BT

如何利用碎片时间提升技术认知与能力? 点击获取答案

自动驾驶车辆在变道能力上取得了进步

| 作者 Roland Meertens 关注 6 他的粉丝 ,译者 易文英 关注 0 他的粉丝 发布于 2018年3月5日. 估计阅读时间: 3 分钟 | Google、Facebook、Pinterest、阿里、腾讯 等顶尖技术团队的上百个可供参考的架构实例!

看新闻很累?看技术新闻更累?试试下载InfoQ手机客户端,每天上下班路上听新闻,有趣还有料!

研究人员创建出了一种算法,允许自动驾驶车辆对其周围车辆的变道情况进行预测

这套系统采用了长短期记忆(Long Short-Term Memories,LSTMs)这种深度学习的技术。通过采用该技术,经过训练的神经网络会观察一段时间内周围的情况,并且传递获得的信息来预测将会发生的事。尽管这项技术在面对长的输入序列或者预测更长时间跨度的数据时很不稳定,但是在预测有限时间内的情况时,这种方法非常有效。

上图是对LSTM模型的描述。模型会将信息“写”到其状态C,并随着时间的推移,将该状态向下传递。模型也会给出输出h,该输出h会被用于下一个时帧。

LSTM神经网络的输入是由离车辆最近的六辆车到该车的相对位置以及速度组成。神经网络会收到有关状态的信息,观测其他车辆在过去3秒内的行为。然后,神经网络会预测特定的车辆是否会向左移动一个车道、向右移动一个车道或是会保持在同一车道上。LSTM的输出不但包括LSTM的状态,还包括LSTM的预测输出。该输出会被传送给具有两个密集层的神经网络,在三种可能性中选出一个作为该次预测的最终结果。

因为用了周围最近6辆汽车的位置状态,网络也必须决定其他车辆是否要留在原有的车道上,或者是移动到另一个车道上。

研究人员改变了神经网络在一到五秒内获得的数据量,并使其可以预测未来长达3秒内将会发生的事情。在车辆125米的范围内,监测周围不同车辆的位置和方向,并以每秒25次的频率采集测量值。

本文的作者写这篇文章旨在提出一种能够在传感器暂停工作时,预测其他车辆行为的一种方式:在激光雷达失灵的时候仍然知道其他车辆在哪里。他们用丰田内部数据集,对其算法进行了50万次变道的训练和测试。尽管在高速公路上最有可能出现的情况是每辆车都留在其原有的车道上,但他们的算法能够在基准预测的基础上略有改进。

本文的原作者们将他们的文章发表在了arXiv上了

原文链接Autonomous Vehicles Became Better at Predicting Lane-Changes


感谢薛命灯对本文的审校。

给InfoQ中文站投稿或者参与内容翻译工作,请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博(@InfoQ@丁晓昀),微信(微信号:InfoQChina)关注我们。

评价本文

专业度
风格

您好,朋友!

您需要 注册一个InfoQ账号 或者 才能进行评论。在您完成注册后还需要进行一些设置。

获得来自InfoQ的更多体验。

告诉我们您的想法

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我
社区评论

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

讨论

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT