要讓我的小車能自動去倒一杯咖啡。需要的做的事還有很多，其中乙個很難的問題就是自動駕駛，怎麼才能讓我的小車自動駕駛到咖啡機旁邊去呢？
1.deepdriving，** ，如圖:
這是乙個不借助mobileye之類硬體的乙個軟體技術。直接通過影象識別來判斷和控制汽車。
2.comma.ai ,乙個便宜的硬體+開源軟體
**:3. 市面上已經有的產品，如"那狗n2 adas"
可以看得出，也是個硬體，不過是以攝像頭為主，其它硬體為輔的。再加上自己的軟體分析處理。
我想了想其實硬體並不複雜，主要是軟體如何識別這些和這些感測器訊號？查了些資料，識別技術如果不是人工標註特徵，那麼就要靠深度學習。而深度學習又以機器學習技術為基礎。所以要搞明白這些，機器學習必須搞明白。
先了解了機器學習的一些基本術語
資料集:一組記錄的集合，如有一組西瓜的資料(色澤=青綠,根蒂=蜷縮,敲聲=濁響)
示例/樣本:一條記錄，如上面的色澤 =青綠
屬性/特徵:如上面的色澤
屬性值:如上面的青綠
屬性空間/樣本空間/輸入空間:屬性張成的空間,如上面的(色澤、根蒂、敲聲作為三個座標軸，則它們張成乙個用於描述西瓜的三維空間)
每個西瓜都可在這個空間中找到自己的位置，由於空中的每個點對應乙個座標向量，因此這乙個示例也做「特徵向量"
維度:上面的例子就是3
學習/訓練:從資料中學得模型的過程,
訓練資料:訓練過程中使用的資料
訓練樣本:訓練中的每組資料
訓練集:訓練中樣本的集合
假設:覺得模型對應了關於資料的某種潛在的規律
真相/真實:這個規律本身
學習器:模型
標記:關於示例結果的資訊,例如下面的樣本中的結果是好瓜((色澤=青綠,根蒂=蜷縮,敲聲=濁響),好瓜).
樣例:擁有了標記資訊的示例。
標記空間/輸出空間:所有標記的集合.
如果用(xi,yi)表示第i個樣例，其中yi(歸屬於γ)是示例xi的標記， γ就是標記空間.
分類:**的是離散值的任務，例如好瓜、壞瓜
回歸:**的是連續值的任務，例如西瓜成熟度是0.9,0.5,0.3
二分類:只有兩個分類的任務，其中乙個正類，另乙個是反類
測試:學得模型後，使用其進行**的過程
例如在覺得f後，對測試例x,可得到其**標記y=f(x).
聚類:即將訓練集中的西瓜分成若干組，每組稱為乙個"簇";這些自動形成的簇可能對應一些潛在的概念劃分，例如"淺色瓜",」本地瓜"，這就是2個聚類。
監督學習與無監督學習，分類與聚類分別屬於前面兩種。也就是說聚模擬較高階，我們不知道能訓練出什麼結果(標記)來，而分類是事先定好的。
泛化:分類/簇劃分能適用於沒在訓練集中出現的樣本，覺得模型適用於新樣本的能力。
好了基本術語學習完畢，上面的術語出處是周志華的《機器學習》
自動駕駛汽車與自動駕駛網路
談到自動駕駛網路很容易讓人聯想到自動駕駛汽車，恰好讀到google的工程師用自動駕駛汽車和自動駕駛網路做的乙個模擬，感覺很有道理的樣子，記錄並分享一下 開發一輛自動駕駛汽車所需要的 1 一輛比較現代的車 2 各式各樣的感測器 效能強大的計算機 ai軟體。3 大量的訓練和測試。類似地，開發自動駕駛網路...
自動駕駛 深度學習與自動駕駛領域的資料集蒐集
目錄 kitti資料集簡介與使用 資料集名稱 kitti oxford robotcar cityscape comma.ai udacity bddv carla gta 鏈結 資料集鏈結 鏈結 乙個面向城市道路街景語義理解的資料集 資料集鏈結 鏈結 geohot創辦的comma.ai的資料集，8...
人工智慧之自動駕駛
隨著深度學習技術的崛起 人工智慧的備受關注，自動駕駛，作為ai中備受關注的重要落腳點，也被炒的火熱，更讓人充滿了幻想。1.1 自動駕駛的概念 自動駕駛，也常被人稱作無人駕駛 無人車等，但這幾個詞的表述其實是有所區別的，英文裡常見的表述有autopilot，automatic driving，self...