第3章 深度學(xué)習(xí)與智能駕駛

基于深度學(xué)習(xí)架構(gòu)的人工智能如今已被廣泛應(yīng)用于計算機(jī)視覺、自然語言處理、傳感器融合、目標(biāo)識別、智能駕駛等汽車行業(yè)的各個領(lǐng)域，從自動駕駛初創(chuàng)企業(yè)、互聯(lián)網(wǎng)公司到各大OEM（Original Equipment Manufacture，原廠委托制造）廠商，都在積極探索通過利用GPU（Graphics Processing Unit，圖形處理單元）構(gòu)建神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)最終的自動駕駛。

汽車行業(yè)是一個特殊的行業(yè)，因?yàn)樯婕俺丝桶踩詫τ谲囕v安全性和可靠性有著近乎苛刻的要求。這就使得智能駕駛對于傳感器、圖像處理算法結(jié)果的準(zhǔn)確性和穩(wěn)健性有著極高要求；另一方面，由于無人駕駛汽車是面向普通消費(fèi)者的產(chǎn)品，所以需要控制成本。高精度的傳感器是算法結(jié)果準(zhǔn)確的基礎(chǔ)^[1]，但一些高精度傳感器又是非常昂貴的，這兩者之間的矛盾在過去一直很難解決。

深度學(xué)習(xí)技術(shù)的出現(xiàn)和發(fā)展及其所帶來的高準(zhǔn)確性，不斷促進(jìn)了智能駕駛系統(tǒng)的目標(biāo)檢測、決策、傳感器應(yīng)用等多個領(lǐng)域的發(fā)展^[2]。例如，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）目前被廣泛應(yīng)用于各類圖像處理中，非常適用于智能駕駛領(lǐng)域。本章首先對智能駕駛感知系統(tǒng)進(jìn)行簡單梳理，然后介紹基于特征描述與分類器的行人檢測方法、端到端智能駕駛方案，以及行為反射方案。