论文部分内容阅读
摘 要：在科技社会不断发展条件下，无人驾驶汽车在交通运输行业中地位层次逐渐提高。为满足无人驾驶汽车安全运行要求，深度学习在无人驾驶汽车领域的应用具有重要的作用，为避免无人驾驶汽车运行缺陷和运行安全问题提供了理论基础。本文将针对无人驾驶汽车展开研究，首先简要概述深度学习，之后阐述无人驾驶汽车的基础理论，最后介绍深度学习在无人驾驶汽车中的应用，使深度学习优势和现实作用得以体现。
关键词：深度学习;无人驾驶汽车;行人避让
0 引言
尽管无人驾驶汽车对于推动我国交通运输行业向着现代化方向发展有重要作用，但是不可否认无人驾驶汽车在实际运行过程中还存在一些问题，这就应在考虑各项基础因素条件下强化深度学习在无人驾驶汽车中应用力度，降低无人驾驶汽车在运行过程中出现安全问题的可能性。加强深度学习算法原理在自动驾驶领域中的应用，发挥深度学习在无人驾驶汽车中作用效果，以更好的保障无人驾驶汽车实际运行安全和稳定性。
1 深度学习的概述
深度学习概念源于人工神经网络研究，是机器学习研究中一个新领域，其动机在于建立、模拟人脑进行分析学习神经网络，通过组合底层特征形成更加抽象表示属性类别或特征，以发现数据分布式特征表示;它模仿人脑机制来解释数据，例如图像、声音和文本等。深度学习可以自动地从学习样本中学习特征，卷积神经网络、基于多层神经元的自编码神经网络、深度置信网络为深度学习领域的典型训练模型。改善了传统人工神经网络的训练机制，其训练机制为采用无监督训练过程初始化各层参数、基于无监督训练过程得到的各层参数进行有监督学习的训练过程，得到优化模型，克服了传统人工神经网络算法中出现的陷入局部最小、过拟合等问题。
2 无人驾驶汽车的基础理论
对无人驾驶汽车展开研究，汽车无人驾驶系统基本上是由激光测距仪、视频摄像头、车载雷达、微型传感器和电脑处理系统共同组成。将多传感器信息相融合，提高场景识别能力，能够强化无人驾驶汽车运行效果和安全水平。同时应对无人驾驶汽车运行过程中各项数据信息展开有效处理，保证车与车、人与车之间距离合理性和安全性，确保无人驾驶汽车可以自主进行决策，避免无人驾驶汽车与其他车辆或障碍物之间距离过小而出现安全问题。
3 深度学习在无人驾驶汽车领域中应用
3.1具体应用要求
为保证深度学习在无人驾驶汽车领域的应用，应在考虑无人驾驶汽车实际运行要求条件下收集相关数据，并在各项数据信息支持下对第一层开展无监督学习，以此强化各项数据信息聚类效果，并按照各项数据信息划分类型对其展开有效判断，确保无人驾驶汽车运行中第二层节点阈值调整水平和基础数据输入效果有所提升。在大量数据信息支持下对无人驾驶汽车运行中每一层网络开展无监督学习时，必须保证各层次监督学习训练效果和高层次数据信息输入力度，降低各项数据信息在实际输入过程中出现各项问题可能，更为有效地强化深度学习在无人驾驶汽车中应用力度和现实作用，提高无人驾驶汽车运行安全性和综合价值。
3.2行人及障碍物避让
行人及障碍物避让是基于获取的行人及障碍物的距离、位置、运动方向等数据信息和/或图像信息，自动控制无人车的速度、转向、制动以安全的避让行人或障碍物;如果无人驾驶汽车前方有行人或障碍物，就应要求无人驾驶汽车及时进行自动决策实现安全避让，对传感器获取的行人或障碍物的数据进行处理，实现无人驾驶汽车加、减速及转向控制，避免在运行过程中出现交通安全事故。基于卷积神经网络生成无人车的自主避让决策能够提高控制精度，进而提高无人车的安全性;建立卷积神经网络数据分析模型，将车载摄像装置的采集的原始图像信息作为输入数据，以无人车的转向、速度控制、制动踏板控制为输出层，建立数据分析模型，采集驾驶员的操控数据作为样本数据，用样本库数据训练模型确定模型参数同时还应在深度学习支持下强化无人驾驶汽车不同运行距离监督控制力度，有效调整无人驾驶汽车与行人之间距离，使得无人驾驶汽车与行人之间距离达到合理状态，避免无人驾驶汽车在实际运行过程中因整体决策效果低下而出现撞到行人或障碍物的现象。利用深度学习对无人驾驶汽车行人及障碍物的避让过程进行决策，发挥无人车自动避让技术在无人驾驶汽车运行中作用效果，以提高安全性。
3.3场景分类识别
无人驾驶汽车的安全性是该领域的重要问题，无人驾驶汽车的场景识别对行车安全性有着重要的影响，无人驾驶汽车的场景识别能力亟需提高。无人驾驶车辆的场景识别是指通过雷达传感器、车载摄像装置获取道路及道路周边的数据信息，经过图像及数据处理识别道路以及道路中的车辆及行人。随着深度学习在图像、声音领域研究中不断取得的进展，尤其是卷积神经网络理论研究的发展，使其在无人驾驶车辆的场景识别中具有重要的作用。通过卷积神经网络对车载摄像装置捕捉的图像信息进行图像分割、自学习特征提取，通过提取图像中的特征信息识别目标的属性，输出场景类别数据，实现道路场景的分类识别，从而为无人驾驶车辆的自动控制决策提供重要的依据。
4 结语
就无人驾驶汽车而言，强化深度学习在其中应用力度，不仅可以改善无人驾驶汽车在实际行驶过程中出现问题，对于无人驾驶汽车综合控制能力和安全效果也有极其重要作用。这就应保证无人驾驶汽车远程操控人员对深度学习模式有所了解，确保深度学习在无人驾驶汽车中应用价值得以体现。上文還介绍了深度学习在无人驾驶汽车领域中，关于场景识别以及自动避让技术方面的应用，借以保证深度学习在无人驾驶汽车管理和安全行驶过程中发挥最大作用。
参考文献
[1]尹训俊，郭晓林.基于5G通信技术下的汽车无人驾驶技术探讨[J].汽车实用技术，2020（12）：15-17.
[2]孙嘉浩，陈劲杰.基于强化学习的无人驾驶仿真研究[J].农业装备与车辆工程，2020，58（06）：102-106.
[3]李世凯，刘明旭.无人驾驶汽车安全性分析[J].内燃机与配件，2020（09）：220-221.
[4]苏保国.无人驾驶汽车的先进技术与发展[J].内燃机与配件，2020（09）：236-238.
关键词：深度学习;无人驾驶汽车;行人避让
0 引言
尽管无人驾驶汽车对于推动我国交通运输行业向着现代化方向发展有重要作用，但是不可否认无人驾驶汽车在实际运行过程中还存在一些问题，这就应在考虑各项基础因素条件下强化深度学习在无人驾驶汽车中应用力度，降低无人驾驶汽车在运行过程中出现安全问题的可能性。加强深度学习算法原理在自动驾驶领域中的应用，发挥深度学习在无人驾驶汽车中作用效果，以更好的保障无人驾驶汽车实际运行安全和稳定性。
1 深度学习的概述
深度学习概念源于人工神经网络研究，是机器学习研究中一个新领域，其动机在于建立、模拟人脑进行分析学习神经网络，通过组合底层特征形成更加抽象表示属性类别或特征，以发现数据分布式特征表示;它模仿人脑机制来解释数据，例如图像、声音和文本等。深度学习可以自动地从学习样本中学习特征，卷积神经网络、基于多层神经元的自编码神经网络、深度置信网络为深度学习领域的典型训练模型。改善了传统人工神经网络的训练机制，其训练机制为采用无监督训练过程初始化各层参数、基于无监督训练过程得到的各层参数进行有监督学习的训练过程，得到优化模型，克服了传统人工神经网络算法中出现的陷入局部最小、过拟合等问题。
2 无人驾驶汽车的基础理论
对无人驾驶汽车展开研究，汽车无人驾驶系统基本上是由激光测距仪、视频摄像头、车载雷达、微型传感器和电脑处理系统共同组成。将多传感器信息相融合，提高场景识别能力，能够强化无人驾驶汽车运行效果和安全水平。同时应对无人驾驶汽车运行过程中各项数据信息展开有效处理，保证车与车、人与车之间距离合理性和安全性，确保无人驾驶汽车可以自主进行决策，避免无人驾驶汽车与其他车辆或障碍物之间距离过小而出现安全问题。
3 深度学习在无人驾驶汽车领域中应用
3.1具体应用要求
为保证深度学习在无人驾驶汽车领域的应用，应在考虑无人驾驶汽车实际运行要求条件下收集相关数据，并在各项数据信息支持下对第一层开展无监督学习，以此强化各项数据信息聚类效果，并按照各项数据信息划分类型对其展开有效判断，确保无人驾驶汽车运行中第二层节点阈值调整水平和基础数据输入效果有所提升。在大量数据信息支持下对无人驾驶汽车运行中每一层网络开展无监督学习时，必须保证各层次监督学习训练效果和高层次数据信息输入力度，降低各项数据信息在实际输入过程中出现各项问题可能，更为有效地强化深度学习在无人驾驶汽车中应用力度和现实作用，提高无人驾驶汽车运行安全性和综合价值。
3.2行人及障碍物避让
行人及障碍物避让是基于获取的行人及障碍物的距离、位置、运动方向等数据信息和/或图像信息，自动控制无人车的速度、转向、制动以安全的避让行人或障碍物;如果无人驾驶汽车前方有行人或障碍物，就应要求无人驾驶汽车及时进行自动决策实现安全避让，对传感器获取的行人或障碍物的数据进行处理，实现无人驾驶汽车加、减速及转向控制，避免在运行过程中出现交通安全事故。基于卷积神经网络生成无人车的自主避让决策能够提高控制精度，进而提高无人车的安全性;建立卷积神经网络数据分析模型，将车载摄像装置的采集的原始图像信息作为输入数据，以无人车的转向、速度控制、制动踏板控制为输出层，建立数据分析模型，采集驾驶员的操控数据作为样本数据，用样本库数据训练模型确定模型参数同时还应在深度学习支持下强化无人驾驶汽车不同运行距离监督控制力度，有效调整无人驾驶汽车与行人之间距离，使得无人驾驶汽车与行人之间距离达到合理状态，避免无人驾驶汽车在实际运行过程中因整体决策效果低下而出现撞到行人或障碍物的现象。利用深度学习对无人驾驶汽车行人及障碍物的避让过程进行决策，发挥无人车自动避让技术在无人驾驶汽车运行中作用效果，以提高安全性。
3.3场景分类识别
无人驾驶汽车的安全性是该领域的重要问题，无人驾驶汽车的场景识别对行车安全性有着重要的影响，无人驾驶汽车的场景识别能力亟需提高。无人驾驶车辆的场景识别是指通过雷达传感器、车载摄像装置获取道路及道路周边的数据信息，经过图像及数据处理识别道路以及道路中的车辆及行人。随着深度学习在图像、声音领域研究中不断取得的进展，尤其是卷积神经网络理论研究的发展，使其在无人驾驶车辆的场景识别中具有重要的作用。通过卷积神经网络对车载摄像装置捕捉的图像信息进行图像分割、自学习特征提取，通过提取图像中的特征信息识别目标的属性，输出场景类别数据，实现道路场景的分类识别，从而为无人驾驶车辆的自动控制决策提供重要的依据。
4 结语
就无人驾驶汽车而言，强化深度学习在其中应用力度，不仅可以改善无人驾驶汽车在实际行驶过程中出现问题，对于无人驾驶汽车综合控制能力和安全效果也有极其重要作用。这就应保证无人驾驶汽车远程操控人员对深度学习模式有所了解，确保深度学习在无人驾驶汽车中应用价值得以体现。上文還介绍了深度学习在无人驾驶汽车领域中，关于场景识别以及自动避让技术方面的应用，借以保证深度学习在无人驾驶汽车管理和安全行驶过程中发挥最大作用。
参考文献
[1]尹训俊，郭晓林.基于5G通信技术下的汽车无人驾驶技术探讨[J].汽车实用技术，2020（12）：15-17.
[2]孙嘉浩，陈劲杰.基于强化学习的无人驾驶仿真研究[J].农业装备与车辆工程，2020，58（06）：102-106.
[3]李世凯，刘明旭.无人驾驶汽车安全性分析[J].内燃机与配件，2020（09）：220-221.
[4]苏保国.无人驾驶汽车的先进技术与发展[J].内燃机与配件，2020（09）：236-238.