导读：深度学习在无人驾驶技术中主要是感知、局部路径规划、决策控制方面应用。无人驾驶技术由四大模块驱动：环境感知模块、规划与导航模块、决策模块、主控模块。其中决策模块是无人驾驶汽车系统的核心，其主要任务是根据环境感知系统获得的环境信息、车辆当前状态以及任务规划层规划的任务目标，采取恰当行为，保证车辆顺利地完成任务。
参考《2016-2022年中国无人驾驶汽车行业产销调研及十三五投资战略规划报告》
无人驾驶技术由四大模块驱动：环境感知模块、规划与导航模块、决策模块、主控模块。其中决策模块是无人驾驶汽车系统的核心，其主要任务是根据环境感知系统获得的环境信息、车辆当前状态以及任务规划层规划的任务目标，采取恰当行为，保证车辆顺利地完成任务。
1)感知
感知层需要完成环境态势感知，这个是无人驾驶的首要环节。理解整个驾驶环境是无人驾驶中执行动作的前提。其中环境又分为车外环境和车内环境。
车外环境需依靠多种传感器的输入，比如多摄像头、毫米波雷达以及激光雷达等，通过融合映射到一个统一的坐标系中，这些图像信息需要进行物体的识别和分类，比如车道、路肩、车辆、行人等等。利用深度学习，在计算系统中重构出来一个 3D 环境，这个环境中的各个物体都会被识别并理解。车内环境指对车内驾驶员的感知，包括其疲劳程度、驾驶意图等，如疲劳检测系统在检测到驾驶员进入严重的疲劳状态后，自动将驾驶状态从人工操控转为无人驾驶，基于深度学习的人脸识别将提高感知驾驶员的效率。
2)局部路径规划
路径规划需要对车外环境中车辆、交通状况和行人等的意图或者在一段时间内的行为进行预测，结合本车的状态和高精度地图提供的道路信息等，规划出最佳的行驶路径，达到满足驾驶意图，并对周围的车辆友好、安全的目的。
通过积累大量里程数据的训练，基于深度学习的系统可以给出最优规划。同时深度学习必须和交通规则的专家系统，以及其它高可靠性手段结合，才能够实现安全高效的无人驾驶。例如 V2X 的普及，会使得本车可以在超视距范围内，精确地获取周围车辆的位臵、速度以及驾驶意图（转弯/变道）等。
3)决策控制
在路径规划确定后需要进行本车意图决策，比如进行超车、转弯、变道的最优控制等等。无人驾驶系统需要学习理解人类开车的习惯，在与传统汽车同时行驶时，学会在复杂的场景下进行操作、保持合理的车距等。深度学习在复杂决策控制中将发挥作用。
在深度学习技术引入之前，数据处理采用传统的机器学习，通过人为地提取所需解决问题的特征或者总结规律来进行编程，进而实现所需功能，这种方法相当费力，并且在处理复杂场景时的难度更大，因为高度复杂的场景很难用有限的规则来定义清楚，甚至会出现在新场景出现时无法给出有效解决方案。比如人车交互中无法识别新的动作和不规范的语音表达，在环境感知中无法判断传感器获取的数据，对未遇见的路况难以做出及时有效的反映等等。相比较而言，深度学习可以自动学习提取抽象特征，在处理复杂场景时的优势就体现出来。
资料来源：公开资料，中国报告网整理，转载请注明出处（ww）。
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com，我们将及时沟通与处理。
