中國人工智慧協會（AI前沿講習班）

第一個是
**

薛建儒的“無人駕駛的深度學習方法探索與研究”

**
1，無人車的研究現狀
2，視覺主導的場景理解
3，運動決策
4，端到端的感知運動
1

• 研究現狀

16年的特斯拉—18的Uber—waymo（谷歌）
經歷了輔助駕駛-自動駕駛–自主駕駛
無人駕駛就是經歷一個感知到理解的過程，感知主要依賴於感測器，然後做一個結構化描述，這個結構化描述就是通過相機-鐳射-雷達的協同對於場景做一個不變性的表徵，根據這個結構化的描述做一個度量，進行預測，進一步做出決策。

• 場景理解
  分為靜態場景理解和動態場景理解，靜態場景理解主要完成的任務就是定位和導航，包括道路邊界線，車道線。動態場景理解主要是安全駕駛，包括佔據車道，運動軌跡，交通規則。
  靜態
  之前採用的都是幾何物理的方法，通過幾何度量達到語義的推導與預測，度量是否是安全距離，是否遵守交通規則。也可以使用機器學習的方法進行檢測。
  靜態的定位可以是有區域性拼接組合成全域性的來進行預測，主要有兩個方法，分比別為用歷史的觀測進行預測和將所有的資料都放在一起進行預測。
  引入了地圖進行靜態場景的預測、
  1，使用深度網路的slam,預測位姿變化使用遞迴網路，圖優化的方法
  2在地圖上加入運動規劃，地圖建立lstm，分層優化用CNN
  3引入主動互動的強化學習，主要是初始位置和位置位置的獲取，可以使用貝葉斯濾波加策略學習
  動態
  可以包括對於周邊車輛的行為分析，（檢測-追蹤-識別這三個方面進行整合），融合3D鐳射點雲的視覺障礙，在時間和空間上做對齊。用鐳射點雲去除faster-rcnn的行人檢測的虛警，點雲在faster-rcnn做校驗。
  分層架構
  1，行為決策（是超車，還是換道）
  2，運動規劃，（運動軌跡，從初始狀態到目標狀態，是在一定的約束條件下比如最大速度）
  3，運動控制，使車沿著期望的路徑行駛

• 運動決策

策略學習就是，最優的路徑是什麼，道路光滑程度，形狀
結構化的場景到非結構的場景，行為決策加路徑規劃聯合學習

• 感知運動劃分很多環節（類人技術）
  構建敏捷靈巧的記憶與注意力網路，從記憶到推理然後學習，需要結合強化學習和深度學習。

深度學習的稀疏性和稠密行的探討

一個已經訓練好的網路具有一定的稀疏性。

• sparce activity

• stacking
  就是反覆利用上幾層的結果作為新的模型的輸入，
  gan網路的堆疊做陰影的檢測，包括陰影的detection and removal

• dense topology
  deep residual network
  densenet，層與層之間的全連線
  stacking net。密集的拓撲結構
  resnet，表面是跨層，其實是全聯接，依賴所有層的輸出結果。
  resnet是取並，densenet是加
  總結
  1，深度網路的拓撲結構應該是密集的，多層連線代表無限可能
  2隨著訓練，網路結構是稀疏的，可以節能高效的處理任務。
  這些與人腦的成長是類似的，

面向視訊內容識別的深度學習方法