端到端（e2e）学习作为一种解决方案，可以解决自动驾驶汽车复杂AI系统所面临的挑战，因此越来越受到人们的关注 。端到端（e2e）学习将迭代学习应用于整个复杂系统，并已在深度学习的背景下得到普及 。
03 三种机器深度学习方法
当前，不同类型的机器学习算法被用于自动驾驶汽车中的不同应用 。本质上，机器学习根据提供的一组训练数据将一组输入映射到一组输出 。1、卷积神经网络（CNN）；2、递归神经网络（RNN）；3、深度强化学习（DRL）；是应用于自动驾驶的最常见的深度学习方法 。
文章插图
CNN——主要用于处理图像和空间信息，以提取感兴趣的特征并识别环境中的对象 。这些神经网络由卷积层组成：卷积过滤器的集合，它们试图区分图像元素或输入数据以对其进行标记 。该卷积层的输出被馈送到一种算法中，该算法将它们组合起来以预测图像的最佳描述 。最终的软件组件通常称为对象分类器，因为它可以对图像中的对象进行分类，例如路牌或其他汽车 。
RNN——当处理诸如视频之类的时间信息时，RNN是强大的工具 。在这些网络中，先前步骤的输出作为输入被馈送到网络中，从而使信息和知识能够持久存在于网络中并被上下文化 。
DRL——将深度学习（DL）和强化学习相结合 。DRL方法使软件定义的“代理”可以使用奖励功能，在虚拟环境中学习最佳行动，以实现其目标 。这些面向目标的算法学习如何实现目标，或如何在多个步骤中沿特定维度最大化 。尽管前景广阔，但DRL面临的挑战是设计用于驾驶车辆的正确奖励功能 。在自动驾驶汽车中，深度强化学习被认为仍处于早期阶段 。
这些方法不一定孤立地存在 。例如，特斯拉（Tesla）等公司依靠混合形式，它们试图一起使用多种方法来提高准确性并减少计算需求 。
一次在多个任务上训练网络是深度学习中的常见做法，通常称为多任务训练 或辅助任务训练 。这是为了避免过度拟合，这是神经网络的常见问题 。当机器学习算法针对特定任务进行训练时，它会变得非常专注于模仿它所训练的数据，从而在尝试进行内插或外推时其输出变得不切实际 。
通过在多个任务上训练机器学习算法，网络的核心将专注于发现对所有目的都有用的常规功能，而不是仅仅专注于一项任务 。这可以使输出对应用程序更加现实和有用 。
【2020 全球自动驾驶汽车硬件和软件最新技术总结】
推荐阅读
- 手机处理器性能排行榜2020最新骁龙888 手机处理器骁龙865好还是麒麟990好
- 双离合是自动挡吗 双离合是什么意思
- 2020年Q2抖音广告投放分析
- iPhone 充电小技巧：还能自动显示全屏时钟
- 2020年十大洁具品牌排名
- 2020京东618活动 618电商活动
- 抖音小店2020保证金类目表 抖音平台开通我的小店要多少保证金
- 2020年最好闻的男士香水推荐 2020年男士香水哪款最受欢迎
- 2009-2020 IT30:30岁IT男未来10年规划第1篇
- 2020香奈儿唇釉最火的色号 2020阿玛尼唇釉最火色号