深度学习怎样应用于无人驾驶领域?

发布网友 发布时间：2022-05-07 17:33

我来回答

共5个回答

热心网友 时间：2022-06-30 21:41

深度学习将计算机得到的图像进行理解。专业词语叫图像语义分割。区分出哪里是什么物体，物体的大致边缘等。视频的物体分割技术也有一些，大致功能是一样的。只是视频可以利用多帧图像运动物体的视差进行额外的判断。很明显的区别就是Mobileye可以实现非常准确的车的正面以及侧面的检测，这两种检测结果的信息量是完全不同的，左边这个检测结果告诉我们什么位置大概有一辆车，但是他的具体位置，车的朝向信息完全没有。但是从右边的检测结果，就可以相对精确的估算出来车的位置，行驶方向等重要信息，跟我们人看到后可以推测的信息差不多了。

热心网友 时间：2022-06-30 21:41

对于较近距离的车，用其他基于几何的方法，多跟踪几帧，可能可以做到接近的效果，但是留意远处很小的车，结果也完全正确，这就只可能是深度学习的威力了。我们可以用人在没有车道线的路况下开车的数据来训练神经网络，训练好之后，神经网络在没有车道线的时候也能大概判断未来车可以怎么开。这一部分原理也是比较清楚的，找一个人开车，把整个开车的过程摄像头的录像保存下来，把人开车的策略车辆的行驶路径也保存下来，很方便。

热心网友 时间：2022-06-30 21:42

无人驾驶中的目标检测与学术界中标准的目标检测问题有一个很大的区别，就是距离。无人车在行驶时只知道前面有一个障碍物是没有意义的，还需要知道这个障碍物的距离，或者说需要知道这个障碍物的 3D 坐标，这样在做决策规划时，才可以知道要用怎样的行驶路线来避开这些障碍物。这个问题对于激光的障碍物检测来说很容易，因为激光本身就包含距离信息，但是想只凭借图片信息去计算距离难度比较高。

热心网友 时间：2022-06-30 21:42

在无人驾驶中应用比较多的是语义分割。例如路面分割、人行横道分割等等。FCN 有几个比较经典的改进，首先是用全卷积层替换了全连接层，其次是卷积之后的小分辨率 Feature Map 经过上层采样，再得到原分辨率大小的结果，最后 FCN 使用了跨层连接的方式。

热心网友 时间：2022-06-30 21:43

人工智能是下一代信息技术的核心和焦点，而无人配送则是人工智能典型的落地场景，因为完成无人配送需要自动驾驶技术、机器人技术、视觉分析、自然语言理解、机器学习、运筹优化等一系列创新技术的高度集成。目前，美团的日订单数量已经超过 2000 万单，在人力有限的情况下，对无人配送就有着非常迫切的需求。美团无人配送团队已经自主研发两款适应不同业务场景的无人车产品，其中一款适用于室内外道路的小型低速无人车，还有一款长距离室外运输的中型无人车。