·62· 智能系统学报 第13卷 近年来，随着深度学习的快速发展，利用深度 学习实现图像识别的文章数不胜数。2016年5月 l8日，Y.Lecun等发表Stereo Matching by Training a Convolutional NeuralNetwork to Compare Image Patches,首次提出利用Siamese网络（见图l4),同 时输入左视图和右视图两幅图像，利用网络计算出 两幅图像的视差图像，从而控制车辆的前进方向69。 决策网络 图12英伟达自动驾驶开发平台 Fig.12 NVIDIA DRIVE PX 2 智能车辆 独立通道 DNN训练平台 车载嵌人式 Siamese 计算平台 深度神经网络 左视图 右视图 图13 NVIDIA深度学习无人驾驶平台解决方案 图14双通道网络示意图 Fig.13 NVIDIA deep learning unmanned platform solu- Fig.14 Diagram of Siamese network tions 将Siamese网络的双通道输入结构应用于深度 2016年9月13日，NVIDIA在GPU技术大会 神经网络，在传统深度学习的优势之上，还可以通 上推出了体积更小的节能型车载深度学习计算平 过两幅图像之间的差异从而判断周围物体的远近 台NVIDIA DRIVETM PX2 AUTOCRUISE,该平台 (见图15)，从而合理操控汽车实现无人驾驶 采用了新型单处理器配置，功耗仅为10W。此外许 左视图 多移动终端产品芯片供应商已经开始为自动驾驶技 视差图 术提供带有GPU单元的嵌入式处理器。一些大公 司（例如高通、三星）也推出了各自带有GPU单元 右视图 90m 20m .7m 的嵌入式处理器。三星处理器芯片目前主要研发汽 车智能硬件，车机互联系统来拓展面向汽车的产品 图15训练图片示例 Fig.15 Example of training photos 组合，实现多系统支持的感知功能。 由于深度学习方法对图像处理的高效性，使得 利用式(1)计算视差，其中(P)和(P)为左 无人驾驶汽车可以利用单/双摄像头初步实现对自 右图像在P点处的灰度值，Np是一组固定位置在 以P为中心的矩形窗口。通过不断调节网络的隐 动控制的需求，减轻了传统方法中对用昂贵的激光 层数和进行海量训练最终达到的效果见图16。 扫描仪来建立3-D全景地图的依赖性。虽然相比于 激光扫描仪，利用摄像头采集的信息精度稍低，但 CsM=∑lr(P)-(P-d (1) geNr 完全可以满足日常无人驾驶的需要，而改进的深度 近年来，NVIDIA公司通过采用卷积神经网络 学习算法通过对多摄像头信息融合处理，模拟人的 (CNNs)实现无人驾驶取得很大突破。该公司研究 双眼生成立体空间图像，从而轻松判断距离，实现 人员将摄像头捕捉到的原始图片通过CNNs映射为 更好的自动控制功能5967。 汽车的方向操控命令，只需提供少量的训练数据， 3.2无人驾驶算法实现 系统就能自动学会驾驶技术，甚至可以工作在视线 Pomerleau在1989年用神经网络搭建了一套自 不清晰以及无车道标志线等区域，例如停车场或者 动驾驶系统(autonomous land vehicle in a neural net- 崎岖的山路上。图17为该系统的训练数据采集模 work,ALVINN)6。ALVINN首次证实了端到端训 块的块状示意图，数据采集车通过3台摄像机采集 练的神经网络模型实现无人驾驶的可行性。 视频信息，同步记录驾驶员操控方向盘的偏转角图 12 英伟达自动驾驶开发平台 Fig. 12 NVIDIA DRIVE PX 2 %//䃙㏯᎟ज ᮦ㘩䒒䒲 ⌝Ꮢ⺊㏻㑽㐈 䒒䒩ቸڑᐻ 䃍ッ᎟ज 图 13 NVIDIA 深度学习无人驾驶平台解决方案 Fig. 13 NVIDIA deep learning unmanned platform solu￾tions 2016 年 9 月 13 日，NVIDIA 在 GPU 技术大会 上推出了体积更小的节能型车载深度学习计算平 台 NVIDIA DRIVETM PX 2 AUTOCRUISE，该平台 采用了新型单处理器配置，功耗仅为 10 W。此外许 多移动终端产品芯片供应商已经开始为自动驾驶技 术提供带有 GPU 单元的嵌入式处理器。一些大公 司 (例如高通、三星) 也推出了各自带有 GPU 单元 的嵌入式处理器。三星处理器芯片目前主要研发汽 车智能硬件，车机互联系统来拓展面向汽车的产品 组合，实现多系统支持的感知功能。 由于深度学习方法对图像处理的高效性，使得 无人驾驶汽车可以利用单/双摄像头初步实现对自 动控制的需求，减轻了传统方法中对用昂贵的激光 扫描仪来建立 3-D 全景地图的依赖性。虽然相比于 激光扫描仪，利用摄像头采集的信息精度稍低，但 完全可以满足日常无人驾驶的需要，而改进的深度 学习算法通过对多摄像头信息融合处理，模拟人的 双眼生成立体空间图像，从而轻松判断距离，实现 更好的自动控制功能[59-67]。 3.2 无人驾驶算法实现 Pomerleau 在 1989 年用神经网络搭建了一套自 动驾驶系统 (autonomous land vehicle in a neural net￾work，ALVINN)[68]。ALVINN 首次证实了端到端训 练的神经网络模型实现无人驾驶的可行性。 近年来，随着深度学习的快速发展，利用深度 学习实现图像识别的文章数不胜数。2016 年 5 月 18 日，Y. Lecun 等发表 Stereo Matching by Training a Convolutional NeuralNetwork to Compare Image Patches，首次提出利用 Siamese 网络 (见图 14)，同 时输入左视图和右视图两幅图像，利用网络计算出 两幅图像的视差图像，从而控制车辆的前进方向[69]。 ۟も㑽㐈 ⠘⿷䕆䕿 ጒ㻲ప ट㻲ప Siamese 图 14 双通道网络示意图 Fig. 14 Diagram of Siamese network 将 Siamese 网络的双通道输入结构应用于深度 神经网络，在传统深度学习的优势之上，还可以通 过两幅图像之间的差异从而判断周围物体的远近 (见图 15)，从而合理操控汽车实现无人驾驶[70]。 ጒ㻲ప 㻲ጚప ट㻲ప 90 m 20 m 1.7 m 图 15 训练图片示例 Fig. 15 Example of training photos 利用式 (1) 计算视差，其中 I L (P) 和 I R (P) 为左 右图像在 P 点处的灰度值，NP 是一组固定位置在 以 P 为中心的矩形窗口。通过不断调节网络的隐 层数和进行海量训练最终达到的效果见图 16。 CSAD(P,d) = ∑ q∈NP   I L (P)− I R (P−d)    (1) 近年来，NVIDIA 公司通过采用卷积神经网络 (CNNs) 实现无人驾驶取得很大突破。该公司研究 人员将摄像头捕捉到的原始图片通过 CNNs 映射为 汽车的方向操控命令，只需提供少量的训练数据， 系统就能自动学会驾驶技术，甚至可以工作在视线 不清晰以及无车道标志线等区域，例如停车场或者 崎岖的山路上。图 17 为该系统的训练数据采集模 块的块状示意图，数据采集车通过 3 台摄像机采集 视频信息，同步记录驾驶员操控方向盘的偏转角 ·62· 智 能 系 统 学 报 第 13 卷