神经网络在汽车的世界

神经网络是什么?

神经网络是计算机系统被设计用来模拟人类大脑。网络创造了一个框架为多个算法实现整体目标共同努力。神经网络本质上是为了想在众多的方法,因为它们将大数据集,以及过程中,它通过各种流程,作为人类,解决问题,达到数据驱动的结论。

神经网络的使用大量不同的各行业随着机器学习越来越普遍。神经网络用于分类信息,组中的数据逻辑方法,根据现有的数据和预测结果。神经网络在金融领域设计管理信息的密度/高体积与高精度整理。30层深的谷歌使用神经网络(截至2016年,所以你可以打赌现在大了)来改善搜索引擎结果。

神经网络也正在大量利用自动车辆的发展,依赖于对成功和安全分析和预测能力。深层神经网络(款)是关键自主车辆当他们从传感器收集输入数据,过程,然后生成正确的行为。有两种主要类型的神经网络用于汽车行业:卷积神经网络和递归神经网络。

类型的神经网络:

卷积神经网络(CNN)

cnn用于视觉模式识别,灵感来自动物识别视觉图像的方法。cnn的主要好处是网络利用训练例子来了解对象或特性(接触前),这意味着该系统识别熟悉的元素在未来更快和更少的参数。

CNN在自主车辆障碍物检测是很重要的。他们的能力在复杂环境因素并对其进行分类,一样一个驾驶员,在防止碰撞是至关重要的。cnn可用于障碍检测和深度估计,允许自动车辆对环境持续适当的方式做出反应。当系统接收和处理数据,它是学习和改善与每个额外的输入数据的准确性。正如人类成为更好的司机与实践(我们希望),cnn提供更好的输出与实践。

递归神经网络(RNN)

RNNs旨在分析数据和行为随着时间的推移,学习模式和行为的数据。随着时间的推移像cnn, RNNs获得更高的精度;一组使用RNNs生成产品评论,仅仅通过RNN首先分析网站评论是基于。算法从现有的评论,最终产生文字内容非常相似的语言,源数据术语和语法。

在自动车辆,RNNs用于追踪移动物体并确定潜在的碰撞。随着时间的推移,RNNs能够预测最可能的路径移动物体,比如一个行人接近人行横道,做出更聪明的决定车辆应该做些什么来避免危险的处境。

提高电流自动驾驶技术和神经网络

cnn的最大价值和RNNs能力增加精度,因为他们继续学习的数据输入。Wayve,无人驾驶汽车启动位于英国,感觉这是拥有自主车辆是成功的关键。他们认为优先在编程车辆不应规则,比如if - then - else编程语句。相反,他们提倡车辆通过机器学习数据驱动的时刻。

为什么好吗?因为基于规则的系统将永远无法预测所有可能的情况。更多的规则还要求更多的数据,这意味着多个传感器需要更多的资源。相反,Wayve创始人认为,我们应该建立人工智能车辆让他们反应更像人类;即使在没有预定程序的新情况。

神经网络在汽车行业的挑战

当然,自驾车辆的主要问题仍然是适用于那些使用神经网络:缺乏道德的决策。而神经网络使车辆能够学习和做出更好的预测和反应,还有缺乏道德推理,人类司机使用。

伦理问题在驾驶不仅仅是极端情况下,如汽车选择打一群行人或者开车悬崖和伤害或杀害的人。算法为自主开发的车辆将被广泛应用,这意味着程序员和工程师做出的决定将基本上适用于每个人。压力和犹豫将继续打压未来几年汽车行业。

结论

智能设备似乎提供了一个更积极的和智能的解决方案为汽车行业。Wayve越来越受人关注公司就像日光反射信号器技术类似的路径创建深度学习设备过程感知数据的时刻,正如人类司机。还有工作要做在这些解决方案的处理能力和规模要求驾驶一辆车,但它确实表明人工智能可以提供最像人类解决方案背后的车轮。