安妮 唐旭 编译自 KDnuggets

量子位出品 | 公众号 QbitAI

机器学习算法已经被广泛应用于自动驾驶各种解决方案，电控单元中的传感器数据处理大大提高了机器学习的利用率，也有一些潜在的应用，比如利用不同外部和内部的传感器的数据融合(如激光雷达、雷达、摄像头或物联网)，评估驾驶员状况或为驾驶场景分类等。

在KDnuggets网站最近发表的一篇文章中，作者Savaram Ravindra将自动驾驶中机器学习算法主要分为四类，即决策矩阵算法、聚类算法、模式识别算法和回归算法。

我们跟他一起看看，这些算法都是怎样应用的。

算法概览

我们先设想这样一个自动驾驶场景——汽车的信息娱乐系统接收传感器数据融合系统的信息，如果系统发现司机身体有恙，会指导无人车开往附近的医院。

这项应用以机器学习为基础，直播，能识别司机的语音、行为，进行语言翻译等。所有这些算法可以分为两类：监督学习和无监督学习，二者的区别在它们学习的方法。

监督学习算法利用训练数据集学习，并会坚持学到达到所要求的置信度（误差的最小概率）。监督学习算法可分为回归、分类和异常检测或维度缩减问题。

无监督学习算法会在可用数据中获取价值。这意味着算法能找到数据的内部联系、找到模式，或者根据数据间的相似程度将数据集划分出子集。无监督算法可以被粗略分类为关联规则学习和聚类。

强化学习算法是另一类机器学习算法，这种学习方法介于监督学习和无监督学习之间。监督学习会给每个训练样例目标标签，无监督学习从来不会设立标签——而强化学习就是它们的平衡点，它有时间延迟的稀疏标签——也就是未来的奖励。每个agent会根据环境奖励学习自身行为。了解算法的优点和局限性，并开发高效的学习算法是强化学习的目标。

在自动驾驶汽车上，机器学习算法的主要任务之一是持续感应周围环境，并预测可能出现的变化。

我们不妨分成四个子任务：

检测对象

物体识别及分类

物体定位

运动预测

机器学习算法也可以被宽松地分为四类：

决策矩阵算法

聚类算法

模式识别算法

回归算法

机器学习算法和任务分类并不是一一对应的，比如说，回归算法既可以用于物体定位，也可以用于对象检测和运动预测。

决策矩阵算法

决策矩阵算法能系统分析、识别和评估一组信息集和值之间关系的表现，这些算法主要用户决策。车辆的制动或转向是有依据的，它依赖算法对下一个运动的物体的识别、分类、预测的置信水平。决策矩阵算法是由独立训练的各种决策模型组合起来的模型，某种程度上说，这些预测组合在一起构成整体的预测，同时降低决策的错误率。AdaBoosting是最常用的算法。

AdaBoost

Adaptive Boosting算法也可以简称为AdaBoost，它是多种学习算法的结合，可应用于回归和分类问题。与其他机器学习算法相比，它克服了过拟合问题，并且对异常值和噪声数据非常敏感。AdaBoost需要经过多次迭代才能创造出强学习器，它具有自适应性。学习器将重点关注被分类错误的样本，最后再通过加权将弱学习器组合成强学习器。

AdaBoost帮助弱阈值分类器提升为强分类器。上面的图像描绘了如何在一个可以理解性代码的单个文件中实现AdaBoost算法。该函数包含一个弱分类器和boosting组件。

弱分类器尝试在数据维数中找到理想阈值，并将数据分为2类。分类器迭代时调用数据，并在每个分类步骤后，改变分类样本的权重。

因此，它实际创建了级联的弱分类器，但性能像强分类器一样好。

聚类算法

有时，系统获取的图像不清楚，难以定位和检测对象，分类算法有可能丢失对象。在这种情况下，它们无法对问题分类并将其报告给系统。造成这种现象可能的原因包括不连续数据、极少的数据点或低分辨率图像。K-means是一种常见的聚类算法。

K-means

K-means是著名的聚类算法，它从数据对象中选择任意k个对象作为初始聚类中心，再根据每个聚类对象的均值（中心对象）计算出每个对象与中心对象的距离，j2直播，然后根据最小距离重新划分对象。最后重新计算调整后的聚类的均值。

下图形象描述了K-means算法。其中，（a）表示原始数据集，（b）表示随机初始聚类中心，（c-f）表示运行2次k-means迭代演示。

模式识别算法（分类）