浅谈自动驾驶汽车的算法

前面几期我们聊过了自动驾驶的技术级别、ADAS的17大系统、高精地图以及感知系统里面的摄像头和雷达部分。今天我们来说说自动驾驶里面的算法。

在近几年人工智能技术突飞猛进，高速发展，人们的生活已经越来越离不开人工智能了，从最开始的文本翻译、语言识别、计算机视觉、强化学习等到现在的大数据、深度学习，机器学习算法、算力等。都属于人工智能的范畴，其间，涉及到的应用有很多：例如早教智能学习机、扫地机器人、语音文字转换器、文字识别装置、指纹识别、人脸识别、行人检测、车辆检测、手势识别、生物识别、情感识别、自然场景识别等。

笔者认为：算力是人工智能的充分条件，大数据是人工智能的必要条件；而算法和大数据是则是人工智能的充分必要条件。

目下，互联网大佬们分分加入的自动驾驶汽车领域里面，如果没有算法的加持，自动驾驶的L3级别也终将成为泡影。可想而知，算法的威力之大。另外我们之前在讨论汽车的时候基本都是说油耗、排量、动力等，如今更多聊的是车联网、高精地图、智能化、显示屏的大小、安全性、舒适性等方面了。

其实我们在浏览网页的时候或者网上购物的时候算法就已经如影随形，后台时不时会像你肚子里面的“小蛔虫”一样，推送你喜欢的讯息或者商品。这就是推荐算法在发力。

那么可能有人会问：算法在自动驾驶汽车里面又是充当什么样的角色呢？

现在自动驾驶汽车市场当中应用比较广的当属机器学习里面的深度学习算法了。

深度学习是一种特殊的机器学习形式，主要是通过建立和模拟人脑来分析学习的神经网络。一般分成数据采集处理、数据训练、优化数据、建立分类模型等几个步骤完成。

深度学习算法主要用于汽车自动驾驶里面的三大模块：即感知、决策、执行，如：路径规划全程，首先利用深度学习模型在感知/定位模块输入点云数据或图像信息。然后用深度学习模型在路径规划模块完成路径规划，最后在行为仲裁模块进行控制命令继而发出相应指令给执行模块。

当然还有上一期说到的Dijkstra算法（ 是从一个顶点到其余各顶点的最短路径 算法，解决的是有权图中最短路径问题）Floyd算法（ 利用动态规划 的思想寻找给定的加权图 中多源点之间最短路径 的算法）A*算法（A*（A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近，最终搜索速度越快）RRT算法（能快速的找出初始路径，之后随着采样点的增加，不断地进行优化直到找到目标点或者达到设定的最大循环次数）这些算法也都在自动驾驶领域得到了广泛地应用。因为有些涉及到函数、编程C++语言等专业性较强的知识点，在这里就不深挖了。好了，这期关于算法的内容就到这里了。

每次在我打开新建图文页面的时候，都是心慌的，因为我害怕我写不好，写错了；或者内容太过于肤浅。虽然每次文案撰写从采编，到编辑，图片处理、排版，审稿等所花的时间基本需要三十个小时左右。但还是怕有人背后冷嘲热讽，说我有冒充专家之嫌，但是同时我又是很激动的，因为我正在开启一扇新的窗户，窗外的景色可以让我眺望到未来不远的地方。我看到不少热心朋友给我点赞，默默送给我祝福。在此，我深表感谢。

在后期的图文撰写中我会更加走心，因为如果想找更加专业的东西，完全可以去那些专业性更强的网站。关注我的或许更多的朋友可能是我的同类——仅仅想了解一下而已，并非想深入探讨，钻研。真正的专家在发表一篇文章之前都是有庞大且专业的技术团队在背后深耕多年的，写出一个观点往往需要N多次实验、试验或者测试。才能最终发表。我不过是把我了解到的东西用较为通俗易懂的语言概述出来而已。为了方便大家的理解和阅读，在后续的编纂中我会尽量把文章篇幅保持在字数2000字左右。

创作编撰不易，请动动您发财的手指，点击右下角“在看”及左下角的“分享”，让更多的朋友能够看到这篇文章，您的支持是对我最大的鼓励，持续关注我，带你了解更多自动驾驶方面的资讯。自动驾驶的数据采集和分析平台，以及操作系统、仿真技术以及v2x技术就不聊了，因为涉及内容面较广，专业性较强，内容篇幅巨大。下一期我将说说自动驾驶里面的相关公司。期待您的持续关注与支持。

编辑：明杨

责编：明杨

采编：明杨

排版：明杨

以上部分概念参考https://zhuanlan.zhihu.com/p/72415675等资料资源，另外以上图片来自网络公开资源，不能识别其来源，如有版权争议，请联系本人。