无人驾驶轿车要上路需跨过深度学习算法这一关

科技浪潮风起云涌，给人们生产和生活带来的影响体现在方方面面。作为广受关注的前沿技术之一，无人驾驶在投入规模化应用之前还面临诸多挑战。跨过“深度学习算法”这一关，已成为了摆在业内人士面前的突出问题。

无人驾驶作为一种高度模仿人类驾驶的技术，实现无人驾驶分为感知、理解、决策和执行四个层次，由ECU、执行器和各类传感器来实现。智能技术在理解层和决策层中赋能无人驾驶，担任着“大脑”角色。在诸多技术之中，深度学习算法十分关键，已被多国研究人员视为科技研发的重中之重。

图片

在布局深度学习算法方面，一些企业已经积极行动起来。例如，谷歌已经将深度学习算法应用于语音识别和图像识别，亚马逊和Netflix则利用深度学习算法来了解用户的行为习惯。此外，一些汽车制造商也将布局重点放在了车载芯片、深度学习算法上。

日前，特斯拉公布了名为“无人驾驶数据管道和深度学习系统(Data Pipeline and Deep Learning System for Autonomous Driving)”的专利，专注于优化图像处理，使其自动驾驶系统更高效。

据悉，该系统将使用车载传感器或摄像头捕捉图像，例如摄像头传感器、高动态范围摄像头、雷达传感器或超声波传感器。之后，高通或低通滤波器将图像分解。最终，一系列处理器将破译图像的含义。

机器学习与深度学习这一对概念，常常被人们同时提起。机器学习是人工智能的子领域，也是人工智能的核心。而深度学习则属于机器学习的子类，它主要应用于人脸技术、语义分析、文字识别、智能监控等领域。目前在智能硬件、交通、教育、医疗等行业，机器学习正得到快速布局。

一般来说，深度学习算法需要大量时间进行训练。这是因为该算法包含有很多参数，因此训练它们需要比平时更久的时间。深度学习网络相当于是人的大脑，对安装在车前的摄像头的图像进行采集，并通过卷积神经网络来提出图像的特征，通过模型计算来得出几个输出量，比如刹车、加速、减速、方向盘的角度等信息。

基于深度学习算法所展开的各类研究，其目的是将车辆、路况等各种数据信息纳入统一的管理系统中，提升行车的安全性。不过，深度学习方法虽然有效，但离真正意义上的大脑智能还是有很大差距的。直观来讲，很重要的一点是深度学习算法较为依赖数据，推理能力是有限的，但人脑不需要看大量的样本就可以对事物进行准确区分。

由此能够准确的看出，深度学习和人脑工作方式并没那么相似，也不是直接借鉴。而无人驾驶的实现，需要车辆遇险自动避让、便捷行程路线规划等系统综合作用。与驾驶员自主决定行车方案相比，无人驾驶较多的会运用到深度学习算法、物联网传感等技术。

无人驾驶车能在路上跑，离不开芯片、激光雷达和深度学习算法。在过去的十年里，无人驾驶汽车技术取得了越来越快的进步，主要得益于深度学习和人工智能领域的进步。今后，在多方推动下，无人驾驶技术将取得更多新成果。

舒适地坐在车里、悠闲地听着音乐、惬意地欣赏着窗外的风景，是很多人脑海中曾经浮现过的关于无人驾驶的美好画面。也许随着技术的不断成熟和法律和法规的逐步完善，高度稳定的无人驾驶行车系统终将投入应用。而关于无人驾驶的诸多美好畅想，将从梦想转变为现实。