,并在前方安全规划道路:

  • OpenRoadNet识别车辆周围的所有可行驶空间,不管它是在汽车的车道上还是在邻近的车道上。
    路径网突出显示车辆前面的可行驶路径,即使没有车道标记。
    LaneNet检测车道线和定义汽车路径的其他标记。
    MapNet还标识可以用来创建和更新高清晰地图的车道和地标。

寻路神经网络协同工作,为自动驾驶车辆确定一条安全的行驶路线。
目标检测与分类

能探测潜在障碍物、交通灯和标志的神经网络:

DriveNet能感知道路上的其他车辆、行人、交通灯和标志,但不能识别灯的颜色或标志的类型。
LightNet将交通灯的状态分类为红色、黄色或绿色。
SignNet可以识别标志的类型—stop、yield、one way等。
WaitNet检测车辆必须停车并等待的条件,比如十字路口。
名单还在继续

DNNs可以检测车辆和驾驶舱部件的状态,并便于操作,如停车:

ClearSightNet监控车辆的摄像头能看到多好,探测限制视线的条件,如雨、雾和阳光直射。
ParkNet标识可供停车的位置。
这些网络只是组成冗余和多样化驱动软件感知层的dnn的一个例子。