汽车世界的神经网络

什么是神经网络?

神经网络是用来模拟人脑的计算机系统。该网络为多个算法创建了一个框架，以共同实现一个总体目标。神经网络本质上被设计成以多种方式思考，因为它们采用大型数据集，并通过各种过程处理它，就像人类会做的那样，以解决问题并得出数据驱动的结论。

随着机器学习变得越来越普遍，神经网络的用途在各个行业都有很大的不同。神经网络用于对信息进行分类，以逻辑方式对数据进行分组，并根据现有数据预测结果。金融中的神经网络旨在管理高密度/高容量的信息，以高精度进行分类。谷歌使用30层深度的神经网络(截至2016年，所以你可以打赌它现在更大)来改善搜索引擎结果。

神经网络也被大量用于自动驾驶汽车的开发，这依赖于分析和预测能力的成功和安全。深度神经网络(DNNs)在任何领域都是关键无人驾驶汽车当他们从传感器收集输入数据时，处理，然后为车辆产生正确的行为。在汽车行业中使用的主要有两种类型的神经网络:卷积神经网络和循环神经网络。

神经网络的类型:

卷积神经网络(CNN)

cnn被用于视觉模式识别，灵感来自于动物识别视觉图像的方式。cnn的主要好处是，网络利用训练示例来学习对象或特征是什么(在接触它们之前)，这意味着系统在未来可以更快地识别熟悉的元素，并且参数更少。

CNN在自动驾驶汽车的障碍检测中非常重要。它们能够适应复杂的环境，并像人类驾驶员一样对影响因素进行分类，这对于防止碰撞至关重要。cnn可用于障碍物检测和深度估计，使自动驾驶汽车能够以始终适当的方式对环境做出反应。当系统接收和处理数据时，它正在学习并提高每一个额外的输入数据的准确性。就像人类通过练习成为更好的司机一样(我们希望如此)，cnn通过练习提供更好的输出。

循环神经网络(RNN)

rnn被设计用来分析数据和行为，学习给定数据中的模式和行为。与cnn一样，rnn随着时间的推移会获得更高的精度;一组使用RNN生成产品评论，只需让RNN首先分析评论所基于的网站。算法从现有的评论中学习，最终生成与源数据在语言、行话和语法上非常相似的书面内容。

在自动驾驶车辆中，rnn用于跟踪移动物体并确定潜在的碰撞。随着时间的推移，rnn能够预测移动物体最可能的路径——比如行人接近人行横道——并就车辆应该做什么来避免危险情况做出更明智的决定。

利用神经网络增强当前的自动驾驶汽车技术

cnn和rnn的最大价值在于，随着它们不断从数据输入中学习，它们能够提高准确性。Wayve是一家总部位于英国的自动驾驶汽车初创公司，他们认为这是让自动驾驶汽车获得长期成功的关键。他们认为，编程载体的优先级不应该是规则，比如if-then-else编程语句。相反，他们提倡通过机器学习实现车辆的数据驱动。

为什么这样更好呢?因为基于规则的系统永远无法预测所有可能的情况。更多的规则也需要更多的数据，这意味着更多的传感器需要更多的资源。Wayve的创始人认为，我们应该在汽车中植入人工智能，让它们的反应更像人类;即使是在没有预先设定好的新情况下。

神经网络在汽车领域面临的挑战

当然，自动驾驶汽车的主要问题仍然适用于那些使用神经网络的人:缺乏道德决策。虽然神经网络使车辆能够学习并做出更好的预测和反应，但仍然缺乏人类驾驶员使用的道德推理。

驾驶中的道德问题不仅仅是一些极端情况，比如一辆汽车在撞上一群行人或冲出悬崖并导致车内人员受伤或死亡之间做出选择。为自动驾驶汽车开发的算法将被广泛应用，这意味着程序员和工程师做出的决定基本上适用于每个人。在未来几年，这种压力和犹豫将继续压在汽车行业身上。

结论

智能设备似乎为汽车行业提供了更主动、更智能的解决方案。Wayve越来越受欢迎，而且Helio Technologies等公司也在类似的道路上开发深度学习设备这将在瞬间处理感官数据——就像人类司机一样。要让这些解决方案具备驾驶车辆所需的处理能力和尺寸，还有很多工作要做，但显然人工智能可能会提供最像人类的驾驶解决方案。