當前位置：
OFweek 人工智能網
> 正文
行為克隆 | 自動駕駛汽車的端到端學習
2019-05-30 09:53
智車科技IV
關注
該模型具有以下層：
①標準化層（硬編碼）除以127．5并減去1。
②3個卷積層，24個，36個，48個過濾器，5 ＊ 5內核和2個步幅。
③2個卷積層，64個濾波器，3 ＊ 3內核和步幅1。
④展平層
⑤3個完全連接的層，輸出尺寸為100，50，10
⑥和輸出轉向角的最終輸出層。
研究人員將使用Mean Squared Error（MSE）作為損失函數和優(yōu)化器，并進行EarlyStopping回調。研究人員試圖訓練它40個epoch，它在36個epoch停止。
訓練60個epoch的模型，結果如下：
突出的特點：
1． 在每個圖層中，對要素圖的激活進行平均。
2．最平均的地圖按比例放大到下面圖層的地圖大小。使用反卷積完成放大。
3．然后將來自較高級別的放大的地圖與來自下層的平均地圖相乘。
4．重復步驟2和3直到達到輸入。
5．具有輸入圖像大小的最后一個掩模被標準化為0．0到1．0的范圍。
以下是可視化圖，顯示輸入圖像的哪些區(qū)域對網絡的輸出貢獻最大。
在應用上述方法之后，下面是顯著的特征結果：
圖突出的車道標記
結論
PilotNet是一個非常強大的網絡，從駕駛員學習輸出正確的轉向角度。對顯著物體的檢查表明，PilotNet學習了對人類“有意義”的特征，同時忽略了與駕駛無關的攝像機圖像中的結構。此功能源自數據，無需手工標記。
分享
聲明：
本文由入駐維科號的作者撰寫，觀點僅代表作者本人，不代表OFweek立場。如有侵權或其他問題，請聯系舉報。
請輸入評論內容...
請輸入評論/評論長度6~500個字
