自动驾驶汽车的端到端进修

研究人员将使用udacity提供的模拟器，用三个摄像头模拟汽车前部，可以记录视频和中间摄像头对应的转向角度。

动作克隆的质量是克隆驱动程序的动作。本文的实验思路是根据驾驶员的驾驶实践数据，对卷积神经网络(CNN)进行训练，模拟驾驶员。

英伟达发表了一篇名为《自动驾驶汽车端到端学习》的文章。他们练习美国有线电视新闻网，将单个前置摄像头的原始像素直接映射到转向指令上。实验使人异常抖动，汽车学会了在有无车道标志的道路上行驶，或者在实践数据量最少的高速公路上行驶。本次试验，研究人员将运用udacity供应的模仿器，模仿车前部配有3个摄像头，可纪录视频以及与中间摄像头对应的转向角。

收集数据

模仿器有2个通道：的第一条通道极其容易，弯道很小很少，而第二条通道非常困难，弯道很多，坡度很陡。

研究人员将运用来自两个轨道的练习数据：

1.研究人员将驾驶两条车道，以保持汽车在车道的中间。研究人员每人开了两圈。

2.研究人员将在两条车道中的每一条车道上行驶一圈，并试图向两侧漂移，或者试图转向车道的中间。这将为研究者提供模具修改的实践数据。

图中分别为左、中、右三个视角。

采集的数据包括左图像、中图像和右图像的方式、转向角度、油门、中缀和速度值。

注：研究人员将使用所有左、中、右图像。研究人员将通过一些调解来纠正左图像的转向角度。同样，研究者也会通过一些中介来修正右像的旋转角度。

数据不平衡

转向角直方图

上面的直方图显示了练习数据的不平衡。左转的数据比右转多。研究人员将随机翻转运动图像，并将转向角调整为转向角，以对此进行补偿。

此外，大多数转向角在0-0.25左右，因此研究人员没有太多数据来获得更大的转向角。研究人员将通过测量一些像素的水温、随机垂直移动图像以及相应地调整转向角度来对此进行补偿。

数据扩大

研究人员运用以下补充：

em; text-align: left;">1．随机翻转一些图象并将转向角度调解为steering＿angle

2．经由过程一些像素水温和垂直地随机挪动图象，并运用小的调解因子调解转向角度。

3．路上有树木，柱子等暗影。因而，研究人员将为练习图象增加一些暗影。4．研究人员会随机调解图象的亮度。

以上这些是规范的OpenCV调解，代码能够在GitHub存储库中找到。（详见文末链接）

运用加强后，下面是一些练习图象的输出。

前处置惩罚

本文希冀图象的输入尺寸为66 ＊ 200 ＊ 3，而来自练习的图象尺寸为160 ＊ 320 ＊ 3。另外，纸张希冀将输入图象从RGB转换为YUV颜色空间。因而，研究人员将从输入图象裁剪上部40像素行和下部20像素行。另外，作为预处置惩罚的一部分，研究人员将裁剪的图象巨细调解为66 ＊ 200 ＊ 3巨细并将其转换为YUV颜色空间。

模子

这是本文中形貌的PilotNet模子：

该模子具有以基层：

①规范化层（硬编码）除以127．5并减去1。

②3个卷积层，24个，36个，48个过滤器，5 ＊ 5内核和2个步幅。

③2个卷积层，64个滤波器，3 ＊ 3内核和步幅1。

④展平层

⑤3个完整衔接的层，输出尺寸为100，50，10

⑥和输出转向角的终究输出层。

研究人员将运用Mean Squared Error（MSE）作为丧失函数和优化器，并举行EarlyStopping回调。研究人员试图练习它40个epoch，它在36个epoch住手。

练习60个epoch的模子，效果以下：

凸起的特性：

1． 在每一个图层中，对要素图的激活举行均匀。

2．最均匀的舆图按比例放大到下面图层的舆图巨细。运用反卷积完成放大。

3．然后将来自较高级别的放大的舆图与来自基层的均匀舆图相乘。

4．反复步调2和3直到到达输入。

5．具有输入图象巨细的末了一个掩模被规范化为0．0到1．0的局限。

以下是可视化图，显现输入图象的哪些地区对收集的输出孝敬最大。

在运用上述要领以后，下面是明显的特性效果：

图凸起的车道符号

结论

PilotNet是一个异常壮大的收集，从驾驶员进修输出准确的转向角度。对明显物体的搜检注解，PilotNet进修了对人类“有意义”的特性，同时疏忽了与驾驶无关的摄像机图象中的构造。此功用源自数据，无需手工符号。

智车派-专业有趣的说车新势力