导读：自动驾驶是先进生产力
自动驾驶需要漫长的开发，将长期处于辅助驾驶阶段
自动驾驶不光是技术问题，更是社会问题，需要更多的社会角色作为缓冲
——博主：Blood旌旗
对于自动驾驶这个技术，其实大家或多或少都对其存在抵触心理，但是在大势所趋之下，自动驾驶这个技术还是在不断地蓬勃发展！
在过去的十年里，自动驾驶汽车技术取得了越来越快的进步，主要得益于深度学习和人工智能领域的进步。
一、了解深度学习
深度学习即深度神经网络学习，其概念源于人工神经网络的研究，是一种特殊的机器学习形式；其目的在于建立和模拟人脑进行分析学习的神经网络，通过模仿人脑的接受和反馈机制来解释数据；深度学习整个过程就是数据收采集、数据处理、数据训练和数据优化，最后形成高准确率的识别分类模型
深度学习技术概况
1-深卷积神经网络
2-递归神经网络
3-深度强化学习
CNN是自动驾驶中比较常用的深度学习模型，由卷积层、池化层和全连接层构成，其在图像处理上具有优势
卷积层
目的：用于目标图像特征提取
原理：通过一个可调参数的卷积核与上一层特征图进行滑动卷积运算，再加上一个偏置量得到一个净输出，然后调用激活函数得出卷积结果。
池化层
目的：图像降维采样
原理：将输入的特征图像用n × n 的窗口划分成多个不重叠的区域，然后对每个区域计算出最大值或者均值，使图像缩小n倍，最后加上偏置量通过激活函数得到抽样数据。
全连接层
目的：分类并输出结果
原理：全连接层类似传统神经网络部分，用来输出想要的结果；
深度学习需要的核心能力
—— 海量的标签化数据
—— 优异的算法（模型函数）
—— 巨大算力
自动驾驶系统自动驾驶是一种自主决策系统，它处理来自不同车载来源的观测流，如照相机、雷达、激光雷达、超声波传感器、GPS装置和/或惯性传感器。这些观察结果被汽车的计算机用来做驾驶决定。
图-基于深度学习的自动驾驶
应用于目标探测问题上的深度学习算法模型
单步算法 ：不用产生候选区域，直接从图像中获得目标检测结果；特点是速度快，但准确率低一些；
YOLO系列算法 - YOLO，YOLO v3，YOLO 9000
SSD系列算法 - SSD， RSSD、D-SSD、DSOD、FSSD
需要YOLO和SSD视频资料的可以扫描文末二维码
双步算法：需要产生目标物体的候选区域，然后在使用分类器在候选区域上做分类与回归；特点是准确率高，但速度相对较慢一些
R-CNN系列算法 - R-CNN ，Fast R-CNN， Faster R-CNN
应用于图像分割问题上的深度学习算法模型
基于反卷积的分割方法：FCN
基于提高特征分辨率的分割方法 - DeepLab
基于区域选择的方法 ： Mask R-CNN
用于处理激光雷达点云数据问题的深度学习算法模型
YOLO3D，BirdNet， VoxelNet，PointNet，PIXOR等
用于解决激光雷达和图像融合问题的深度学习算法模型
PointRCNN，PointFusion，RoarNet等
用于3-D环境数模重建的深度学习算法模型
CNN-SLAM，SurfaceNet，3D-R2N2，Perspective Transformer Net等
需要深度学习和自动驾驶视频学习资料的可以扫码加微
需要配套资料的可以加薇即可免费获取 还有整理的网上杂乱的人工智能学习资料，网盘已经罗列清晰
❶ 人工智能课程及项目（含有课件源码）能写进简历的企业级项目实战
❷人工智能优质必看书籍（“圣经”花书等）+人工智能论文合集
❸ 国内外知名大佬教程及配套zi料（女神李飞飞、吴恩达、李沐）
❹ 超详解人工智能学习路+系统学习zi料
❺优质人工智能资源网站整理 、人工智能行业报告
如果对大家有帮助的话记得一键三连呀~爱你们~