深度学习在自动驾驶上的的简单学习

携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第3天，点击查看活动详情

本系列为 MIT 6.S094 《用于自动驾驶的深度学习》的学习笔记。在课程中通过实践Deep Tesla （以端到端模型训练一个自动驾驶的启动模型）和 Deep Traffic（训练神经网络，利用强化学习控制汽车，模拟汽车在高速公路上的行驶），最后可以输出一个为自动驾驶搭建的深度学习系统。

实践项目

• 0. DeepTraffic：升读增强学习竞赛项目；
  1. SeFuse：Dynamic Driving Scene Segmentation，汽车通过原始视频根据实际动力学原理进行运动；
  2. DeepCrash：使用 DEEP RL 规避 High Speed Crash Avoidance；
  3. DeepTesla：使用大规模网来培训端到端的驾驶操作；

深度学习

• 为什么要在自动驾驶中使用深度学习？
• 深度学习（表示学习或者特征学习）能在没有任何解释的情况下提取源信息，并且构建分层表示允许生成各种洞察报告。
• 表征学习
  • 深度学习能够改善更多的数据。
  • 边缘情境的归纳是深度学习目前的主要挑战。
• 关键在于用对的角度来看待问题。
• 深度学习的类别
• 0. 监督学习：全部使用人工标注的数据；
  1. 扩展监督学习：所需人工标注数据和未标注数据持平；
  2. 半监督学习：少量人工标注数据以及大量未标注数据；
  3. 强化学习：极少量人工标注数据以及大量未标注数据；
  4. 无监督学习：全部使用未标注数据；

监督学习

• 训练阶段：

  0. 输入数据集
  1. 贴标签
  2. 在训练数据集上训练

• 测试阶段

  0. 使用新的数据集测试
  1. 输入学习模型
  2. 结果输出

学习阶段

• 前向运算：输入数据集，形成预测结果；
• 反向传播：测量预测结果和输出结果的偏差，计算结果误差。调参（超参数）以根据误差级调整数值。

现阶段的挑战

• 迁移学习：运行的表现和工作范围相关。挑战：跨领域的迁移学习困难。原因：对于推理过程的理解或者提取理解的能力。
• 需要大量的数据。
• 需要经过标注的数据。
• 不是完全自动的：需要调节超参数。
• 激励函数：很难确定一个合适的激励函数。
• 透明程度： 神经网络的性质接近黑盒子 （在我们可视化了隐藏的过程之后仍然是这样）。
• 边缘处理的情况：深度学习不擅长处理边缘数据的情况（特别是当它用于自动驾驶）。