论文摘要
智能化是汽车的三大变革技术之一,深度学习具有拟合能力优、表征能力强和适用范围广的特点,是进一步提升汽车智能性的重要途径。该文系统性总结了用于自动驾驶汽车的深度神经网络（DNN）技术,包括发展历史、主流算法以及感知、决策与控制技术应用。回顾了神经网络的历史及现状,总结DNN的"神经元-层-网络"3级结构,重点介绍卷积网络和循环网络的特点以及代表性模型;阐述了以反向传播（BP）为核心的深度网络训练算法,列举用于深度学习的常用数据集与开源框架,概括了网络计算平台和模型优化设计技术;讨论DNN在自动驾驶汽车的环境感知、自主决策和运动控制3大方向的应用现状及其优缺点,具体包括物体检测和语义分割、分层式和端到端决策、汽车纵横向运动控制等;针对用于自动驾驶汽车的DNN技术,指明了不同问题的适用方法以及关键问题的未来发展方向。
论文目录
1 神经网络历史与现状 1.1 20世纪60年代 1.2 20世纪80年代 1.3 2000年至今2 深度神经网络的结构 2.1 神经元 （unit） 的基本类型 2.2 层 （layer） 的基本结构 2.2.1 全连接 （fully connected） 层 2.2.2 卷积-池化 （convolutional-pooling） 层 2.2.3 循环 （recurrent） 结构层 2.2.4 其他类型的层 2.3 网络 （network） 的代表性模型 2.3.1 CNN的代表性模型 2.3.2 RNN的代表性模型3 深度神经网络的训练 3.1 损失函数的设计 3.2 反向传播 （BP） 技术 3.2.1 用于CNN的训练算法 3.2.2 用于RNN的BP算法4 公开数据集和开源框架 4.1 用于自动驾驶的数据集 4.1.1 KITTI 4.1.2 Cityscapes 4.1.3 RobotCar 4.1.4 ApolloScape 4.1.5 BDD100K 4.2 深度学习的开源框架 4.2.1 主要框架列表 4.2.2 典型框架5 计算平台及模型优化 5.1 深度神经网络的计算问题 5.2 DNN计算平台 5.2.1 通用型DNN处理器 5.2.2 定制化处理器 5.3 DNN模型的优化设计 5.3.1 矩阵运算变换 5.3.2 剪枝稀疏化 5.3.3 知识蒸馏 5.3.4 模型结构紧凑化 5.3.5 量化编码6 神经网络在汽车环境感知的应用 6.1 环境物体检测 6.1.1 摄像头图像的二维物体检测 6.1.2 激光雷达点云的三维物体检测 6.2 语义分割 6.2.1 像素语义分割 6.2.2 实例语义分割 6.2.3 道路可行驶区域检测 6.3 自车运动估计 6.4 目标跟踪7 神经网络在汽车自主决策的应用 7.1 分解式决策方案 7.1.1 交通场景理解 7.1.2 交通参与者预测 7.1.3 驾驶行为选择 7.1.4 局部轨迹规划 7.2 端到端式决策方案 7.2.1 依赖监督学习的端到端决策 7.2.2 依赖强化学习的端到端决策8 神经网络在汽车运动控制的应用9 结束语
文章来源
类型: 期刊论文
作者: 李升波,关阳,侯廉,高洪波,段京良,梁爽,汪玉,成波,李克强,任伟,李骏
关键词: 智能汽车,自动驾驶,深度神经网络,深度学习,环境感知,自主决策,运动控制
来源: 汽车安全与节能学报 2019年02期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 汽车工业
单位: 清华大学车辆与运载学院,加州大学伯克利分校机械系,清华大学电子工程系,加州大学河滨分校电子计算机系
基金: “十三五”国家重点研发计划(2016YFB0100906),国家自然科学基金面上项目(51575293),国家自然科学基金优秀青年科学基金项目(U1664263),国家自然科学基金重点项目(51622504),北京市自然科学基金杰出青年科学基金项目(JQ18010),汽车安全与节能国家重点实验室开放基金课题(KF1828)
分类号: U463.6
页码: 119-145
总页数: 27
文件大小: 5087K
下载量: 1222
相关论文文献
标签：智能汽车论文; 自动驾驶论文; 深度神经网络论文; 深度学习论文; 环境感知论文; 自主决策论文; 运动控制论文;
