據(jù)外媒報道，葉史瓦大學(xué)卡茨學(xué)院（Katz School）的研究人員推出自動駕駛汽車卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，可以減少與自動駕駛汽車相關(guān)的交通事故數(shù)量。因其在機器學(xué)習(xí)算法方面的杰出貢獻(xiàn)，葉史瓦大學(xué)卡茨學(xué)院還獲得未來技術(shù)會議（Future Technologies Conference）頒發(fā)的新興研究獎（Emerging Research Award）。

（圖片來源：葉史瓦大學(xué)）

卡茨學(xué)院人工智能和計算機科學(xué)助理教授Youshan Zhang和人工智能碩士候選人Lakshmikar Polamreddy表示，這種自動駕駛汽車卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型旨在解決該領(lǐng)域以往工作的局限性。

該LaksNet模型使用從Udacity模擬器收集的圖像和轉(zhuǎn)向角度。Udacity模擬器是用于訓(xùn)練和測試自動駕駛深度學(xué)習(xí)算法的開源模擬器，包括對汽車及其周圍環(huán)境的虛擬表示（virtual representation），支持用戶實施和測試任務(wù)（如感知、決策和控制）算法，從而為學(xué)習(xí)和試驗自動駕駛技術(shù)提供安全的環(huán)境。Zhang表示：“這種方法涉及使用大量數(shù)據(jù)（通常以從攝像頭收集圖像的形式）來構(gòu)建和訓(xùn)練端到端機器學(xué)習(xí)模型。這些模型被訓(xùn)練成以盡量減少事故的方式駕駛車輛?！?/p>

CNN是專為圖像識別和處理而設(shè)計的人工神經(jīng)網(wǎng)絡(luò)，其靈感來自于人腦的視覺處理，其特點是能夠自動學(xué)習(xí)圖像特征的空間層次結(jié)構(gòu)。它們已成為許多計算機視覺應(yīng)用的支柱，包括自動駕駛汽車、面部識別、圖像分類和醫(yī)學(xué)圖像分析。

研究人員此次開發(fā)的CNN模型名為LaksNet，使用由Udacity自動駕駛汽車納米學(xué)位項目（Udacity's self-driving car nanodegree program）提供的模擬環(huán)境來生成訓(xùn)練數(shù)據(jù)并評估模型性能。該方法使用13萬張圖像及其在Udacity模擬器中生成的相關(guān)轉(zhuǎn)向角來訓(xùn)練CNN模型。在經(jīng)過所需數(shù)量的紀(jì)元（epoch，紀(jì)元是一次完整的訓(xùn)練數(shù)據(jù)集傳遞）訓(xùn)練后，該模型可用于預(yù)測轉(zhuǎn)向角值，然后將其傳遞到模擬器中。Polamreddy表示：“紀(jì)元太少可能導(dǎo)致擬合不足，即模型無法了解數(shù)據(jù)中的潛在模式。另一方面，太多的紀(jì)元可能會導(dǎo)致過度擬合，使模型過度專注于特定的訓(xùn)練數(shù)據(jù)，并且在新的、未見過的數(shù)據(jù)上表現(xiàn)不佳?！?/p>

研究人員利用LaksNet來評估英偉達(dá)公司（NVIDIA）開發(fā)的模型性能。該模型的設(shè)計旨在直接根據(jù)攝像頭視頻中的原始像素來預(yù)測轉(zhuǎn)向角。研究人員隨后探討了預(yù)訓(xùn)練ImageNet模型能否超越英偉達(dá)模型。預(yù)訓(xùn)練ImageNet模型通常用于各種計算機視覺任務(wù)，包括自動駕駛汽車中的對象識別和檢測。

在測試階段，研究人員監(jiān)控終端上的轉(zhuǎn)向角度，并在模擬器窗口實時觀察汽車的運動狀況。它為訓(xùn)練和測試提供了兩條不同的軌道，通過三個安裝在不同角度的攝像頭拍攝圖像。他們還收集汽車的視圖，包括跑道、汽車本身和跑道外的環(huán)境。

由于預(yù)訓(xùn)練模型沒有達(dá)到英偉達(dá)模型設(shè)定的期望值，研究人員開始針對這項任務(wù)構(gòu)建自己的CNN模型。其中一款定制CNN模型的性能優(yōu)于預(yù)訓(xùn)練模型和英偉達(dá)模型，使汽車可以在跑道上自動行駛150秒。Zhang表示：“我們開發(fā)了一種新穎的模型，其中有兩個主要目標(biāo)，包括實現(xiàn)最先進(jìn)的性能和使用更少的參數(shù)進(jìn)行訓(xùn)練。這種模型對于減少自動駕駛事故更加高效和有效。”