在自动驾驶汽车技术中，卷积神经网路(CNN)已经证明是一种非常强大的道路特征辨识工具。经过工程师团队的训练，卷积神经网路可以侦测道路类型和路侧特征。在用于这种训练的各种资料集协助下，这种模型会以类似幼儿学步的方式教汽车学习驾驶技巧。
现有的驾驶评估系统如何训练和整合CNN模型，同时介绍了这种模型及其改进版本VGGNet的本质，以期更能理解这一相对未知的课题。 VGGNet的使用可以大幅提升预测的精准度，特别是考虑到车内驾驶人面前的摄影机时。
作为嵌入式系统，驾驶评估系统的运算能力是非常有限的。工程师团队受命在该模型和现有驾驶评估系统的基础上使用现实世界资料开发CNN，结果将涵盖在文末的总结部份。本文还讨论了CNN的模型整合和训练处理最佳化，同时强调了神经网路的再使用性。
驾驶评估系统
定期的驾驶人评估是车队管理和服务产业的一个重要步骤。具有正确回馈措施的定期评估可以提升驾驶人的表现。藉由近来机器学习领域的进步以及仪器使用的价值，我们可以轻松地将机密和精确的资料连接到登录的中央运算系统。这样的电脑和其它模组可以用于作为一套组合工具，以评估驾驶人的表现。
在传统的环境下，视讯提供的资料以及来自感测器的资料必须进行人为管理。但众所周知，人为管理很容易出错。
有鉴于此，能够智慧地摘要、分类并撷取资讯的机制特别管用，尤其是加上来自OBD-II的帮助。以下我们将讨论如何融合/结合这两组资讯，从而为驾驶人和管理者产生合理的结果。
这里的区别是什么？
伺服器端如果只有感测器资料，并不足以完成驾驶人的评估。例如，让我们看看一个即时的场景：在下坡时，一般意味着连续的加速，比方说8到10秒，远远超出发布的极限。这肯定会影响驾驶人在驾驶汽车时的表现资料。事实上，这是一种真阴性(TN；假阳性)的情形。
本文提出的系统有助于判断上坡和下坡，而检测到真阴性后可以改善驾驶人的评估。
实作细节
NeuralTalk2可用于分类影像。它使用卷积神经网路机制分类影像。针对每一种侦测到的特征，它都提供了置信值。
Convolution: f(x)=fD(…f2(f1(x;w1);w2)…),wD)
这里的fd作用是输入一个值xd和一个参数值wd，产生输出结果xd+1。虽然函数的类型和结果是人工的，但参数w=(w1,…,wD)是从训练中学到的。
非线性启动ReLU(调整过的线性单元)：
f(x)=max(0, x)
空间池化(spatial pooling)：
f(x) = max(Stride)
步骤3：计算总误差
总误差 = Σ1/2(目标误差–输出误差)2
步骤4：使用后向传播最大限度地减小误差。为此，先获得相对权重的梯度误差，然后使用梯度下降更新滤波器的值和参数，以尽量减小输出误差。这里发生改变的是滤波器值，连接权重也得到了更新。这是在完全连接层完成的。
w = wi – ƞ * dL/dw
w = Weight
wi = Initial Weight
ƞ = Learning Rate
由于这个应用与驾驶评估有关，因此他/她在驾驶时所处的场景是最重要的，而不是只是仪器读数。为了理解这种场景(让我们想像一条路)，我们需要一个非常好的分类器。为了克服这个问题，可以选择内部使用VGGNet的NeuralTalk2。 VGGNet是一种卷积网路，最擅于辨识物体的位置。它还擅长于分类物体本身。输入是一个影像，而输出则是概率。
VGGNet具有这种能力主要取决于一种因素。它相信为了辨识/分类影像，理解影像的深度是很有用的。进行越多的深度分析，影像的分类就越精确。换句话说，卷积的越多，物体分类的越好。 VGGNet共有16个卷积层，用于提升预测的精度。 CONV层执行3×3卷积，步幅为1，填充为1。 POOL层执行2×2最大共用，步幅为2，填充为0。
在训练阶段会为NeuralTalk2提供一套训练用的输入集。我们将训练集限制为直路、上坡、下坡、弯路、左转和右转。这在以更有效方式训练模型时特别有用，因为输入数量是有限的。这样做的目的是想在进行评估时取得更高的精确度。
所产生经训练的网路/模型可专门关注训练集提到的特征，如上坡、左转和右转。这个模型可以被移植到大多数X86 Linux电脑。
输入感测器：OBD-II是汽车内的标准介面。该硬体用于从终端感测器收集OBD-II的引擎转速、散热、速度资料，并将这些资料提供给运算模组作为输入。
评估仪表板：仪表板将为这些资料进行第一层分析，显示理想的和原始的资料图。当点选原始资料图上的任何点时，将会在该点显示资料集中可用的完整细节。
操作
前置摄影机记录汽车前方的视讯。当驾驶人驾车行经上坡时，很明显地会重踩油门以维持汽车前进的推动力。随后这些资料连同前置摄影机的视讯一并被记录到与硬体相连的储存装置中。
当驾驶人的旅程结束并将车子停在停车场后，这些记录的资料将会被分析。视讯和影像将会透过已内建训练分类模型的电脑进行分析。除了视讯外，还包括转速、速度、散热等其它汽车参数也会被分析。由于电脑已经学会了侦测上坡，因此会自动排除不断增加的汽车转速资料，这在传统装置中是不可能的。这种机制在避免错误地驾驶评估中是很有用的。
卷积神经网路模型和其它软体整合，将可提供更大的灵活性。未来的工作可以透过最佳化模型的整体训练过程加以实现。最佳化底层资料库函数和频繁使用的函数，可以大幅地改善整体训练过程。
文章来源:EET 电子工程专辑
关注行业动态，了解产业信息，以实现与时俱进，开拓创新，稳步发展。
标签: CNN 自动驾驶 OBD-II