电脑计算完成无人驾驶车辆的“漂移”，你是相信自己还是相信电脑

无人驾驶车辆可以使用机器学习算法进行高速转弯，机器学习算法通过学习相似的视频进行学习。

这种被称为神经网络的人工智能很大程度上是基于我们大脑的工作方式。

为了训练自动驾驶系统脱离控制，研究人员在北极圈附近结冰的轨道上进行了大约200000个运动样本测试。

它利用前几秒钟观察汽车的运动来调整方向盘，从而在不同的道路上提供准确的运动预测。

来自加利福尼亚斯坦福大学的一个团队为大众GTI配备了这种算法，并在椭圆轨道上对其进行了测试。

他们让他们尽可能快地驾驶，并从以前的测试中学习到汽车调整方向盘和加速以成功转向。

为了使自动驾驶仪安全运行，他们需要一个能在紧急情况下快速刹车、加速或转弯的控制系统。

这使他们能够在摩擦极限下安全驾驶-在轮胎失控和汽车开始旋转前仅一秒钟。

这篇论文的资深作者、机械工程教授J.Christian Gerdes说：“在当前的技术条件下，你经常需要在数据驱动和基础物理方法之间做出选择。”

格迪斯教授说，他的系统可以在紧急情况下提供帮助，在紧急情况下需要突然转向。

结果令人鼓舞，但研究人员强调，他们的神经网络系统在训练场外表现不佳。

格德斯教授说，神经网络的挑战之一是缺乏对它们如何工作的理解。

\他说：“如果你给它一系列前所未有的条件，它可能会推断出完全错误的方式，导致潜在的危险转向。”

该团队正在继续开发系统和交通工具，这些系统和交通工具的互动频率是记者们所见的数千倍，他们说他们希望使他们更安全。

研究人员现在正在系统中构建安全特性，以检查他们的决定是否合理。

这项研究发表在《科学机器人学》杂志上。

无人驾驶和机器学习技术

机器学习是计算机科学的一个分支。它通过经验对系统编程进行自动学习和改进。

例如，机器人被编程为根据从传感器收集的数据执行任务。它自动从数据中学习程序。

目前，机器学习算法被广泛应用于解决自主驾驶汽车制造中的各种挑战。

随着传感器数据处理技术在汽车电子控制单元（ECU）中的应用，有必要改进机器学习技术的应用，以完成新的任务。

潜在的应用包括通过从不同的外部和内部传感器（如激光雷达、雷达、照相机或物联网）收集数据来评估驾驶员的状况或对驾驶场景进行分类。

运行汽车信息娱乐系统的应用程序可以从传感器数据融合系统接收信息。例如，如果一辆车发现司机出了什么问题，它可以直接把车开到医院。

基于机器学习的应用还包括驾驶员语音和手势识别以及语言翻译。

在自动驾驶汽车中，机器学习算法的主要任务之一就是不断地绘制周围环境并预测这些环境中可能发生的变化。

这些任务分为四个子任务：目标检测、目标识别或目标分类、目标定位和运动预测。

机器学习、人工智能与数据挖掘的区别

机器学习属于人工智能技术。基于经验数据的设计和开发算法称为机器学习。

除机器学习外，人工智能还包括知识表示、自然语言处理、规划、机器人等。

机器学习涉及算法的研究、设计和开发，使计算机无需显式编程即可学习。数据挖掘可以定义为试图从非结构化数据中提取知识或未知的有趣模式，其中使用了学习算法。

机器学习背后的算法和技术

机器学习算法可分为四类：决策矩阵算法、聚类算法、模式识别算法和回归算法。

一种机器学习算法可以用来完成两个或多个子任务。

例如，回归算法可用于目标定位和目标检测或运动预测。

机器学习包括不同的算法技术，如监督学习、无监督学习、半监督学习、强化学习、转移学习等。

监督学习必须确定目标变量的值，这样机器学习算法才能找到特征和目标变量之间的关系。例如，当给定数据时，我们应该知道正确的输出应该是什么样子，并且知道输入和输出之间有一个特定的关系。

无监督学习试图在未标记的数据中找到隐藏的结构。数据没有类别信息，也没有给定的目标值。

迁移学习可以将适合大数据的模型转化为小数据，作为小数据模型的训练起点，为神经网络的训练节省大量的计算和时间资源。

强化学习是从环境到智能系统行为的映射学习，以使奖励信号（强化信号）的功能值最大化。由于缺乏外部信息，强化学习系统必须依靠自身的经验进行自我学习。通过这种学习，可以获得知识，改进行动计划以适应环境。

谷歌的alpha-zero使用强化学习，通过与自己下棋来构建模型，最终击败了经过深入学习训练的alpha-go。

报告/反馈