智能软硬件完美结合
就目前而言，市面上多数自动驾驶汽车均配备了雷达和摄像头等传感器，以检测车辆周边环境或者提供实时路况信息。同时使用深度学习技术对摄像头捕捉到的画面进行语义分割处理，通过多个来源的数据进行建模分析，自动驾驶系统得以了解到实时的路况信息，以做出正确的决策。
语义分割
语义分割是指将图像中不同种类的物体在像素级别上区分开来，这比较类似于大家所了解的“抠图”。
2012年以来，深度学习技术被广泛的应用于语义分割问题。SegNet是其中的一个典型的例子。这一成果由剑桥大学研究人员于2015年底发布，其主要的贡献是将基于卷积神经网络的自编码结构应用于语义分割问题。自编码结构是压缩再解压缩的过程，能够保留输入的主要特征；而卷积神经网络恰好能够提取图像的关键特征。将这两种技术相结合，能够以较高的准确率实现对图像的语义分割。此外，在深度学习技术完成对图像的初步分割之后，诸如条件随机场一类的概率图模型能够进一步提高语义分割的准确率。
SegNet结构中，Input为输入图片，Output为输出分割的图像，不同颜色代表不同的分类。语义分割的重要性就在于不仅告诉你图片中某个东西是什么，告知你他在图片的位置。我们可以看到是一个对称网络，由中间绿色pooling层与红色upsampling层作为分割，左边是卷积提取高维特征，并通过pooling使图片变小，SegNet作者称为Encoder，右边是反卷积与upsampling，通过反卷积使得图像分类后特征得以重现，upsampling使图像变大，SegNet作者称为Decoder，最后通过Softmax，输出不同分类的最大值。
语义分割决定行驶轨迹
语义分割技术为自动驾驶汽车提供了明亮的眼睛，可以说，语义分割技术直接关系到自动驾驶汽车对路线的决策，是无人驾驶方案中最核心的技术之一。目前，无人驾驶研究团队的一个重要研究方向就是提升语义分割技术的准确率，这项技术是其生产的无人驾驶汽车能够投入实际场景使用的关键。
家庭中常用的智能扫地机器人用的就是语义分割。扫地机器人将周围环境收录后进行语义分割，其结果就是可以很好的躲避障碍物。
自动驾驶比人类驾驶更安全
在无人驾驶中，人们可能陷入了“完美陷阱”。对于人工智能的期待过于完美，而技术没有完美的，无人驾驶不等于无交通事故，无人驾驶也不可能不出事故，只要安全性比人类驾驶员更高就是可行的。
正常人的反应时间为0.15秒-0.4秒。如果以60公里每小时的速度行驶，那么0.2秒的时间足可以让车辆行驶3.3米。显然这是非常可怕的。而对于计算机来说，反应时间会大大缩短。理论上来说，自动驾驶比人类驾驶更安全。
语义分割：无人驾驶的驾驶证
无人驾驶原理是将语义分割图像不断的提供给计算机训练从而使计算机拥有识别能力。现在多数语义分割的源数据是由人工完成，所以人工完成语义分割的质量很大程度上决定着无人驾驶的安全性。
一个优质的语义分割数据源，是0像素相切分割，在图像的每个细节都几乎做到极致的做打点拉框。龙猫数据在语义分割有着丰富的经验和技术支持。
了解无人驾驶，继续拥抱科技
工信部27日公布了《2018年智能网联汽车标准化工作要点》，要求2018年将积极开展自动驾驶相关标准的研究与制定。而百度公司董事长兼首席执行官李彦宏在26日举办的中国发展高层论坛上则预计，随着无人驾驶技术的进一步发展，无人车会在3-5年内进入开放道路行驶。无人驾驶注定会来到我们的生活，此刻让我们一起向科技招手，共同拥抱未来！
网友评论