本文將討論一下自動駕駛行業中深度學習的身影
首先，先介紹一下深度學習，也就是自動駕駛中的「黑盒子」
「黑盒子」在自動駕駛應用
自alexnet以後，yolo、inception、resnet、mobilenet、gan等系列網路如雨後春筍般湧現，在各個行業都有應用。自動駕駛行業當然也不例外。
在自動駕駛的識別過程中，常常使用yolo網路作為物體識別的baseline，faster-rcnn用來做分割網路，mobilenet做分類網路等。決策過程也用到深度學習lstm網路。由此可見，深度學習神經網路在自動駕駛領域中應用十分廣泛。比如waymo公司、mobileye等解決方案**商就廣泛應用深度學習技術在自動駕駛領域。由於卷積神經網路出色的特徵提取能力，目前已經可以實現端到端實時的進行分析決策判斷。然而，現實世界的路況複雜程度遠超深度學習網路的遍歷規模，目前仍然會有大量的corner case出現於智慧型駕駛演算法中。通常情況是解決了乙個，又出現另乙個。也可能一波不平一波又起。
由於神經網路的引數一般是千萬量級的，所以對除錯人員來說完全是個黑盒子，我們只知道它能夠完成某種功能，卻不知道如何運作的，也不能夠知道到底是**除了問題導致corner case。通常，網路設計者也僅僅通過經驗來操刀網路超引數。同時，特徵提取過程雖然可以可見，但是視覺化後的有效資訊也不夠讓人完全理解網路做了什麼，什麼可以完善。
就是這樣的乙個黑盒子讓許多adas或智慧型駕駛開發者頭疼，因為目前沒有乙個好的量化方法能夠告知他們黑盒子究竟**能改進?設想一下，乙個比較完善的智慧型駕駛系統，有著幾千行甚至幾萬行的**工作量，遇到corner case想要debug是比較困難的。
目前，有許多公司開始開發便於汽車開發者debug的平台。比如foretelllix公司和metamoto合作的**測試平台，可以驗證智慧型駕駛演算法，內建了評估系統analytics&merics 來將智慧型駕駛系統的表現視覺化，讓客戶明確可以改進的方向。由於演算法本身是乙個黑箱子，所以只有程式設計師開發者能夠知道演算法的表達，這乙個平台可以從某種意義上把演算法視覺化。主要驗證深度學習演算法，能夠端到端的給出演算法的各項指標，通過corner case等反饋也能讓使用者了解如何有針對性的改進深度學習神經網路。在收集感測器資訊→感知演算法\融合演算法處理→**過程→決策過程→控制汽車 這乙個pipeline中，通過這個平台能夠方便debug，找到千萬行**中哪一環節出了問題。這樣就能夠幫助智慧型駕駛功能開發者快速的debug，同時，讓其他不懂程式設計的同事能夠看懂演算法的優劣勢，在宣傳產品的時候能夠做到有的放矢。
自動駕駛要真正實現還有很長一段路要走，視覺化的**測試平台或許是根不錯的拐杖。
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...
深度學習與自動駕駛 MIT出品
阿里雲大學 深度學習與自動駕駛 mit出品 這門自動駕駛課程由麻省理工mit開設，話題前沿且實踐性質很強。課程面向機器學習初學者，但已經有大量經驗的研究人員也能從課程提供的從實踐出發的深度學習方法和應用中受益。目錄 課程持續更新中 深度學習與無人車導論 深度強化學習 運動規劃 卷積神經網路 用於自動...
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...