Беспилотный автомобиль, также известный как автономное транспортное средство (AV), — это транспортное средство, способное воспринимать окружающую среду и безопасно двигаться практически без участия человека. Ожидается, что AV преуспеет в нескольких задачах, которые можно разделить на следующие:

  • Обнаружение объекта
  • Идентификация объекта или классификация объектов распознавания
  • Локализация объекта и прогноз движения
  • Распознавание речи и жестов водителя
  • Языковой перевод

В автономном автомобиле одной из основных задач алгоритма машинного обучения является непрерывная визуализация окружающей среды и прогнозирование возможных изменений в этой среде. Он строится с использованием классификации путем объединения данных с различных внешних и внутренних датчиков, таких как лидар, радары, камеры или IoT (Интернет вещей).

AV построены на комбинации контролируемых, неконтролируемых и подкрепляющих алгоритмов.

Обучение под наблюдением. Алгоритмы под наблюдением используют обучающий набор данных для обучения и продолжают обучение до тех пор, пока не достигнут желаемого уровня уверенности (минимизация вероятности ошибки). Алгоритмы с учителем можно разделить на:

  • Регрессия
  • Классификация
  • Обнаружение аномалий
  • Уменьшение размеров.

Неконтролируемое обучение. Неконтролируемые алгоритмы пытаются извлечь пользу из доступных данных. Это означает, что в доступных данных алгоритм развивает отношения для обнаружения закономерностей или делит набор данных на подгруппы в зависимости от уровня сходства между ними. Алгоритмы без учителя можно в значительной степени разделить на изучение правил ассоциации и кластеризацию.

Источник: Teradata — Древо алгоритмов машинного обучения

Обучение с подкреплением.Алгоритмы с подкреплением — это еще один набор алгоритмов машинного обучения, которые находятся между неконтролируемым и контролируемым обучением. Для каждого обучающего примера есть целевая метка в обучении с учителем; в неконтролируемом обучении вообще нет меток; обучение с подкреплением состоит из отсроченных по времени и разреженных меток — будущих вознаграждений.

В частности, для AV или беспилотных автомобилей продукт построен на основе следующих нескольких избранных алгоритмов обучения с учителем, без учителя и с подкреплением, как показано ниже:

  • Алгоритмы регрессии
  • Алгоритмы распознавания образов (классификация)
  • Кластерные алгоритмы
  • Алгоритмы матрицы решений

Алгоритмы регрессии. В усовершенствованных системах помощи водителю (ADAS) изображения (радар или камера) играют очень важную роль в локализации и срабатывании, а самой большой проблемой для любого алгоритма является разработка модели на основе изображений. для предсказания и выбора признаков. Типы алгоритмов регрессии, которые можно использовать для беспилотных автомобилей, включают, среди прочего, байесовскую регрессию, регрессию нейронной сети и регрессию леса решений.

Алгоритмы распознавания образов (классификация): в ADAS изображения, полученные с помощью датчиков, содержат все типы данных об окружающей среде; фильтрация изображений необходима для распознавания экземпляров категории объектов путем исключения нерелевантных точек данных. Алгоритмы распознавания образов хорошо исключают необычные точки данных. Распознавание закономерностей в наборе данных является важным шагом перед классификацией объектов. Эти типы алгоритмов также могут быть определены как алгоритмы сокращения данных.

Эти алгоритмы помогают сократить набор данных за счет обнаружения краев объектов и подгонки сегментов линий (полилиний) и дуг окружности к краям. Сегменты линии выравниваются по краям до угла, затем начинается новый сегмент линии. Дуги окружности соответствуют последовательностям отрезков, которые аппроксимируют дугу. Элементы изображения (отрезки линий и дуги окружностей) комбинируются различными способами, образуя признаки, используемые для распознавания объекта.

Машины опорных векторов (SVM) с гистограммами ориентированных градиентов (HOG) и анализом главных компонентов (PCA) являются наиболее распространенными алгоритмами распознавания, используемыми в ADAS. Также используется правило принятия решений Байеса и K ближайших соседей (KNN).

Кластеризация: иногда изображения, полученные системой, нечеткие, и обнаружить и определить местонахождение объектов сложно. Также возможно, что алгоритмы классификации могут пропустить объект и не классифицировать и сообщить о нем системе. Причиной могут быть изображения с низким разрешением, очень мало точек данных или прерывистые данные. Этот тип алгоритма хорош для обнаружения структуры по точкам данных. Как и регрессия, он описывает класс проблем и класс методов. Методы кластеризации обычно организуются с помощью таких подходов к моделированию, как центроидный и иерархический. Все методы связаны с использованием присущих данным структур для наилучшей организации данных в группы максимальной общности. Наиболее часто используемый тип алгоритма — это алгоритм K-средних, многоклассовая нейронная сеть.

Алгоритмы матрицы решений. Алгоритмы этого типа хорошо подходят для систематического определения, анализа и оценки эффективности взаимосвязей между наборами значений и информации. Эти алгоритмы в основном используются для принятия решений. Нужно ли автомобилю повернуть налево или нужно затормозить, зависит от уровня уверенности алгоритмов в классификации, распознавании и прогнозировании следующего движения объектов. Эти алгоритмы представляют собой модели, состоящие из нескольких независимо обученных моделей принятия решений, прогнозы которых каким-то образом комбинируются для получения общего прогноза при одновременном снижении вероятности ошибок при принятии решений. Наиболее часто используемые алгоритмы — повышение градиента (GDM) и AdaBoosting.