【基于神经网络的自动驾驶技术研究8400字（论文）】

基于神经网络的自动驾驶技术研究目录TOC\o"1-3"\h\u第1章绪论 第1章绪论1.1研究背景对于自动驾驶来说，人工智能与此息息相关。5G时代，网络流量传输速度大幅提升。人工智能是一种基于互联网的科技工具，越来越受欢迎。不仅是大公司的热门话题，也是许多大学的热门话题。对于企业来说，AI可以带来语音识别、文本分类等巨大的好处。，可以显著降低公司办公成本，提高公司办公效率。从各个大学的角度来看，人工智能在各个领域和各种神经网络中都有很大的研究和改进价值，因为各个领域的成就对社会都有很大的贡献。中国政府认为人工智能的发展非常重要。中国国家发改委贷款部表示，智能驾驶技术正在日益成熟，国内外领先企业已经在走上坡路，智能驾驶商业化的关键时刻到了。公安部公布的数据显示，2018年9月我国机动车保有量为3.22亿辆，其中2.35亿辆汽车占汽车总数的72.91%；有210万辆新能源汽车。其中清洁电动汽车保有量为178万辆，占新能源汽车总数的80.53%，乘用车的数量增长了184亿辆，保持了持续快速的增长。全国的货运量是2500万比去年同期增长了181万。增长7.71%。机动车驾驶员4.03亿人，其中机动车驾驶员3.63亿人。无论哪个数据领域，汽车数量都在稳步增长。这对运输系统造成了不可低估的直接压力。交通拥堵在大型一线城市变得越来越普遍，给居民带来了重大问题。人工智能的快速发展和对国家政策的大力支持为自主驾驶技术的发展提供了有力的支撑。自主驾驶技术的发展也是推动社会进步的有力因素:自主驾驶技术能有效减少车祸的发生，进行道路规划，节省居民的出行成本，最大限度地利用道路资源。因此，自动驾驶对于社交应用来说非常重要。1.2自动驾驶研究现状1.2.1自动驾驶等级发展为了描述自动驾驶的发展，L1-L6将自动驾驶分为六个等级。其中L1层级的自动驾驶意味着人类驾驶员提供了所有的汽车控制信息，而车辆没有自动驾驶。自动驾驶仪L2可以提供车辆的速度控制信息；L3独立驱动技术除了提供速度之外，还提供速度。除了驾驶员的控制，它还可以进行定向控制，L4自动驾驶系统可以在驾驶过程中向人的驾驶员提出问题，而人的驾驶员可以回答；在L5级，系统会做出大部分的决策，你可以向人类驾驶员提问，即使人类驾驶员没有回答，自动驾驶也可以做出很好的控制决策；在L6级自动驾驶中，驾驶员可以在任何情况下或无人值守的情况下驾驶。自主驾驶的前四个层级需要人与电脑共同执行，而最后两个层级则需要机器在环境中独立执行，不需要人的操作。Google、百度和其他IT公司可以直接消除人为干扰，让汽车能够在环境中独立完成驾驶任务。像Tesla这样的汽车公司注重汽车的实用性，自主驾驶任务是按L1的级别逐步完成的。虽然特斯拉的自动驾驶技术在世界上占据了领先地位但它只能达到L4级。下表显示了自动液体分布。表1-1自动驾驶等级划分表等级技术要求操作系统干预程度L1无自动化无干预L2驾驶协助部分干预L3部分功能自动化部分干预L4有条件自动化部分干预L5高度自动化部分干预L6完全自动化全干预1.2.2国内外自动驾驶技术研究现状国外的自动驾驶研究比中国开始的早。1925年，美国陆军开发了第一辆无人驾驶概念车，自主驾驶的原型出现了。在接下来的几十年里，汽车制造商逐渐部署了自主导航系统、相机、笔记本电脑和经济实惠的设备，以方便驾驶。1998年，意大利帕尔马大学的ARGO试点项目在简单的信息条件下完成了94%的自主驾驶任务，使得自主驾驶技术逐渐成为一种实践。2004年至2007年的DARPA自动驾驶大赛(DARPAautonomydrivingcompetition)中，许多重要的科学团队将相机、处理器、激光测距系统和其他传感器整合到自主驾驶技术中，并完成了几十公里的驾驶任务，这意味着从一个办公室到另一个办公室都在研发自主驾驶技术。三场比赛后，自主驾驶将成为大型企业的学习领域。2009年，谷歌和大鹏成立了谷歌实验室，让古墓获得了自主驾驶能力。与此同时，欧洲和美国的大型大学实验室将自主驾驶技术列入了他们自己的科研项目。研究成果也是世界级的。2013年，汽车制造商也采用了自控技术。包括奥迪、福特、沃尔沃等。开始了对自动驾驶的调查。第二年，谷歌的无人驾驶汽车正式发布，科学毕业。特斯拉还在2015年推出了半自主驾驶系统，随后是深度学习计划。2015年，谷歌的韦门实验室完成了方圆100平方公里内的第一个独立驾驶任务。特斯拉(Tesla)另一位自我管理的主管，去年推出了一款全自动FSD，它只使用无线软件来执行自动驾驶任务。同年，特斯拉还启动了自动驾驶导航和辅助系统以及自动驾驶紧急信号。根据这一点，谷歌和Tesla在美国代表了世界上最先进的自控技术。中国关于自主驾驶技术的研究已经晚了，但进展情况却令人印象深刻。1992年，国防科技大学研制出中国第一辆真正自主的汽车，在中国开始了驾驶研究。2011年，一汽集团与国防科技大学合作开发了鸿基HQ3，完成了286公里的高速无人值守任务。2015年，百度开始对无人驾驶汽车进行科学测试。两年后，它与世界博览会合作，推出了一款具有增强高速公路辅助功能的展示车。百度和厦门金龙在2018年共同生产了世界上第一辆自主研发的L4汽车。同年，大公司开始学习自主驾驶技术，如阿里巴巴cainionologistic和白盾Apollo不断发展，因此中国自主驾驶技术的研究已经算的上是姗姗来迟。1.2.3基于人工智能自动驾驶技术的发展自2006年提出深度学习以来，机器学习再次进入公共领域，到目前为止，自主驾驶技术也随着深度学习而得到了长足的发展。此外，自主学习的诞生带来了新的思路和趋势。目前，大多数端到端自治运行任务都与集成复杂环境的自治运行模式有关。在训练了神经网络模型之后，智能汽车即使在非常多变的情况下，仍然可以执行自动驾驶任务。AndreiFurd等人运用了许多决策方法来解决城市车辆自主性的实时管理问题，并获得了一个准确而有效的决策系统。动态贝叶斯语言中的自主驾驶会变成马尔可夫侦测问题。识别交通标志分为两个阶段:检测和分类。利用交通标志定位算法获取有用的识别信息，并结合RGB图像和YOLOv3卷积神经网络进行识别和分类。立体视觉技术可计算两个相机之间的每个像素位置差异，并建立一个置换对应，以达到3D定位阶段。使用alexnetiä作为培训前模板，并对传输机制和图像文件进行了预处理，以获得司机的干扰因素和危险任务模型。令人不安的任务包括开车时接听手机电话，危险的任务包括执行正常的驾驶策略，检查后视镜等。结合LSTM和CNN提高了模型的准确性。同时，两辆车补充数据收集。通过数据融合，端到端的控制方法实现了对车辆转向角度的非常精确的控制。上述方法大多是对传统模型进行改进或引入新的算法来提高自动驾驶技术水平或分发自动驾驶任务执行模块来批量执行自动驾驶任务。第2章自动驾驶相关技术2.1自动驾驶技术分类2.1.1基于规则系统的自动驾驶技术以规则为基础的自主驾驶技术将自主车辆带入整个系统的开端。车辆传感器收集数据并将其传输至观察系统。在观察系统处理数据之后，添加世界模型，并进一步处理数据以做出决定。转向系统根据转向数据获取决定信息，控制信息将被传递回车辆，这些信息与控制命令相对应，形成一个闭环系统，以满足自主驾驶的目的。基于规则的自治执行程序的任务是将多个组件任务的研究结果与独立驱动程序的一致性结合起来。图2-1显示了数据流。图2-1自动驾驶技术子任务分为车道检测、行人检测、路标检测等功能，为决策系统提供强大的数据支持。在这个自主模式下，我们有严格的模型结构，非常复杂的计算，复杂的系统规则，不容易得到标准规则，因此很难实现建模。2.1.2基于端到端的自动驾驶技术目前，端到端独立驱动技术是研究的热点，通过深度学习、验证学习等方法将2D或3D图像数据输入到模型中，并对其进行控制。并且可以直接获得汽车的速度。从架构图中，您可以很容易地看到「进入」控制并不需要大量的感应器、高解析度地图和手动规则，但是模型适用于不同的场景，而且非常多样化。坏消息是，进入系统是黑盒的控制，它的可读性差，可靠性和安全性都需要提高。一般而言，独立驱动程序可以消除繁琐的手动操作，并且只需要从外部提取的图像数据即可在车辆上执行某些操作。如果启动结果不理想，司机可能会根据情况介入。可以根据驱动程序操纵其控制系统的方式更新模型，直到打印出稳定的驱动程序。目前，这是一个理想的自主驾驶解决方案。2.2神经网络2.2.1深度学习概述在神经网络中，当今研究的热点是多层神经网络，它也被称为深度学习。随着人工智能时代的到来，硬件设施和算法的改进，深度神经网络的训练效率提高了，过载的可能性降低了，模型的精度也提高了。因此，深度学习模式变得越来越普遍。越来越受各行各业的欢迎。我们之所以称之为深度学习，是因为它可以有效避免计算机的人工决策，并使计算机通过熟练的学习获得决策系统，从而简化人工操作步骤，从而提高计算机的决策效率深度学习有不同的层次。把复杂的问题简单化，把单个的定义合并成复杂的定义，把复杂的概念分解，让计算机练习学习层次概念，形成清晰的层次图。2.2.2深度学习分类根据深度学习的研究内容，主要分为三种基本类型:第一种是深度信念网络(DBN)，第二种是自我编码网络，第三种是卷积激素网络（CNN）。深度信念网络又称深度信念网络，是将若干个受限玻尔兹曼机RBM(RestrictedBoltzmannMachines)串联起来，形成一个DBN。RBM作为下一个RBM的输出，前一个有限玻尔兹曼机器的隐藏层构成了下一个显式层。它通常用于不受控制的学习。通过降低数据维数，尽可能保留原有属性的性质并在语音识别方面取得了一定的成果，在深度网络框架中加入代表类别的神经元并加入Softmax层DNB可用于指导学习，使分类错误率最小化。共享参数，换句话说，在模型的多个动作中使用相同的参数。在传统的神经网络中，每个层的压力参数只能使用一次，这极大地增加了模型的存储需求。参数共享的一种特殊形式使神经网络具有平移功能。子采样，即地图对象地图的高度和宽度，按比例减少。子抽样方法主要有混合法、conv法和reorg法。子采样的原理是把图像的大小缩小到M*N乘以s，采样即(M/s)*(N/s)要求s是M和N的公约数，如果你把一幅图像想成数组的形式，你需要把原图像的窗口中的图像转换成一个像素，这个像素的值就是窗口中所有像素的平均值。2.2.3卷积神经网络卷积神经网络是一种连续的神经网络，每一个神经元都是分级的，具有有效的信息检索功能。人工神经网络从动物的视觉皮层的电生理研究中得到启发，能够识别出图像中的特殊特征。和视觉系统一样，有些视觉神经对垂直的周边信息更敏感，有些对水平的周边信息更敏感。当图像被处理为像素时，计算机将识别图像。与整体检视影像中的像素不同，卷积的激素网路会处理每一个小的像素区域，例如动物的视觉识别。筛选第二个处理中的像素资料，以维持影像识别的连续性。重复识别和细化后，可以获得更有用的信息，然后对图像进行分类或做出行为决定。卷积神经网络不需要精确的数学表示，只需要输入数据，经过模型训练，就可以得到准确的基本信息。第3章基于神经网络的自动驾驶技术研究3.1模型整体结构设计本节提出了基于全局拖动层的卷积神经网络模型。模型可以大致分为七层。前四层是卷积和最大卷积的组合，第五层是卷积和全局平均值的组合。全局均值聚合后，整个聚合层将用于系统决策的聚合数据。我们建议建立一个激素网络。我们的实验数据是二维图像，因此区分图像的特征非常重要。我们选择了一个模式化的解决方案。结构层次设计是模型设计的核心功能之一。我们使用五个卷积函数提取特性。模型的卷积运算是一个位置上的线性运算。该算法的卷积功能可以提取自动驾驶所需的数据，即消除障碍物的自值并减少干扰数据。心房颤动不是一蹴而就的，而是通过一系列的对流活动逐渐完成。识别的第一个特征是简单的特征，例如图像的边缘，然后是图像中障碍物的结构以及图像内容的几何形状和表面。分辨率越高，识别的内容就越复杂，如障碍和类型。3.2卷积神经网络基础模块设计3.2.1卷积操作模块设计在卷积的初始阶段，我们会手动设定简单的解析度核心，并透过资料拖曳的方式，学习后续的多层解析度核心(即重量)。数据在整个过程中传播，输入的图像大小为64*64，图像通道编号为3，第一阶段卷积核的大小为5*5*3，即卷积核的高度为5，深度为5，通道编号和输出图像与通道一致，在3，24个卷积核中，启用的数字也为24输出大小的计算以公式(3-1)和公式(3-2)表示。（3-1）（3-2）当输入的数据环宽度为w时，输入的数据环高度为h，f为卷积器的大小，p为柔和。当平滑度为零时，P=2，s为步长。我们输入材料的宽度为129，高度为225。在第一次卷积之后，得到的新数据宽度为65，数据高度为113。目前我们得到的神经元数目是129*225*24或696600。权重个数为5*5*3*24+24或1824。这是参数在第一次卷积后的情况。此时，第一个性质移除已完成。激活动作仍然可以通过激活动作来控制提取的特性，过滤掉无用的属性。3.2.2模型非线性化调整在执行非线性作业之前，模型的原始资料是线性的，因此会产生大量资料，因此隐藏的图层无法发挥预期的作用。因此，我们使用「启用」来增加模型的非线性，以修正线性模型的缺点。除了输出在一定范围内之外，激活函数还需要数学特性，例如微分和单调性。我们选择的激活函数如图(3-3)。fx虽然ELU函数增加了指数运算，但启用功能处理负部分资料，使神经细胞的平均激活率接近于零，因此增加了影像杂讯的耐久性，并提高了影像的解析度。与ReLU相比，此模型具有更强的计算能力。常用的激活函数在我们的模型中表现的性能如表3-1所示。表3-1不同激活函数在模型中的准确率和损失率损失函数损失值错误率sigmoid0.35360.0196tanh0.04640.0190ReLU0.1720.0188ELU0.02660.0175从数据中可以看出，在其他参数相同的条件下，ELU动作可以以最小的损失值实现最高的精确度，因此，ELU动作可从模型中获得最大的收益。因此，我们的模型选择ELU作为损失函数，以解决模型的线性故障。3.2.3池化操作模块设计「最大偏振层」图层会在前四个卷积层之后使用，以保留影像的纹理资讯，并减少回旋参数的平均偏移。最大存储容量是为固定窗口选择最大值。将删除非最大值，降低输入比例，并在一定程度上降低计算复杂度。虽然最大的极座标动作具有翻转动作，但它不会变更造型，以确保不会遗失该性质并仅保留最大属性值。这样，内分泌网络就可以集中在最重要的特性上了。最大背景系数应确保在计算过程中保持不变。在此过程中，固定窗口的最大值将直接移动到下一个级别，其他值将被直接删除。返回时，渐变将移到上一层的相关像素值，而其馀像素值为零。早期的汽车模型最常使用完全组合层来执行分类任务，但由于完全组合层必须连接到上一层中的所有神经元，因此完全组合层导致模型参数过大，我们使用全局平均合并函数来补充完全合并层的前一部分的属性集合。在我们的模型中，全球平均值是在最后一个卷积之后生成的，并且是设计模型的主要优先事项。由于全球平均极层的出现，模型中的参数数量大大减少，可以有效避免过匹配问题。全局地块保留层计算上一层的整个特征地图的地块值来获得数据，得到的平均数与特征地图的数量一致。第4章基于CNN自动驾驶技术的优化4.1过拟合和泛化情况分析训练结果可以有以下四种情况:第一种是训练集误差很大，测试集误差也很大，但两者之间的差异不大，这种情况属于欠拟合，可以增加训练数据集的大小，避免预测不足。第二种情况是，如果练习顺序错误较大，测试顺序错误较大，并且差距较大，则模型本身存在很大的问题，需要调整。模型结构。第三种情况是，如果教程中的错误很小，但测试中的错误很大，这是因为您安装了太多的模型。这是卷积网络中的一个常见问题，也是我们在本章中讨论的核心问题。在第四种情况下，课程和测试系列的错误率非常低，因此这是成功的模型培训。过度匹配的原因主要有两个:第一件事是数据集存在问题，主要包括以下三个方面:一是模型的设计过于复杂，容量过大，导致模型内部参数过多，目前如果训练数据的样本较少，必然会导致过度匹配；其次，在训练样本数据，即训练样本数据中存在大量噪声。训练样本可能不是同一类型的数据，这对模型训练造成很大的破坏干扰，三是训练集和测试集的划分有问题。这就是为什么我们可以避免数据集过度匹配。过度匹配的另一个原因是模型本身的问题，它在训练过程中对于训练数据来说过于“真实”——所有的特征都是非常仔细地学习的。这会使模型尖锐生动地学习到错误的性质，因此模型将无法准确分析测试序列中的正确数据，导致测试序列误差较大，这是非常典型的过拟合现象。4.2数据预处理我们使用的数据改进方法有:图像旋转，图像旋转是上下180度，在原图像的基础上，完成180度左右镜像旋转，使图像数量增加三倍；方法二是完成图像旋转，绕图像中心旋转90度，获得更多的图像数据；此外，图像的扩展和缩减像素采样也是增强数据的常用且密集的方法。此外，截取影像和传送影像会大幅增加资料量，但本研究不使用这两种资料输入方式，因为截取影像和传送影像很可能会移除有用的障碍资讯。在图像杂色中添加高斯也是一种有效的图像增强方法。使用高斯杂讯，其平均值为零，表示所有性质资料均可建立为资料点，这可能会在特定数量的高频性质上产生失真，以避免高频资料重叠并增加训练资料数据的增加不仅有助于避免一定数量的信息过载，还可以提高模型的整体性，从而在不同的环境中显示出精确的决策和控制能力。4.3正则化操作如果模型培训误差很小，则模型培训可能会出现过载。要减少测试错误，必须通过增加培训错误来进行规范。除了降低过度补偿的风险之外，它还可以有效地提高模型的整体性，并在调整后减少参数数量。调整功能会将约束套用至模型的目标函数，并调整模型的学习速度。L1管制和L2管制是最常用的标准管制。L1正则化是L0正则化的最佳凸性。与L0规则相比，此近似更易于求解，并且实现的乘数效应与L0规则相同。因此，通常会执行L1规则，而L1规则的合法化时间是L0规则绝对值的总和。参数化总和是罕见的。数据的影响，属性的第二部分是零，是属性选择，而我们的模型主要用于自动驾驶，因此，选择几个属性并不是我们所做的最重要的事情，我们需要所有的初始属性，权重通常是分散的。可确保模型识别更多障碍的向量；L2规则完全符合我们的需求；其规则的术语是使用参数的平方根，而不是仅仅依靠少数几个特征来使模型具有更高的精度。结论本文考察了深度学习自动驾驶技术。在理论研究方面，主要集中在优化模型结构和优化卷积神经网络的内部运算。在减少模型生成的参数数量的同时，模型和模型的解析度可提高整体效能。研究自主驾驶策略的优化。在未来，汽车朝着自主驾驶方向发展，因此驾驶策略的优化算法显得尤为重要。驱动程序模型必须能够根据不断变化的外部环境和驱动程序规则进行准确评估。由于需要确保模型的控制精度100%在正确的道路上，因此必须进一步提高神经网络模型的精度以避免动态障碍(例如移动车辆和行人)，以便集成该模型。真实用车环境，完美的自动驾驶汽车上路了。我们的研究也提高了模型的可解读性，但仍有很大的改进空间，而且我们不能信任独立的驱动程序系统，因为集成的独立驱动程序系统是黑盒，人们不信任模型。对内部评估过程知之甚少，因此系统评估过程的透明度也是研究端到端自治驱动技术时需要注意的一个关键问题。参考文献[1]张新钰,高洪波