Skip to main content
 首页 » 技术

ADAS产品甚至是自动驾驶,使用深度学习是否合适?

1年前 (2017-03-12)405

对于深度学习的最大疑虑,就是“黑箱问题”。深度学习系统识别模式的过程,发生在神经网络上所运行的算法之中,我们向一个训练好的系统输入数据,然后系统输出对数据的解释,而输入、输出之间的决策过程,人类看不见也无法理解。

这就是大多数自动驾驶团队不会全面使用深度学习的原因:一旦系统做出了错误的决策,你需要确切地知道在这个过程中发生了什么,确保同样的错误不会再次发生。因此,他们用传统的、基于规则的机器人学方法来做决策,将深度学习的应用限制在感知上。

而Drive.ai的做法,是在感知和决策上都使用深度学习,但也并不是用一个大黑箱系统直接从传感器采集原始数据,然后输出左转、刹车、加速这样的指令。Tandon说,他们刻意避免了这样一个端到端的大黑箱,“如果你将它分解成几个部分,然后分别应用深度学习,你就会发现每部分都能用不同的方法来验证,这样就会对系统有信心了。”此外,Drive.ai还结合了一些规则、人类知识来确保系统的安全性。

Drive.ai的研究员们说,有些技巧可以让我们窥视黑箱里面发生了什么,然后进行调整。比如可以向系统输入特别处理过的数据,然后看算法对数据细微变化的反应。

ADAS,自动驾驶,深度学习,机器学习

Drive.ai当然是在吹牛,狠狠的吹。但它提到了一点,深度学习不仅用在感知,也不是英伟达那种端到端,而是在环境感知,定位,路径搜索,路径规划和线控执行等多个阶段,分别用深度学习来做。这个有没有人尝试过?

哪个阶段?输入和输出各是什么?_?

理论上讲,只要数据量够大,数据质量有保障,好多事情都可以用深度学习来做出一套模型。(佐思产研/马安越)