图：pixabay

「机器人圈」导览：无人驾驶被认为是未来人工智能技术应用的最大市场规模和影响力的落脚点。近年来，为了使汽车能够安全可靠地“自主”上路，研究人员可没少花心思。本文编译自kdnuggets，该文全面概述了无人驾驶现阶段使用的机器学习技术。我们一起来看看，哪些技术将影响未来下一代出行？

今天，机器学习算法被广泛应用，以解决制造无人驾驶汽车行业中出现的各种挑战。随着传感器数据处理在汽车ECU（电子控制单元）中被引入，我们必须越来越多地使用机器学习来完成新的任务。潜在的应用涉及通过来自不同外部和内部传感器（如激光雷达、雷达、照相机或物联网）的数据融合来评估驾驶员状况或驾驶场景分类。

运行汽车信息娱乐系统的应用程序可以从传感器数据融合系统接收信息。例如，如果车辆注意到驾驶员状态不对劲，则可以将汽车指引到医院。这种基于机器学习的应用程序还包括驾驶员的语言、手势识别和语言翻译。算法被分类为无监督学习和监督学习。两者之间的区别在于他们学习的方式。

监督学习算法利用训练数据集学习，atv，并持续学习直到达到他们所期望的信息（最小化错误概率）的程度。监督算法可以分为回归、分类和异常检测或降维。

无监督学习算法尝试从可用数据中获取价值。这意味着，在可用数据内，算法产生关系，以便检测模式或根据它们之间的相似程度将数据集划分为子组。无监督学习算法通常被分类为关联规则学习和聚类。

强化学习算法是另一组机器学习算法，这种学习算法介于在无监督和监督学习之间。对于每个训练示例，在监督学习中有一个目标标签；在无监督学习中完全没有标签；强化学习包括时间延迟和稀疏标签——也就是“激励”。

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。强化学习可以解决大量实际应用，从人工智能的问题到控制工程或运筹学，这些都是与自动驾驶汽车开发相关的。它可以分为间接学习和直接学习。

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。这些任务分成四个子任务：

•检测对象

•物体识别及分类

•物体定位

•运动预测

机器学习算法被分为4类：

•决策矩阵算法

•聚类算法

•模式识别算法

•回归算法

我们可以利用其中一类机器学习算法来完成2个以上的子任务。例如，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地分析、识别和评估信息集和值之间关系的表现。这些算法主要用于决策。汽车是否需要制动或左转基于这些算法对物体的下一次运动的识别、分类和预测的置信度。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，在某些方面，将这些预测结合起来进行总体预测，同时降低决策中错误的可能性。AdaBoosting就是其中最常用的算法。

Adaptive Boosting算法也可以简称为AdaBoost，它是可以用于回归或分类的多种学习算法的组合。与任何其他机器学习算法相比，它克服了过度拟合问题，并且通常对异常值和噪声数据非常敏感。为了创建一个复合强大的学习器，AdaBoost需要经过多次迭代，因此，它具有适应性。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。