原标题：自动无人驾驶汽车AI技能详解

来源：今日头条        链接：https://www.toutiao.com/a6767125494627303947/

几十年前，人工智能被作为未来科技的趋势。直到到今天，它正迅速从备受炒作的未来技术过渡到我们实际使用中，并影响我们的日常生活。从预测要键入文字的下一个单词到为Instagram拍张完美照片，人工智能已融入我们每天使用的产品和服务中。

在制造业中，人工智能一直处于推动转型的最前沿。尤其是，这项技术打破了传统汽车制造业，催生了自动驾驶汽车时代。迄今为止，据估计，已有200多家科技公司正在开发软件解决方案，以促进从手动驾驶向自动驾驶汽车革命的过渡。

由于自动驾驶汽车的前提是不需要人工干预，因此这一概念引起了公众和利益相关者的许多关注。例如，这些自动驾驶汽车会安全吗？他们的判断水平是多少？我们是否在冒险创造最终将威胁我们的智能机器？

在本文中，我们将介绍所有这些问题。我们还将探讨AI如何帮助改进自动驾驶汽车，AI开发人员在这场革命中的作用以及人工智能在汽车行业的未来。

自动驾驶汽车及其操作方式

自动驾驶汽车是一种结合了人工智能、传感器、摄像头和雷达的交通工具，可以在无人驾驶的情况下进行通勤。要使车辆具备完全自主标签的资格，它必须在没有任何人工干预的情况下，使用一组预先设定的参数，从一个特定的位置自动操作到预定的目的地。

基本上，它们的运行遵循一个非常基本的原则，即人工智能开发人员开发自动驾驶汽车系统，将其与机器学习、神经网络和图像识别系统融合，以创建能够自动驾驶汽车的复杂系统。

借助神经网络，人工智能系统能够从成像系统识别交通信号灯、路牌、路边缘、行人、树木和其他物体等模式。然后，此数据被馈送到机器学习算法，并进行整理以创建自动驾驶汽车在其中运行的参数。

根据美国运输部2019年的报告，美国道路上的自动驾驶汽车总数估计为1400。尽管这个数字似乎很小，但却有80多家顶级人工智能公司已投入大量资金，以实现自动驾驶成为现实。

对于一个市值将达到36.8亿美元的行业来说，对AI开发者技能的需求很非常大。因此，今天学习人工智能是一个明智的想法。但在我们了解如何成为一名人工智能开发者之前，这里有一个关于当前人工智能劳动力市场的简要概述。

人工智能劳动力市场概述

显然，机器学习和人工智能专业人员非常短缺。行业估计显示，由于技能短缺，有超过500,000个与AI相关的空缺职位。硅谷的跨国技术公司拥有大量的资源，并且能够吸引最优秀的人才来构建其解决方案。但是，小型公司甚至很难找到初级开发人员。

根据PWC的一份报告，到2020年，人工智能将消除近180万个工作岗位。而这项技术本身将创造230万个工作岗位。 AI工程师，机器学习工程师，计算机视觉工程师和数据科学家是AI生态系统中最受追捧的专业人员。

其他要求很高的AI技能包括Python和R编程，数据科学，Java，Hadoop，数据挖掘，大数据，Spark和SAS。

作为自动驾驶汽车行业的AI开发人员需要学习的技能

作为一个相对较新的领域，如果要完全实现自动驾驶，则需要广泛的现有技能和尚未出现的技能。如果您正在寻找如何成为汽车行业AI开发人员的方法，那么这里是您需要学习的一些技能。

编程技巧

平均而言，一辆自动驾驶汽车的硬件中需要超过2.5亿行代码。这些多行代码负责使汽车“智能”到足以了解现实世界中的周围事物。此外，设计，构造和操作自动驾驶汽车需要无数不同的程序和平台。

平均而言，一辆自动驾驶汽车的硬件中需要超过2.5亿行代码。这些多行代码负责使汽车“智能”到足以了解现实世界中的周围事物。此外，设计，构造和操作自动驾驶汽车需要无数不同的程序和平台。

无论是有抱负的AI开发人员还是有志于进入这一领域的实践开发人员，重要的是要全面了解编码以及系统中不同元素如何工作并相互影响。特别是，丰富的Python、c++和Linux经验是不容置疑的，因为它们构成了自动驾驶汽车行业的重要组成部分。

机器学习

ML是自动驾驶汽车中AI开发人员的另一项必备技能。如前所述，无人驾驶汽车通过算法工作。随着新问题的不断出现，这些算法需要不断的更新和完善。只有通过分析从整个自主车队收集的运营数据，并根据预先设定的参数创建解决方案，才能使用机器学习来实现这些改进。

作为一个人工智能开发人员，拥有ML技能和数据集准备就成为一种必要。你看，不管你的信息存储库有多大，如果你不能理解你的数据记录，人工智能也几乎是无用的。人工智能开发中常用的数据集有三种；

● 训练集：基本上，该数据集用于训练算法以理解不同的概念，例如神经网络以及学习和产生结果。

● 测试集：用于确定使用训练数据集对算法进行训练的程度。

● 验证集：用于选择最终算法模型。

● 测试集：用于评估最终算法的性能。

计算机视觉

考虑到自动驾驶汽车尚处于早期开发阶段，要在城市交通拥挤的道路上大规模部署这些汽车将花费更长的时间。这是因为在设计和开发阶段即使是最细微的缺陷也可能是致命的然而，通过计算机视觉等技术，此类事件发生的可能性大大降低。。

计算机视觉通过以下方式帮助自动驾驶汽车：

● 3D映射：“计算机视觉”是自动驾驶车辆中实时视觉数据捕获背后的秘密。自动驾驶汽车上安装的摄像机能够记录实时素材，对其进行管理并绘制3D地图。借助这些地图，自动驾驶汽车能够发现障碍物，越过其指定的路径，从而寻找替代路线，从而更好地了解其环境。

● 物体检测：自动驾驶汽车还使用计算机视觉来检测和分析不同的物体。使用摄像头和LiDar传感器测量距离，然后将收集的数据与3D地图组合在一起，以定位车辆，交通信号灯和行人等物体。因此，自动驾驶车辆能够立即处理此数据，并做出实时决策（例如制动以避免碰撞）。

● 训练算法：通过传感器和照相机的帮助，计算机视觉是收集大量数据的绝佳方法。通过收集关键信息，例如位置信息，道路维护或交通状况，自动驾驶汽车能够提高意识并迅速做出关键决策。

如您所见，如果没有计算机视觉，自动驾驶汽车将本质上仍然是科幻幻想。作为一名AI开发人员，拥有这些技能将使您的工作变得更轻松。

基于雷达的检测

根据IHS的最新报告，到2035年，自动驾驶汽车的销量预计将达到1180万辆。这是一个很大的数目，可能会引起很多安全方面的担忧。但是，雷达（无线电检测和测距）所取得的巨大进步有望使自动驾驶汽车更加安全。

雷达的工作原理是将无线电波从源头发射到地面上。然后，表面将这些波反射到接收器系统，然后对其进行处理。 RADAR解决方案的一个很好的例子是ADAS（高级驾驶员辅助系统）。它已经在使用中，并且在盲点监视，碰撞警告和物体检测中表现出色。

随着无人驾驶技术的迅速普及，世界各地的监管机构都在推动强制性包括高级驾驶员辅助系统和其他类似安全功能。

作为开发人员，熟悉RADAR，LiDAR和红外（IR）等不同的传感器系统肯定会为您带来优势。

人机界面

人机界面的主要目的是为自动驾驶汽车驾驶员提供多个平台，使他们可以与车辆功能进行交互。汽车制造商已经与技术公司合作，正在建造热销生产线的破坏性HMI。人们还讨论了从现代显示器向更自主的增强现实平视显示器（HUD）转变的可能性。

对更高自治性的更高亲和力也将通过使用Touch HoloActive系统进行触觉运动，在自动驾驶汽车功能的远程访问方面开辟新领域。

而且，由于所有这些补充技术都需要一个平台来锚定，因此对于任何AI开发人员而言，学习人机界面技术都是至关重要的。

云服务

自动驾驶汽车将需要彼此连接，以促进其运行环境的顺畅流动，从而生成大量数据。例如，据估计，一小群自动驾驶汽车每天最多可产生4,000 GB。借助AI Cloud平台，所有这些数据都可以存储，并在需要时轻松检索。不用说，创建这样的平台将需要一些AI技能。

人工智能开发人员薪水

人工智能开发人员的薪水迅速上涨得如此之快，以至于科技行业开了个玩笑，说AI薪水需要有类似于国家橄榄球联盟的薪金上限。

这些巨大的薪资很大程度上受多种因素的影响。硅谷和汽车行业之间的竞争，需要熟练的专家。一方面，像Google和Facebook这样的大型科技公司正试图使用AI解决诸如发现令人反感的内容和建立数字助理之类的问题，并且他们正在提供虚假的薪水。另一方面，汽车行业正在寻求招募大量AI开发人员来帮助制造自动驾驶汽车。一些人甚至在学术界为这些大手大脚的专业人士钓鱼，导致加入AI领域的开发人员严重短缺。

人工智能的薪水清楚地反映了这种短缺。根据Indeed.com的数据，美国的人工智能工程师的平均年薪为134,135美元，而机器学习工程师的年薪约为169,930美元。

在英国，高级AI工程师的基本年薪为每年84,000英镑，而实习生的年薪则高达25,000英镑。与其他发达经济体相比，东欧国家的工资相对较低。例如，在乌克兰，人工智能开发人员的月薪为10,000美元或每年约120,000美元。

总结

如果说埃隆·马斯克（Elon Musk关于人工智能的言论为依据，误用人工智能技术可能成为人类生存的最大威胁。几年前，在一次采访中，他警告说，智能机器可能会变得危险，并在未来威胁我们。

另一方面，比尔·盖茨（Bill Gates）是AI的大力支持者，他说AI技术的兴起将为我们的社会带来效率。根据您的看法，这两个技术专家是正确的。

但是到目前为止，我们已经看到了AI在医疗保健，制造业和农业等其他领域的优势。如果这是可行的，那么无人驾驶汽车行业还没有看到最好的人工智能。

对于AI开发人员来说，AI自动驾驶汽车行业的未来是光明的。与该行业的增长和进步相关的工作可能今天不存在，但是最好学习技能然后等待，而不是稍后再学习。

一THE END一

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com

Abstract Estimating dense visual correspondences between objects with intra-class variation, deformations and background clutter remains a challenging problem. Thanks to the breakthrough of CNNs there are new powerful features available. Despite their easy accessibility and great success, existing semantic flow methods could not significantly benefit from these without extensive additional training. We introduce a novel method for semantic matching with pre-trained CNN features which is based on convolutional feature pyramids and activation guided feature selection. For the final matching we propose a sparse graph matching framework where each salient feature selects among a small subset of nearest neighbors in the target image. To improve our method in the unconstrained setting without bounding box annotations we introduce novel object proposal based matching constraints. Furthermore, we show that the sparse matching can be transformed into a dense correspondence field. Extensive experimental evaluations on benchmark datasets show that our method significantly outperforms existing semantic matching methods.

Abstract Compact coding has been widely applied to approximate nearest neighbor search for large-scale image retrieval, due to its computation efficiency and retrieval quality. This paper presents a compact coding solution with a focus on the deep learning to quantization approach, which improves retrieval quality by end-to-end representation learning and compact encoding and has already shown the superior performance over the hashing solutions for similarity retrieval. We propose Deep Visual-Semantic Quantization (DVSQ), which is the first approach to learning deep quantization models from labeled image data as well as the semantic information underlying general text domains. The main contribution lies in jointly learning deep visual-semantic embeddings and visual-semantic quantizers using carefullydesigned hybrid networks and well-specified loss functions. DVSQ enables efficient and effective image retrieval by supporting maximum inner-product search, which is computed based on learned codebooks with fast distance table lookup. Comprehensive empirical evidence shows that DVSQ can generate compact binary codes and yield state-of-the-art similarity retrieval performance on standard benchmarks

Abstract Compact coding has been widely applied to approximate nearest neighbor search for large-scale image retrieval, due to its computation efficiency and retrieval quality. This paper presents a compact coding solution with a focus on the deep learning to quantization approach, which improves retrieval quality by end-to-end representation learning and compact encoding and has already shown the superior performance over the hashing solutions for similarity retrieval. We propose Deep Visual-Semantic Quantization (DVSQ), which is the first approach to learning deep quantization models from labeled image data as well as the semantic information underlying general text domains. The main contribution lies in jointly learning deep visual-semantic embeddings and visual-semantic quantizers using carefullydesigned hybrid networks and well-specified loss functions. DVSQ enables efficient and effective image retrieval by supporting maximum inner-product search, which is computed based on learned codebooks with fast distance table lookup. Comprehensive empirical evidence shows that DVSQ can generate compact binary codes and yield state-of-the-art similarity retrieval performance on standard benchmarks