使用深度学习完成自动驾驶

资源分类

使用深度学习完成自动驾驶

2019-12-20 |

62 |

原标题：使用深度学习完成自动驾驶

来源：AI 研习社链接：https://www.yanxishe.com/TextTranslation/1056

原标题：Self-driving cars using Deep Learning 毫无疑问，自动驾驶汽车将成为未来的标准运输方式。从优步和谷歌到丰田和General Motors的大公司都愿意花费数百万美元来实现这一目标，因为预计未来市场将达到数万亿美元。在过去的几年里，我们看到该领域发生了巨大的变化，优步，特斯拉，Waymo的汽车在他们的记录中总共有800万英里。

当然，由于硬件和软件方面许多不同技术的进步，自动驾驶汽车现在已成为现实。激光雷达传感器，摄像机，GPS，超声波传感器正在协同工作，以便从各种可能的来源接收数据。使用高级算法实时分析这些数据，使自动驾驶仪功能成为可能。

按以下顺序形成自动驾驶pipeline有5个基本步骤：

1. 定位

2. 感知

3. 预测

4. 规划

5. 控制

定位是自动驾驶汽车如何确切知道它在世界上的位置的基本要素。在这一步中，他们从上述所有传感器（传感器融合）获取数据，并使用称为卡尔曼滤波器的技术以尽可能高的精度找到它们的位置。卡尔曼滤波器是一种概率方法，它使用随时间的测量值来估计物体位置的状态。另一种广泛使用的技术是粒子滤波器。

感知是汽车如何感知和理解环境。这是计算机视觉和神经网络发挥作用的地方。稍后会有更多介绍。

在预测步骤中，汽车预测周围环境中每个目标（车辆或人）的行为。他们将如何移动，朝哪个方向移动，以何种速度移动，他们将遵循什么样的轨迹。这里使用的最常见模式之一是递归神经网络，因为它可以从过去的行为中学习并预测未来。

路径规划是可自我解释的。这是汽车计划遵循的路线或换句话说产生的轨迹。这是通过搜索算法（如A*），Lattice规划和强化学习来完成的。

最后，控制工程师从这里开始。他们根据前一步骤中生成的轨迹来相应地改变汽车的转向，加速和刹车。最常见的方法是PID控制，但还有一些其他方法，如线性二次调节器（LQR）和模型预测控制（MPC）。

顺便说一句，如果你想了解更多，请查看Udacity免费提供的两个很棒的课程：

好的，我认为现在是我们自己制造自动驾驶汽车的时候了。好吧，不是全部。但我们能做的是使用驾驶模拟器并记录相机看到的内容。然后我们可以将这些帧提供给神经网络，并希望汽车可以自己学习如何驾驶。让我们来看看…

我们将使用Udacity的开源自动驾驶汽车模拟器。要使用它，您需要安装Unity游戏引擎。现在有趣的部分：

不言而喻，我花了大约一个小时记录帧。我是认真的，不是在鬼混。

def build_model():
    model = Sequential()
    model.add(Lambda(lambda x: x/127.5-1.0, input_shape=INPUT_SHAPE))
    model.add(Conv2D(24, kernel_size=(5, 5),strides=(2,2) ,activation='elu'))
    model.add(Conv2D(36, kernel_size=(5, 5),strides=(2,2) ,activation='elu'))
    model.add(Conv2D(48, kernel_size=(5, 5),strides=(2,2),activation='elu'))
    model.add(Conv2D(64, kernel_size=(3, 3), activation='elu'))
    model.add(Conv2D(64, kernel_size=(3, 3), activation='elu'))
    model.add(Dropout(0.5))
    model.add(Flatten())
    model.add(Dense(100, activation='elu'))
    model.add(Dense(50, activation='elu'))
    model.add(Dense(10, activation='elu'))
    model.add(Dense(1))
    #model.summary()    return model

网络将仅输出一个值，转向角度。

def train_model(model, X_train, X_valid, y_train, y_valid):    model.compile(loss='mean_squared_error', optimizer=Adam(lr=0.001))

    #Fits the model on data generated batch-by-batch by a Python generator.    model.fit_generator(batch_generator(data_dir, X_train, y_train, batch_size, True),
                        steps_per_epoch,
                        num_epochs,
                        verbose=1,
                        validation_data=batch_generator(data_dir, X_valid, y_valid, batch_size, False),
                        validation_steps=40                        )

现在我们有训练的模型。它基本上克隆了我们的驾驶行为。让我们看看我们是如何做到的。为此，我们需要一个简单的服务器（socketio服务器）来实时将模型预测发送到模拟器。我不打算了解有关服务器内容的许多细节。重要的是我们使用模拟器实时生成的帧和日志预测转向角的部分。

steering_angle = float(data["steering_angle"])
throttle = float(data["throttle"])
speed = float(data["speed"])
image = Image.open(BytesIO(base64.b64decode(data["image"])))
image = np.asarray(image)
image = preprocess_data.preprocess(image)
image = np.array([image])

steering_angle = float(model.predict(image, batch_size=1))
throttle = 1.0 - steering_angle ** 2 - (speed / speed_limit) ** 2#send prediction to the simulatorsend_control(steering_angle, throttle)

结果如下：