無人駕駛汽車可以使用機器學習算法進行高速轉彎，該算法通過研究類似的視頻來學習。

這種類型的人工智能被稱為神經網絡，大體上是基于我們大腦的工作方式。

為了訓練自動駕駛系統不失控，研究人員在北極圈附近結冰的賽道上進行了20多萬份運動樣本的測試。

它利用之前幾秒鐘的時間來觀察汽車的運動，以調整方向盤，從而在不同路面上提供準確的運動預測。

來自加州斯坦福大學的研究小組給一輛大眾GTI配備了這種算法，并在橢圓形賽道上進行了測試。

他們讓其行駛速度盡可能快，并從以往的測試中學習，汽車調整其轉向和加速度以成功轉彎。

為了讓自動駕駛汽車安全運行，它們需要能夠在危急情況下快速剎車、加速或轉向的控制系統。

這使得他們能夠在摩擦極限下安全駕駛——就在輪胎不受控制、汽車開始旋轉的前一秒。

該論文的資深作者、機械工程學教授克里斯蒂安?格迪斯(J. Christian Gerdes)說：“在現有技術條件下，你常常不得不在數據驅動的方法和基于基礎物理的方法之間做出選擇。”

格迪斯教授說，他的系統可以在緊急情況下提供幫助，當在緊急情況下需要突然轉向的時候。

研究結果令人鼓舞，但研究人員強調，他們的神經網絡系統在除訓練場外的外部環境下表現不佳。

Gerdes教授說，神經網絡的一個挑戰是缺乏對其工作原理的了解。

他說：“如果你給它一組它從未見過的條件，它可能會推斷出完全錯誤的方式，從而導致潛在的危險轉向。”

該團隊正在繼續開發系統和車輛，這些車輛的互動次數是記者所看到的數千倍，他們稱希望能讓它們更安全。

研究人員現在正在系統中構建安全特性，以檢查其決策是否合理。

這項研究發表在《科學機器人》(Science Robotics.)雜志上。

無人駕駛與機器學習技術

機器學習是計算機科學的一個分支，它處理系統編程，以便通過經驗自動學習和改進。

例如:對機器人進行編程，使它們能夠根據從傳感器收集的數據執行任務。它自動從數據中學習程序。

目前，機器學習算法被廣泛應用于尋找制造自動駕駛汽車的各種挑戰的解決方案。

隨著傳感器數據處理技術在汽車電子控制單元(ECU)中的應用，提高對機器學習技術的利用來完成新任務是十分必要的。

潛在的應用包括通過來自不同外部和內部傳感器(如激光雷達、雷達、攝像機或物聯網)的數據集合來評估駕駛員的狀況或進行駕駛場景分類。

運行汽車信息娛樂系統的應用程序可以接收來自傳感器數據融合系統的信息，例如，如果汽車注意到司機有什么不對勁，它可以將汽車直接開往醫院。

這個基于機器學習的應用還包括駕駛員的語音和手勢識別以及語言翻譯。

在自動駕駛汽車中，機器學習算法的主要任務之一是對周圍環境進行連續繪制，并預測這些環境可能發生的變化。

這些任務分為4個子任務: 對物體的檢測、對象的識別或識別對象的分類、目標定位和運動預測。

機器學習與AI、數據挖掘的區別

機器學習屬于人工智能技術，根據基于經驗數據的行為設計和開發算法被稱為機器學習。

除了機器學習，人工智能還包括知識表現、自然語言處理、規劃、機器人等方面。

機器學習涉及到算法的研究、設計和開發，這些算法使計算機無需顯式編程就能學習。而數據挖掘可以定義為從非結構化數據中試圖提取知識或未知的有趣模式的過程，在此過程中，使用了學習算法。

機器學習背后的算法與技術

機器學習算法大致分為四類:決策矩陣算法、聚類算法、模式識別算法和回歸算法。

其中一類機器學習算法可用于完成2個或多個子任務。

例如，回歸算法可以用于目標定位以及目標檢測或運動預測。

機器學習中涵蓋了不同的算法技術，如監督學習(Supervised Learning)、無監督學習、半監督學習、強化學習、遷移學習等。

監督學習必須確定目標變量的值，以便機器學習算法可以發現特征和目標變量之間的關系。比如在給定數據時，我們應知道正確的輸出結果應該是什么樣子，并且知道在輸入和輸出之間有著一個特定的關系。

非監督學習，即在未加標簽的數據中，試圖找到隱藏的結構。數據沒有類別信息，也沒有給定的目標值。

遷移學習能夠將適用于大數據的模型遷移到小數據上，作為小數據模型的訓練起點，節約訓練神經網絡需要的大量計算和時間資源。

強化學習則是智能系統從環境到行為映射的學習，以使獎勵信號(強化信號)函數值最大，由于外部給出的信息很少，強化學習系統必須依靠自身的經歷進行自我學習。通過這種學習獲取知識，改進行動方案以適應環境。

谷歌的AlphaZero就是使用強化學習的方式，通過自己和自己下棋的方式生成模型，最后擊敗了通過深度學習訓練的AlphaGo。