基于深度学习的无人驾驶技术研究

张宇

摘要：本文首先介绍了无人驾驶汽车的内涵，并对全球的无人驾驶在近几年的发展历史以及研究现状进行了阐述;其次分析我国无人驾驶汽车技术发展面临的主要问题，并提出一定的解决方案;同时分析了深度学习在无人驾驶领域的应用，最后对无人驾驶领域方面的未来做出预测。

关键词：无人驾驶;深度学习;卷积神经网络;计算机视觉

0  引言

近年来随着人工智能技术的再一次爆发式发展，更多的相关技术被应用于自动驾驶这一行业。许多传统汽车行业在汽车自动驾驶技术方面的研究取得了长足进步，互联网、高精度地图与智能驾驶技术的结合使无人驾驶汽车技术得到了巨大的发展，使其有着广阔的应用前景。除此之外，像国外的丰田、谷歌;国内的百度、驭势科技等大公司都在该领域投资并研发自动驾驶汽车，且结果令人满意。丰田宣布旗下自动驾驶系统将于2020年正式量产，谷歌的自动驾驶汽车已经安全行驶超过14万英里;而国内的百度则在2015年年底宣布其自动驾驶汽车计划三年商用五年量产，驭势科技在2017年1月份发布首款无人电动车，没有方向盘像个大包厢。可以预见，在不久的将来，无人驾驶技术将完全成熟，并且无人驾驶汽车也将得到量产[1]。

然而就目前来说，无人驾驶汽车还存在着包括无人驾驶汽车工作原理、体系架构以及具体实现方法等问题;因为无人驾驶汽车今后要面向普罗大众，所以还需要考虑成本问题，而且无人驾驶汽车离量产还有一定的距离。针对以上提出的问题，对当前研究现状进行描述并分析，寻求解决方法，以期对未来的研究提供理论基础和技术支持。

1  无人驾驶汽车发展现状

1.1 国内无人驾驶汽车发展现状

国内的无人驾驶汽车发展较晚。但在1992年国防科技大学成功研制出了中国第一辆无人驾驶汽车[2]，并且是首个中国自主研制的无人驾驶汽车，这次成功说明了中国无人驾驶技术正在走向成熟并达到世界先进水平[3]。此外，在近几年中国各大企业也开始了在无人驾驶领域的研究。例如2017年3月30日，由驭势科技自主研发制造的无人驾驶场地车（见图1）在广州白云机场P4停车场内完成试运营的第一次尝试[4]。2016年11月05日上午，国内智能驾驶研发公司驭势科技（北京）有限公司在房山区举行驭势科技智能汽车示范运营启动暨智能网联汽车产业发展战略合作签约仪式。并与房山区政府签订《智能网联汽车产业发展战略合作协议》，以便在将来全方位的与房山区政府共同打造智能汽车示范运营的战略合作[5]。百度深度学习研究院在2013年研发的无人驾驶汽车项目。在2014年成立的车联网事业部，2015 年底与宝马合作在北京五环上展示的全自动驾驶原型车，以及在2016年与乌镇旅游达成战略签议并宣布将在乌镇旅游景区实现 Level4 的无人驾驶（见图 2）[6]。

1.2 国外无人驾驶汽车发展现状

国外无人驾驶汽车发展较早，并且在长时间的努力下得到了长足的进步[7]。美国卡纳基梅隆大学在1995年研制的无人驾驶汽车 Navllab-V，Google X 实验室研制的无人驾驶汽车，大众汽车公司与斯坦福大学共同改装的大众途锐，英国的布里斯托尔大学和先进的交通系统公司在2010年合作研发的一款无人驾驶汽车都说明国外的无人驾驶技术发展到了一定的程度且未来十分乐观。其中属GoogleX 实验室研制的无人驾驶汽车最为成熟。这辆无人驾驶汽车不仅被美国内华达州的机动车驾驶管理处颁发了美国首例自动驾驶汽车的路测许可[8]，而且在2015 年 6 月开始上路测试。根据 Google 发布的自动驾驶项目月报显示，截至 2016 年 8 月 30 日，这辆无人驾驶汽车累计行驶距离已经超过约 2.9×106km，平均每周1.5～1.7万英里[9-10]。紧接着特斯拉 ModelS 系列汽车吸引了各界的眼球。为了让汽车更好的感知环境，该公司还在汽车上安装了雷达、摄像头等设备，更好的利用这些传感器来实现自动并道、自动停车等辅助功能。2016年8月25日NuTonomy 公司推出了一款全新的无人驾驶出租车，该车配备六套激光雷达以及表盘上装有两个摄像头用来检查红绿灯的变化情况以及检测障碍物。这种出租汽车不仅可以检测道路上的物体，还能检测出汽车周围的静态物体，其技术已经相当成熟并完成了试运营载客。

1.3 目前无人驾驶汽车遇到的问题

由以上叙述可以看出中国的无人驾驶汽车同其他欧美国家相比还有很长的路要走。我认为最有空间提升的是技术层面，第一点是多传感器信息融合问题;第二点是设备成本过高问题。就第一点而言，汽车的视觉能力太低就是一大问题。由于现在的计算机视觉系统还很低端，其需要应对实时检测道路、认识交通标志以及交通灯等一系列复杂的环境因素的影响。因此就目前来講，综合利用各种传感器的优势从而更好的进行信息融合是一种解决办法。例如用毫米波雷达捕获车道线以及交通灯颜色等信息并用激光雷达进行测距，最后将两种雷达与视觉传感器相融合，进而解决计算机视觉能力不足的问题。由此可知，如何更好的融合各类传感器收集到的信息从而应对各种突发事件与挑战，是目前实现无人驾驶的关键。对于设备成本过高这一问题我认为是由于激光雷达售价过高导致的，所以现在的无人驾驶汽车所使用的传感器主要还是毫米波和摄像头。就摄像头而言如果使用单摄像头的话容易产生距离误差，而多摄像头又会造成额外的成本。此外，光照条件太差也会对光学摄像头造成一定的影响。所以近年来越来越多的企业和公司开始通过使用双/多摄像头来应对复杂的车道环境从而实现无人驾驶以及利用 GPU 强大的并行运算能力来大幅度降低计算成本，上述解决方案更是为深度学习应用在自动驾驶领域奠定了基础。

2  深度学习在自动驾驶中的应用

有许多公司将深度学习应用在了无人驾驶上，其中数Mobileye公司最具代表性。此公司在汽车的视觉系统中应用了卷积神经网络并取得了非常理想的效果。其生产的芯片 EyeQ4，不仅可以满足每秒超过2.5万亿次TOPS浮点运算的超高强度要求，还符合车用系统芯片3瓦左右的低能耗标准。提升的运算性能保证基于EyeQ4芯片的高级驾驶员辅助系统可以选用更先进的计算机视觉处理算法，例如深度层次化网络和图像模型，从而实现以每秒36帧的速度，同时处理8个摄像头的影像信息。此外利用深度学习方法对图像处理的高效性这一特点，可以使无人驾驶汽车利用单/双摄像头来代替昂贵的激光扫描仪建立的 3-D 全景地图进而实现对自动控制的需求，利用上述方法使摄像头模拟人眼生成的立体空间图像进而更轻松的判断距离和实现更好的自动控制功能。

2.1 深度学习原理

深度学习在无人驾驶中的应用十分广泛，在图像识别领域中属卷积神经网络应用最为成熟并已成为无人驾驶感知部分必不可少的技术研究点。LeNet是早期推动深度学习发展的卷积神经网络之一。这是Yann LeCun多次成功迭代后得到的开创性工作，称之为LeNet5。它主要包含四块：卷积层（Convolutional Layer），激活函數（Activation Function），池化层（PoolingLayer），全连接层（Fully Connected Layer）。

2.2 目标检测

目标检测，也叫目标提取，它把目标分割并识别，其实时性与准确性在整个系统中十分重要。目标识别对于人来说似乎并不困难，但是计算机面对的是RGB像素矩阵，计算机难以准确的提取出一张图片上的诸如猫或狗这一类目标，且大部分情况是一张图片上不仅有目标还有十分复杂的背景，这就对计算机的目标检测加大了难度，由此观之目标检测这项技术十分重要。但就目前来说人脸检测和行人检测已经有非常成熟的技术了。虽然普通的目标检测也有过很多的尝试，但是效果总是差强人意。

在目标检测中一般使用基于卷积神经网络的深度学习模型。其原理是首先输入一张可能含有人脸的图片，然后输出为人脸位置的bounding box，这一过程称之为人脸识别。其次输入原始图片和人脸位置的bounding box，输出为“校准”过的只含有人脸的图像，这一步我们一般叫Face Alignment。第三步为输入“校准”后的人脸图片，输出为一个向量表示，这一步就用到了就卷积神经网络，它把输入的图片转化成了一个向量表示。最后通过人脸验证、人脸聚类或人脸识别来实现多种多样的人脸检测，进而达到各种目标。不过就目前来说，其他物品的目标检测技术还不是很成熟，后续发展仍拭目以待。

3  结论

通过对无人驾驶基本概况分析，以及深度学习的原理阐述，发现西方欧美国家的无人驾驶技术发展比国内发展早且技术较为成熟。目前无人驾驶汽车遇到的主要问题为多传感器的融合与如何降低成本。在目标检测中一般使用基于卷积神经网络的深度学习模型。在疲劳驾驶状态检测领域，以深度学习模型CNN为主并使用Perclos疲劳判断准则判断疲劳状态。

无人驾驶汽车发展的终极目标，就是建立一个车辆信息化、网络化的自动平台，一个实时、高效的无人驾驶系统可以极大地提高社会生产力，产生巨大的社会效益，并且改善人们的出行方式，让我们的生活环境更美好。因此我们需要吸取传统自动驾驶技术中的精华，借鉴深度学习研究的成果，整合传统特征和深度学习特征，取其精华，去其糟粕，设计自动驾驶技术的新算法，进一步提升深度驾驶的实用化和拟人化水平。

参考文献：

[1]倪暖.自动驾驶也分三六九等？[EB/OL].（2016-8-07）[2016-09-27] http：//www.ednchina.com/news/article/201608170801.

[2]戴斌，聂一呜，孙振平，等.地面无人驾驶技术现状及应用[J].汽车与安全，2012（3）：46-49.

[3]杨帆.无人驾驶汽车的发展现状和展望[J].上海汽车，2014（3）：35-40.

[4]华军软件园.http：//news.onlinedown.net/it/85126.html.

[5]人民网.http：//kpzg.people.com.cn/GB/n1/2016/1105/c404

389-28837361.html.

[6]王丽娜.蓄势待发的无人驾驶汽车[J].科技导报，2016，34（6）：8.

[7]佚名.无人驾驶汽车[EB/OL].（2016-06-10）[2016-09-27]http：//baike.baidu.com/link？url=iObG6G1U5wmuVNCdgm7wXDpV8418yWtKAlBAVjC4xyVEL7Lgy3fgfkpsda4qiABZHCsxtQ9J9xqqcsZdTu_vF6kAT6xwu7zedQw2ggyuqa.

[8]林靖东.美国内华达州批准谷歌无人驾驶汽车上路测[EB/OL].（2012-05-08）[2016-09-27]http：//tech.qq.com/a/20120508/000235.htm.

[9]GREENBLATT N A. Self-driving cars and the law[J]. IEEEspectrum， 2016， 53（2）： 46-51.

[10]欧阳.谷歌的“笑脸”GoogleSelf-DrivingCar[J].计算机应用文摘，2014（12）：72.