無(wú)人車(chē)學(xué)會(huì)開(kāi)車(chē)的原理和過(guò)程分析

無(wú)人車(chē)到底是怎樣一步一步學(xué)會(huì)開(kāi)車(chē)的？

與人類用雙眼去觀察路面、用手去操控方向盤(pán)類似，無(wú)人車(chē)用一排攝像機(jī)去感知環(huán)境，用深度學(xué)習(xí)模型指導(dǎo)駕駛。大體來(lái)說(shuō)，這個(gè)過(guò)程分為五步:

記錄環(huán)境數(shù)據(jù)

分析并處理數(shù)據(jù)

構(gòu)建理解環(huán)境的模型

訓(xùn)練模型

精煉出可以隨時(shí)間改進(jìn)的模型

如果你想了解無(wú)人車(chē)的原理，那這篇文章不容錯(cuò)過(guò)。

記錄環(huán)境數(shù)據(jù)

一輛無(wú)人車(chē)首先需要具備記錄環(huán)境數(shù)據(jù)的能力。

具體來(lái)說(shuō)，我們的目標(biāo)是得到左右轉(zhuǎn)向角度的均勻分布。這倒也不難操作，可以以順時(shí)針和逆時(shí)針?lè)较蛟跍y(cè)試場(chǎng)地內(nèi)繞圈的方式實(shí)現(xiàn)。這種訓(xùn)練有助于減少轉(zhuǎn)向偏差，避免長(zhǎng)時(shí)間駕駛后汽車(chē)從道路一邊慢慢漂移到道路另一邊的尷尬情境。

此外，以慢速（例如每小時(shí)10英里）行駛也有助于在轉(zhuǎn)彎時(shí)記錄平滑的轉(zhuǎn)向角，在這里駕駛行為被分類為：

直線行駛:0<=X<0.2

小轉(zhuǎn)彎：0.2<=X<0.4

急轉(zhuǎn)：X>=0.4

恢復(fù)到中心

其中，X為轉(zhuǎn)向角，r為旋轉(zhuǎn)半徑（單位為米），計(jì)算轉(zhuǎn)向角的公式為X=1/r。上面提到的“恢復(fù)到中心”在數(shù)據(jù)記錄過(guò)程中很重要，它幫助車(chē)輛學(xué)會(huì)在即將撞上，馬路崖子時(shí)回到車(chē)道中心。這些記錄數(shù)據(jù)保存在driving_log.csv中，其中每一行都包含：

文件路徑到鏡頭前中央相機(jī)圖像

文件路徑到前左相機(jī)圖像

文件路徑到前右相機(jī)圖像

轉(zhuǎn)向角

在記錄環(huán)境數(shù)據(jù)的過(guò)程中，我們需要記錄約100000個(gè)轉(zhuǎn)向角的圖像，以便提供足夠的數(shù)據(jù)訓(xùn)練模型，避免因樣本數(shù)據(jù)不足導(dǎo)致的過(guò)擬合。通過(guò)在數(shù)據(jù)記錄過(guò)程中定期繪制轉(zhuǎn)向角直方圖，可以檢查轉(zhuǎn)向角是否為對(duì)稱分布。

分析處理數(shù)據(jù)

第二步是為構(gòu)建模型分析和準(zhǔn)備剛剛記錄的數(shù)據(jù)，此時(shí)的目標(biāo)是為模型生成更多的訓(xùn)練樣本。

下面這張圖片由前中央相機(jī)拍攝，分辨率為320*160像素，包含紅色、綠色和藍(lán)色的channel。在Python中，可以將其表示為一個(gè)三維數(shù)組，其中每個(gè)像素值的范圍在0到255之間。

司機(jī)視線以下的區(qū)域和兩邊的車(chē)道標(biāo)志一直是自動(dòng)駕駛技術(shù)中研究的重點(diǎn)。這兩部分可以使用Keras中的Cropping2D裁剪圖像，減少輸入到模型中的噪聲。

我們可以用開(kāi)源的計(jì)算機(jī)視覺(jué)庫(kù)OpenCV從文件中讀取圖像，然后沿垂直軸翻轉(zhuǎn)，生成一個(gè)新的樣本。OpenCV非常適合自動(dòng)駕駛汽車(chē)用例，因?yàn)樗怯?a href="http://wenjunhu.com/tags/C++/" target="_blank">C++語(yǔ)言編寫(xiě)的。像傾斜和旋轉(zhuǎn)這樣的其他圖像增強(qiáng)技術(shù)，也有助于產(chǎn)生更多的訓(xùn)練樣本。

此外，還需要通過(guò)乘以-1.0翻轉(zhuǎn)其轉(zhuǎn)向角。

之后，可以用Numpy開(kāi)源庫(kù)將圖像重新塑造成一個(gè)三維數(shù)組，方便下一步的建模。

構(gòu)建理解環(huán)境的模型

圖像數(shù)據(jù)搞定后，我們需要為無(wú)人車(chē)構(gòu)建理解環(huán)境信息的深度學(xué)習(xí)模型，從記錄的圖像中提取特征。

具體來(lái)說(shuō)，我們的目標(biāo)是將包含153600像素的輸入圖像映射到包含單個(gè)浮點(diǎn)值的輸出。英偉達(dá)之前提出的模型的每一層都提供了特定的功能，作為基礎(chǔ)架構(gòu)效果應(yīng)該不錯(cuò)。

英偉達(dá)模型相關(guān)論文地址：

https://arxiv.org/pdf/1604.07316v1.pdf

之后，我們需要將三維數(shù)組規(guī)范化為單位長(zhǎng)度，防止模型中較大的值偏差。注意我們將其除以255.0，因?yàn)檫@是一個(gè)像素的最大可能值。

還要適當(dāng)減少人類視野以下的車(chē)前場(chǎng)景和車(chē)前上方圖像的像素，以減少噪音。

之后，我們需要將車(chē)道標(biāo)記等三維數(shù)組進(jìn)行卷積，提取關(guān)鍵特征，這些信息對(duì)于預(yù)測(cè)轉(zhuǎn)向角至關(guān)重要。

我們想讓開(kāi)發(fā)的模型能夠駕馭任何道路類型，因此需要用dropout減少過(guò)擬合。

最后，我們需要將轉(zhuǎn)向角輸出為float。

訓(xùn)練模型

構(gòu)建了模型后，我們需要訓(xùn)練模型自己學(xué)習(xí)開(kāi)車(chē)了。

從技術(shù)角度上講，現(xiàn)階段的目標(biāo)是盡量準(zhǔn)確地預(yù)測(cè)轉(zhuǎn)向角。在此，我們將損失定義為預(yù)測(cè)和實(shí)際轉(zhuǎn)向角之間的均方誤差。

從driving_log.csv中隨機(jī)抽取樣例減少順序偏差。

可以將樣本的80%設(shè)為訓(xùn)練集，20%設(shè)為驗(yàn)證集，這樣我們就能看到模型在預(yù)測(cè)轉(zhuǎn)向角時(shí)的精確程度。

之后，需要用Adam（自適應(yīng)矩估計(jì)）將平均平方誤差最小化。與梯度下降相比，Adam的一大優(yōu)勢(shì)是借用了物理中的動(dòng)量概念收斂到全局最優(yōu)值。

最后，我們用生成器來(lái)適應(yīng)模型。由于圖像數(shù)量龐大，我們無(wú)法一次性將整個(gè)訓(xùn)練集輸入到內(nèi)訓(xùn)中。因此，需要用生成器批量生產(chǎn)圖像以進(jìn)行訓(xùn)練。

隨時(shí)間精煉模型

完善模型是我們的最后一步，需要讓模型的準(zhǔn)確性和穩(wěn)健性隨著時(shí)間的推移而提高。我們的實(shí)驗(yàn)采用不同的體系結(jié)構(gòu)和超參數(shù)，觀察其對(duì)減少均方誤差的影響。什么樣的模型最好？不好意思，這個(gè)問(wèn)題沒(méi)有一個(gè)統(tǒng)一的答案，因?yàn)榇蟛糠指倪M(jìn)都需要犧牲其他的一些東西，比如：

用更好的圖形處理單元(GPU)減少訓(xùn)練時(shí)間，需要注意這樣會(huì)增加成本

通過(guò)降低訓(xùn)練時(shí)間來(lái)降低學(xué)習(xí)速度，增加最佳值收斂的概率

通過(guò)使用灰度圖像減少訓(xùn)練時(shí)間，需要注意這樣會(huì)損失紅色、綠色和藍(lán)色通道提供的顏色信息

通過(guò)較大的batch size提高梯度估計(jì)的準(zhǔn)確性，這會(huì)以犧牲使用的內(nèi)存為代價(jià)

每個(gè)階段都選用大量樣例來(lái)減少損失的波動(dòng)

概覽全文，其實(shí)可以發(fā)現(xiàn)，自動(dòng)駕駛汽車(chē)開(kāi)發(fā)的過(guò)程，也是我們了解計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)的優(yōu)勢(shì)和局限性的過(guò)程。

我堅(jiān)信，未來(lái)是屬于自動(dòng)駕駛的。