自动驾驶汽车利用卷积神经网络 可以学习人类决策

 对于自动驾驶汽车而言，也许有一种更好的学习驾驶的方法——观察人类。据外媒报道，澳大利亚迪肯大学的研究人员发现，借助改进的视觉校正系统，自动驾驶汽车可以通过观察人类操作员来学习。

（图片来源：迪肯大学官网）

该团队实施模仿学习，即从演示中学习。驾驶员驾驶一辆配备三个摄像头的汽车，从车辆前方和两侧观察周围的环境。然后，通过神经网络（基于大脑神经元如何交互处理信息的计算机系统）处理这些数据。此种方法使得车辆能够根据观察人类做出类似决策，并根据从中所学来做出决策。迪肯大学副校长Saeid Nahavandi解释说，“该过程期望仅从摄像头拍摄的图像生成一个模型，以用于自动驾驶汽车。”

该处理系统具体来说是一个卷积神经网络，反映在大脑的视觉皮层上。该网络有一个输入层、一个输出层和两者之间的若干处理层。输入过程将视觉信息转换成点。随后，随着更多的视觉信息输入，这些点被不断地被比较。通过减少视觉信息，该网络可以快速处理环境中的变化。例如，前方出现移动的点可能意味着道路上出现了障碍。结合通过观察人类操作员所获得的知识，这意味着该算法知道道路上突然的障碍物应触发车辆完全停止，以避免发生事故。Nahavandi表示，“拥有可靠且强大的视觉是自动驾驶汽车的强制性要求，而卷积神经网络是图像处理应用中最成功的深度神经网络之一。”

不过，Nahavandi也指出了一些不足之处。一是虽然模仿学习加快了训练过程，但是同时减少了创建优良模型所需的训练数据量。相比之下，卷积神经网络需要大量的训练数据来找到最优的卷积层和滤波器配置，而这有助于组织数据，并生成合适的模型。

Nahavandi还表示，“我们发现增加滤波器的数量并不一定会产生更好的性能。网络和训练流程参数的最优选择仍然是一个未解决的问题，全球研究人员都在积极研究。”接下来，研究人员计划研究更智能、更高效的技术，包括遗传和进化算法，以获得最佳参数集，从而更好地打造自我学习、自动驾驶的汽车。