第3章 深度学习与智能驾驶

基于深度学习架构的人工智能如今已被广泛应用于计算机视觉、自然语言处理、传感器融合、目标识别、智能驾驶等汽车行业的各个领域，从自动驾驶初创企业、互联网公司到各大OEM（Original Equipment Manufacture，原厂委托制造）厂商，都在积极探索通过利用GPU（Graphics Processing Unit，图形处理单元）构建神经网络实现最终的自动驾驶。

汽车行业是一个特殊的行业，因为涉及乘客安全，所以对于车辆安全性和可靠性有着近乎苛刻的要求。这就使得智能驾驶对于传感器、图像处理算法结果的准确性和稳健性有着极高要求；另一方面，由于无人驾驶汽车是面向普通消费者的产品，所以需要控制成本。高精度的传感器是算法结果准确的基础^[1]，但一些高精度传感器又是非常昂贵的，这两者之间的矛盾在过去一直很难解决。

深度学习技术的出现和发展及其所带来的高准确性，不断促进了智能驾驶系统的目标检测、决策、传感器应用等多个领域的发展^[2]。例如，卷积神经网络（Convolutional Neural Networks，CNN）目前被广泛应用于各类图像处理中，非常适用于智能驾驶领域。本章首先对智能驾驶感知系统进行简单梳理，然后介绍基于特征描述与分类器的行人检测方法、端到端智能驾驶方案，以及行为反射方案。