“自动驾驶汽车”是近几十年来流行的一个流行词。然而，这种车辆的开发对汽车制造商提出了重大挑战。本文介绍了深度学习 自动驾驶和导航如何帮助将这一概念变为期待已久的现实。


大流行后世界中的 低接触经济正在推动引入自主技术，以满足我们对非接触式交互的需求。无论是运送杂货或药品的自动驾驶汽车，还是将我们送到理想目的地的自动驾驶出租车，对自动驾驶的需求从未如此强烈。

自动驾驶汽车有六个不同级别的自主性，从驾驶员完全控制到完全自动化。据 Statista称，到 2030 年，4 级和 5 级自动驾驶汽车的市场将达到 600 亿美元。同一项研究表明，在我们的道路上行驶的汽车总数中，有 73% 的汽车在完全自动驾驶汽车出现之前至少具有一定程度的自动驾驶能力。介绍了。

世界各国和汽车公司都在努力将更高水平的无人驾驶带给更广泛的受众。韩国最近宣布将在自动驾驶汽车技术上投资约 10 亿美元 ，并在 2027 年前推出 4 级汽车。

机器学习和深度学习是实现更复杂的自动驾驶汽车的其他技术之一。 深度学习技术 在自动驾驶汽车中的应用包括：

场景分类
路径规划
场景理解
车道和交通标志识别
障碍物和行人检测
运动控制
自主导航的深度学习
深度学习方法可以帮助解决自动驾驶汽车制造中的感知和导航挑战。当驾驶员在两个位置之间导航时，他们会利用他们对道路、街道外观和交通信号灯等的了解来驾驶。这对人类驾驶员来说是一项简单的任务，但对于自动驾驶汽车来说却是一个很大的挑战。

在 ELEKS，我们创建了一个演示模型，可以帮助车辆像人类一样使用视力和先前的知识在环境中导航。我们提出了一种解决方案，该解决方案通过使用现代深度学习方法和其他数据科学可能性，提供无需 GPS 和车辆遥测的自主导航。

我们只使用了乌克兰利沃夫市的行车记录仪和街景数据集；我们没有使用 GPS 或传感器。以下是所应用技术的概述和我们的主要发现。

1.图像分割任务
我们使用了包含 19 个类别的 Cityscapes 数据集，该数据集侧重于建筑物、道路、标志等，以及来自 DeepLab 的已经训练好的模型。我们使用的模型是基于 Xception 推理的。也可以使用具有不同地图/IoU 的其他模型。

最后一层是语义概率题库