By: 雷特（機械雞）
如今， 機器學習演算法被廣泛用於製造自動駕駛汽車中出現的， 各種挑戰性的解決方案。 通過在汽車中的ECU（電子控制單元）中結合感測器處理資料，
潛在的應用包括通過來自不同外部和內部感測器（如雷射雷達， 雷達， 攝像頭或物聯網）的資料融合來評估駕駛員狀況或駕駛場景分類。
運行汽車資訊娛樂系統的應用程式可以從感測器資料融合系統接收資訊， 例如， 如果車輛注意到駕駛員受傷， 則可以將汽車引導到醫院。 這種基於機器學習的應用程式還包括駕駛員的言語和手勢識別和語言翻譯。
演算法分為無監督和監督演算法， 兩者之間的區別是他們如何學習。
監督演算法利用訓練資料集學習， 並繼續學習， 直到達到他們所期望的（最小化錯誤概率）程度。 監督演算法可以分為歸類，
無監督演算法嘗試從可用資料中匯出值。 這意味著， 在可用資料內， 演算法產生關係， 以便檢測模式或根據它們之間的相似程度， 將資料集劃分為子組。 無監督演算法可以在很大程度上被分類為關聯規則學習和聚類。
加強演算法是另一組機器學習演算法， 它處於無監督和監督學習之間。 對於每個訓練示例， 在監督學習中有一個目標標籤; 在無監督的學習中完全沒有標籤; 強化學習包括時間延遲和稀疏標籤 - 未來的獎勵。
代理學習根據這些獎勵在環境中的行為。 瞭解演算法的局限性和優點， 並開發高效的學習演算法是強化學習的目標。 強化學習可以解決大量實際應用， 從AI的問題到控制工程或操作研究，
在自主汽車中， 機器學習演算法的主要任務之一是連續渲染周圍環境， 並預測可能對這些環境造成的變化。 這些任務分為4個子任務：
檢測物件
識別物件或識別物件分類
物體定位與運動預測
機器學習演算法被寬泛地分為4類：決策矩陣演算法， 集群演算法， 模式識別演算法和回歸演算法。 可以利用一類機器學習演算法來完成2個以上的子任務。 例如， 回歸演算法可以用於物件定位以及物件檢測或運動預測。
▍決策矩陣演算法
決策矩陣演算法系統地分析， 識別和評估資訊集和值之間關係的表現。 這些演算法主要用於決策。 汽車是否需要制動或左轉是基於這些演算法對物體的下一次運動的識別， 分類和預測的置信度。 決策矩陣演算法是由獨立訓練的各種決策模型組成的模型， 在某些方面， 將這些預測結合起來進行總體預測， 同時降低決策中錯誤的可能性。
▍AdaBoosting
AdaBoosting是最常用的演算法。
因此， 它可以很好的適應。 通過反覆運算添加弱勢學習者， AdaBoost創造了一個強大的學習者。 一個新的弱學習者被附加到實體和權衡載體， 以調整被之前幾輪錯誤分類的例子。 結果是， 具有比弱學習者的分類器高得多的分類器。
AdaBoost有助於將弱閾值分類器提升為強分類器。上面的圖像描繪了AdaBoost在一個可以理解的代碼的單個檔中的實現。該函數包含一個弱分類器和boosting元件。
弱分類器嘗試在資料維度之一中定位理想閾值，將資料分為2類。分類器通過反覆運算部分調用，並且在每個分類步驟之後，它改變了錯誤分類示例的權重。正因為如此，創建弱分類器的級聯行為就像一個強分類器。
▍聚類演算法
有時，由系統獲取的圖像不清楚，難以定位和檢測對象。有時，分類演算法有可能丟失物件，在這種情況下，它們無法對系統進行分類並將其報告給系統。可能的原因可能是不連續資料，非常少的資料點或低解析度圖像。
聚類演算法專門從資料點發現結構。它描述了類的方法和類的問題，如回歸。聚類方法通常通過對分層和基於質心的方法進行建模來組織。所有方法都關注利用資料中的固有結構將資料完美地組織成最大共性的組。
▍K-means
K-means—多類神經網路是最常用的演算法，是一個著名的聚類演算法。K-means存儲它用於定義集群的k質心。如果一個點比任何其他質心更接近該集群的質心，那麼這個點被說成是在一個特定的集群中。通過根據當前分配資料點到集群和根據當前質心將資料點分配給集群，選擇質心之間進行交替。
K均值演算法 - 簇重心被描繪為十字，訓練示例被描繪為點。（a）原始資料集。（b）隨機初始聚類中心。（cf）運行2次k-means反覆運算的演示。每個訓練示例在每個反覆運算中分配給最接近的聚類中心，然後將每個聚類中心移動到分配給它的點的平均值。
▍模式識別演算法（分類）
通過高級駕駛輔助系統（ADAS）中的感測器獲得的圖像由各種環境資料組成; 需要過濾圖像以通過排除不相關的資料點來確定物件類別的實例。在分類物件之前，模式的識別是資料集中的重要一步。這種演算法被定義為資料簡化演算法。
資料簡化演算法有助於減少物件的資料集邊緣和折線（擬合線段）以及圓弧到邊緣。直到一個角落，線段與邊緣對齊，並在此之後開始一個新的線段。圓弧與類似於弧的線段的序列對齊。以各種方式，將圖像的特徵（圓弧和線段）組合以形成用於確定物件的特徵。
▍支持向量機（SVM）
PCA（原理分量分析）和HOG（定向梯度長條圖），支持向量機（Support Vector Machines，支持向量機）是ADAS中常用的識別演算法。還使用K個最近鄰（KNN）和貝葉斯決策規則。
SVM依賴于定義決策界限的決策平面概念。決策平面分離由不同的類成員組成的物件集。下圖給出了示意性示例。在這裡，物件屬於RED或GREEN類。分離邊界線將紅色和綠色物體分開。任何落在左側的新物件都標記為RED，如果它落在左邊，則將其標記為GREEN。
▍回歸演算法
這種演算法有利於預測事件。回歸分析評估2個或更多個變數之間的關係，並將變數的影響整理到不同的量表上，主要由3個指標驅動：
回歸線的形狀
因變數的類型
引數的數量
圖像（攝像機或雷達）在啟動和定位中在ADAS中起著重要作用，而對於任何演算法，最大的挑戰是開發基於圖像的特徵選擇和預測模型。
通過回歸演算法來利用環境的重複性，以創建給定物件在圖像中的位置與該圖像之間的關係的統計模型。統計模型，通過允許圖像採樣，提供快速線上檢測，可以離線學習。它可以進一步擴展到其他物件，而不需要廣泛的人造型。物件的位置由演算法返回，作為線上階段的輸出和對對象存在的信任。
回歸演算法也可以用於短期預測，長期學習。可以用於自動駕駛的這種回歸演算法是決策林回歸，神經網路回歸和貝葉斯回歸等。
▍神經網路回歸
神經網路用於回歸，分類或無監督學習。他們對未標記的資料進行分組，對資料進行分類或在監督培訓後對連續值進行預測。神經網路通常在網路的最後一層使用邏輯回歸的形式，將連續資料變為1或0變數。
在上圖中，“x”是輸入，從網路上一層傳出的特徵。進入最後一層隱藏層的每一個節點，將饋送許多x，並將每個x乘以w，相應的權重，產品的總和被添加並移動到啟動功能。
啟動功能是ReLU（整流線性單元），通常用於像Sigmoid啟動功能，在淺梯度上不飽和。ReLU為每個隱藏節點提供一個輸出，啟動a，並且啟動被添加到通過啟動和的輸出節點中。
這意味著，執行回歸的神經網路包含單個輸出節點，並且該節點將先前層的啟動總和乘以1.網路的估計“y hat”將是結果。'Y hat'是所有x映射到的因變數。您可以以這種方式使用神經網路來獲取與您嘗試預測的y（一個因變數）相關的x（引數）。
AdaBoost有助於將弱閾值分類器提升為強分類器。上面的圖像描繪了AdaBoost在一個可以理解的代碼的單個檔中的實現。該函數包含一個弱分類器和boosting元件。
弱分類器嘗試在資料維度之一中定位理想閾值，將資料分為2類。分類器通過反覆運算部分調用，並且在每個分類步驟之後，它改變了錯誤分類示例的權重。正因為如此，創建弱分類器的級聯行為就像一個強分類器。
▍聚類演算法
有時，由系統獲取的圖像不清楚，難以定位和檢測對象。有時，分類演算法有可能丟失物件，在這種情況下，它們無法對系統進行分類並將其報告給系統。可能的原因可能是不連續資料，非常少的資料點或低解析度圖像。
聚類演算法專門從資料點發現結構。它描述了類的方法和類的問題，如回歸。聚類方法通常通過對分層和基於質心的方法進行建模來組織。所有方法都關注利用資料中的固有結構將資料完美地組織成最大共性的組。
▍K-means
K-means—多類神經網路是最常用的演算法，是一個著名的聚類演算法。K-means存儲它用於定義集群的k質心。如果一個點比任何其他質心更接近該集群的質心，那麼這個點被說成是在一個特定的集群中。通過根據當前分配資料點到集群和根據當前質心將資料點分配給集群，選擇質心之間進行交替。
K均值演算法 - 簇重心被描繪為十字，訓練示例被描繪為點。（a）原始資料集。（b）隨機初始聚類中心。（cf）運行2次k-means反覆運算的演示。每個訓練示例在每個反覆運算中分配給最接近的聚類中心，然後將每個聚類中心移動到分配給它的點的平均值。
▍模式識別演算法（分類）
通過高級駕駛輔助系統（ADAS）中的感測器獲得的圖像由各種環境資料組成; 需要過濾圖像以通過排除不相關的資料點來確定物件類別的實例。在分類物件之前，模式的識別是資料集中的重要一步。這種演算法被定義為資料簡化演算法。
資料簡化演算法有助於減少物件的資料集邊緣和折線（擬合線段）以及圓弧到邊緣。直到一個角落，線段與邊緣對齊，並在此之後開始一個新的線段。圓弧與類似於弧的線段的序列對齊。以各種方式，將圖像的特徵（圓弧和線段）組合以形成用於確定物件的特徵。
▍支持向量機（SVM）
PCA（原理分量分析）和HOG（定向梯度長條圖），支持向量機（Support Vector Machines，支持向量機）是ADAS中常用的識別演算法。還使用K個最近鄰（KNN）和貝葉斯決策規則。
SVM依賴于定義決策界限的決策平面概念。決策平面分離由不同的類成員組成的物件集。下圖給出了示意性示例。在這裡，物件屬於RED或GREEN類。分離邊界線將紅色和綠色物體分開。任何落在左側的新物件都標記為RED，如果它落在左邊，則將其標記為GREEN。
▍回歸演算法
這種演算法有利於預測事件。回歸分析評估2個或更多個變數之間的關係，並將變數的影響整理到不同的量表上，主要由3個指標驅動：
回歸線的形狀
因變數的類型
引數的數量
圖像（攝像機或雷達）在啟動和定位中在ADAS中起著重要作用，而對於任何演算法，最大的挑戰是開發基於圖像的特徵選擇和預測模型。
通過回歸演算法來利用環境的重複性，以創建給定物件在圖像中的位置與該圖像之間的關係的統計模型。統計模型，通過允許圖像採樣，提供快速線上檢測，可以離線學習。它可以進一步擴展到其他物件，而不需要廣泛的人造型。物件的位置由演算法返回，作為線上階段的輸出和對對象存在的信任。
回歸演算法也可以用於短期預測，長期學習。可以用於自動駕駛的這種回歸演算法是決策林回歸，神經網路回歸和貝葉斯回歸等。
▍神經網路回歸
神經網路用於回歸，分類或無監督學習。他們對未標記的資料進行分組，對資料進行分類或在監督培訓後對連續值進行預測。神經網路通常在網路的最後一層使用邏輯回歸的形式，將連續資料變為1或0變數。
在上圖中，“x”是輸入，從網路上一層傳出的特徵。進入最後一層隱藏層的每一個節點，將饋送許多x，並將每個x乘以w，相應的權重，產品的總和被添加並移動到啟動功能。
啟動功能是ReLU（整流線性單元），通常用於像Sigmoid啟動功能，在淺梯度上不飽和。ReLU為每個隱藏節點提供一個輸出，啟動a，並且啟動被添加到通過啟動和的輸出節點中。
這意味著，執行回歸的神經網路包含單個輸出節點，並且該節點將先前層的啟動總和乘以1.網路的估計“y hat”將是結果。'Y hat'是所有x映射到的因變數。您可以以這種方式使用神經網路來獲取與您嘗試預測的y（一個因變數）相關的x（引數）。