邢星飞

摘 要 敘述深度学习的概念及深度学习人工智能在环境感知技术上的应用，详细阐述深度学习的工作原理以及其应用前景。

关键词 人工智能 无人驾驶 环境感知技术 深度学习

中图分类号：TP29 文献标识码：A

机器深度学习是近年来在人工智能领域的重大突破之一，它在语音识别、自然语言处理、计算机视觉等领域都取得了不少成功。由于车辆行驶环境复杂，当前感知技术在检测与识别度方面无法满足无人驾驶发展需要，深度学习被证明在复杂环境感知方面有巨大优势。

视觉感知技术是无人驾驶的核心技术。

无人驾驶一般包括四个等级或者五个等级，不管哪个等级都会包含环境感知、规划决策和执行控制等三个方面。其中环境感知方式主要有视觉感知、毫米波雷达感知和激光雷达感知，其中的视觉感知是无人驾驶感知的最主要的方式。

中国的路况较为复杂，雨天、雾霾天以及下雪天。另外，像马车、吊车以及摩托车，还有摩托车拉猪、卡车拉树的现象在我们生活中经常遇到，这些场景对视觉是一个难题，提高这种复杂路况下的感知精度是无人驾驶研究的挑战。

1深度学习能够满足复杂路况下视觉感知的高精度需求

深度学习被认为是一种有效的解决方案，深度学习是模拟人的大脑，是近10年来人工智能取得一个较大的突破。深度学习在视觉感知中近几年应取得了较大的进展，相对于传统的计算机视觉，深度学习在视觉感知精度方面有比较大的优势。

特别是2011年以后，有报导指出深度学习如果算法和样本量足够的话，其准确率可以达到99.9%以上，传统的视觉算法检测精度的极限在93%左右。而人的感知，也就是人能看到的准确率一般为95%，所以从这个方面看，深度学习在视觉感知方面是有优势的。

所谓深度学习，又名深度神经网络，相对于以前的神经网络来说是一种更多层和节点的神经网络机器学习算法，从这儿可以看出来，其实深度学习是一种机器学习，可以说是一种更智能的机器学习。深度学习主要类型一般包括5种类型，像CNN、RNN、LSTM、RBM和Autoencoder，其中我们主要的是用的CNN，CNN另外一个名字叫卷积神经网络。卷积神经网络已经被证明在图像处理中有很好的效果。

其中，自学特征是深度学习的最大优势。例如智能驾驶需要识别狗，在以前的算法中如果要识别狗，对狗的特征要用程序来详细描述，深度学习这个地方如果采集到足够的样本，然后放在深度学习中训练，训练出来后的系统就可以识别这个狗。传统的计算机的视觉算法需要手工提取特征，很多时候需要专家的知识，算法的鲁棒性设计非常困难，很难保证鲁棒性，我们做视觉感知的时候就遇到很多困难。另外如果要保证这个稳定需要大量的调试，非常耗时。

深度学习一般包括四种类型的神经网络层，输入层、卷积层、池化层、输出层。网络的结构可以10层甚至上百层，一般层数越多检测精度会更精准。并且随着网络层数和节点数的增加，可以表达更细、更多的识别物的特征，这样的话可以为检测精度的提高打下基础。

其中卷积层和池化层是深度学习的核心处理层。卷积层主要是用于负责物体特征的提取；池化层主要是负责采样。比如简单理解池化层，（就是一个数独里面取一个最大值），这就是池化层。卷积层与池化层是深度学习两个核心的层。

深度学习工作的原理，深度学习一般包括两个方面，一个是训练，一个是检测，训练一般主要是离线进行，就是把采集到的样本输入到训练的网络中。训练网络进行前向输出，然后利用标定信息进行反馈，最后训练出模型，这个模型导入到检测的网络中，检测网络就可以对输入的视频和图像进行检测和识别。通常情况下，样本的数量越多，识别的精度一般也会越高，所以这个样本的数量是影响深度学习精度重要的一个因素。

2深度学习在无人驾驶感知上应用前景广阔

一般的环境感知方面用到的深度学习会多一些，主要是视觉与毫米波雷达方面。在驾驶策略里面也会用到机器学习，但是我们一般叫做增强学习，用于驾驶策略的研究。在环境感知方面，深度学习可以在视觉感知、激光雷达感知，还有驾驶员状态监测等方面，甚至在摄像头和毫米波雷达融合方面都具有优势。

在环境感知方面，我们在这方面做的重要工作就是前向视觉感知应用。大家知道前向视觉感知是作为无人驾驶很重要的一部分，我们尝试深度学习在这方面一些应用。主要采用了单目摄像头的方案，选用的模型是Faster R-CNN，在GPU TITAN 平台上运行。目标检测物主要包括车道线、车辆、行人、交通标识和自行车，目前车辆的样本有3万左右，行人样本大概2万左右，其他的样本较少，大概1000—2000。从运行效果来看，识别精度、识别类型较以前开发的一些传统的视觉算法，我们觉得有比较大的改善。

3结论

深度学习人工智能给车主提供了更人性化、更智能化的功能，将给车主行车带来极大的便利。但人工智能技术带来的挑战也不可小觑。需要汽车行业的及互联网行业的人才一起努力，创建和谐的互联网环境。

参考文献

[1] 王建军，李世威，曾俊伟.车联网发展模式分析[J].计算机技术与发展，2011，21（12）：1-3.

[2] 杨震.物联网发展研究[J].南京邮电大学学报，2010，12（02）：1-4.