日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

首頁 > 汽車技術 > 正文

行為克隆 | 自動駕駛汽車的端到端學習

2019-05-30 00:06:01·  來源：智車科技  作者：趙佳  
　
研究人員將使用udacity提供的模擬器，模擬車前部配有3個攝像頭，可記錄視頻以及與中央攝像頭對應的轉(zhuǎn)向角。行為克隆的本質(zhì)是克隆了驅(qū)動程序的行為。本文的實驗思
研究人員將使用udacity提供的模擬器，模擬車前部配有3個攝像頭，可記錄視頻以及與中央攝像頭對應的轉(zhuǎn)向角。
行為克隆的本質(zhì)是克隆了驅(qū)動程序的行為。本文的實驗思路是根據(jù)駕駛員駕駛的訓練數(shù)據(jù)訓練卷積神經(jīng)網(wǎng)絡（CNN）以模擬駕駛員。
 
NVIDIA曾發(fā)布了一篇題為End to End Learning for Self-DrivingCars 的文章，他們訓練CNN將原始像素從單個前置攝像頭直接映射到轉(zhuǎn)向命令。實驗結果令人非常震驚，汽車學會了在有或沒有車道標記的地方道路上或者在具有最少量訓練數(shù)據(jù)的高速公路上行駛。本次實驗，研究人員將使用udacity提供的模擬器，模擬車前部配有3個攝像頭，可記錄視頻以及與中央攝像頭對應的轉(zhuǎn)向角。
 
收集數(shù)據(jù)
 
模擬器有2個通道：第一個通道非常容易，曲線較小且很少，第二個通道很難，有許多曲線和陡峭的山坡。
 
研究人員將使用來自兩個軌道的訓練數(shù)據(jù)：
 
1.研究人員將駕駛兩條車道，將車保持在車道的中心位置。研究人員每人開車2圈。
2.研究人員將在兩條車道上各開一圈，并試圖漂移到兩側(cè)，或試圖轉(zhuǎn)向車道的中心。這將為研究人員提供模型校正的訓練數(shù)據(jù)。
圖分別為左、中、右視角
捕獲的數(shù)據(jù)包含左圖像，中心圖像和右圖像的路徑，轉(zhuǎn)向角度，油門，中斷和速度值。
注意：研究人員將使用所有左，中，右圖像。研究人員將通過一些調(diào)整來矯正left_image的轉(zhuǎn)向角度。同樣，研究人員將通過一些調(diào)整來矯正right_image的轉(zhuǎn)向角度。
數(shù)據(jù)不平衡
圖轉(zhuǎn)向角直方圖
 
上面的直方圖顯示了訓練數(shù)據(jù)的不平衡。左轉(zhuǎn)彎的數(shù)據(jù)多于右轉(zhuǎn)彎的數(shù)據(jù)。研究人員將通過隨機翻轉(zhuǎn)訓練圖像并將轉(zhuǎn)向角度調(diào)整為steering_angle來補償這一點。
此外，大多數(shù)轉(zhuǎn)向角集中在0-0.25左右，研究人員沒有太多的數(shù)據(jù)來獲得更大的轉(zhuǎn)向角。研究人員將通過一些像素水平和垂直地隨機移動圖像并相應地調(diào)整轉(zhuǎn)向角來補償這一點。

數(shù)據(jù)擴充
 
研究人員使用以下增補：
1.隨機翻轉(zhuǎn)一些圖像并將轉(zhuǎn)向角度調(diào)整為steering_angle
2.通過一些像素水平和垂直地隨機移動圖像，并使用小的調(diào)整因子調(diào)整轉(zhuǎn)向角度。
3.路上有樹木，柱子等陰影。因此，研究人員將為訓練圖像添加一些陰影。4.研究人員會隨機調(diào)整圖像的亮度。
以上這些是標準的OpenCV調(diào)整，代碼可以在GitHub存儲庫中找到。（詳見文末鏈接）
應用增強后，下面是一些訓練圖像的輸出。
前處理
本文期望圖像的輸入尺寸為66 * 200 * 3，而來自訓練的圖像尺寸為160 * 320 * 3。此外，紙張期望將輸入圖像從RGB轉(zhuǎn)換為YUV顏色空間。因此，研究人員將從輸入圖像裁剪上部40像素行和下部20像素行。此外，作為預處理的一部分，研究人員將裁剪的圖像大小調(diào)整為66 * 200 * 3大小并將其轉(zhuǎn)換為YUV色彩空間。
模型
這是本文中描述的PilotNet模型：
該模型具有以下層：
①標準化層（硬編碼）除以127.5并減去1。
②3個卷積層，24個，36個，48個過濾器，5 * 5內(nèi)核和2個步幅。
③2個卷積層，64個濾波器，3 * 3內(nèi)核和步幅1。
④展平層
⑤3個完全連接的層，輸出尺寸為100,50,10
⑥和輸出轉(zhuǎn)向角的最終輸出層。
研究人員將使用Mean Squared Error（MSE）作為損失函數(shù)和優(yōu)化器，并進行EarlyStopping回調(diào)。研究人員試圖訓練它40個epoch，它在36個epoch停止。
訓練60個epoch的模型，結果如下：
突出的特點：
1. 在每個圖層中，對要素圖的激活進行平均。
2.最平均的地圖按比例放大到下面圖層的地圖大小。使用反卷積完成放大。
3.然后將來自較高級別的放大的地圖與來自下層的平均地圖相乘。
4.重復步驟2和3直到達到輸入。
5.具有輸入圖像大小的最后一個掩模被標準化為0.0到1.0的范圍。
以下是可視化圖，顯示輸入圖像的哪些區(qū)域?qū)W(wǎng)絡的輸出貢獻最大。
在應用上述方法之后，下面是顯著的特征結果：
圖突出的車道標記
 
結論
PilotNet是一個非常強大的網(wǎng)絡，從駕駛員學習輸出正確的轉(zhuǎn)向角度。對顯著物體的檢查表明，PilotNet學習了對人類“有意義”的特征，同時忽略了與駕駛無關的攝像機圖像中的結構。此功能源自數(shù)據(jù)，無需手工標記。
參考文獻：
1.https://images.nvidia.com/content/tegra/automotive/images/2016/solutions/pdf/end-to-end-dl-using-px.pdf
2.https://arxiv.org/pdf/1704.07911.pdf
3.https://medium.com/@erikshestopal/udacity-behavioral-cloning-using-keras-ff55055a64c
4.https://github.com/naokishibuya/car-behavioral-cloning
 
 
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25