细数几种常见的自动驾驶中的机器学习算法

　　
如今，机器学习算法被广泛用于制造自动驾驶汽车中出现的，各种挑战性的解决方案。通过在汽车中的ECU（电子控制单元）中结合传感器处理数据，有必要提高机器学习的利用以完成新任务。

　　潜在的应用包括通过来自不同外部和内部传感器（如激光雷达，雷达，摄像头或物联网）的数据融合来评估驾驶员状况或驾驶场景分类。

　　运行汽车信息娱乐系统的应用程序可以从传感器数据融合系统接收信息，例如，如果车辆注意到驾驶员受伤，则可以将汽车引导到医院。这种基于机器学习的应用程序还包括驾驶员的言语和手势识别和语言翻译。

　　算法分为无监督和监督算法，两者之间的区别是他们如何学习。

　　监督算法利用训练数据集学习，并继续学习，直到达到他们所期望的（最小化错误概率）程度。监督算法可以分为归类，分类和异常检测或维数缩减。

　　无监督算法尝试从可用数据中导出值。这意味着，在可用数据内，算法产生关系，以便检测模式或根据它们之间的相似程度，将数据集划分为子组。无监督算法可以在很大程度上被分类为关联规则学习和聚类。

　　加强算法是另一组机器学习算法，它处于无监督和监督学习之间。对于每个训练示例，在监督学习中有一个目标标签; 在无监督的学习中完全没有标签; 强化学习包括时间延迟和稀疏标签 - 未来的奖励。

　　代理学习根据这些奖励在环境中的行为。了解算法的局限性和优点，并开发高效的学习算法是强化学习的目标。强化学习可以解决大量实际应用，从AI的问题到控制工程或操作研究，这些都与开发自驾车相关。这可以分为间接学习和直接学习。

　　在自主汽车中，机器学习算法的主要任务之一是连续渲染周围环境，并预测可能对这些环境造成的变化。这些任务分为4个子任务：

　　检测对象

　　识别对象或识别对象分类

　　物体定位与运动预测

　　机器学习算法被宽泛地分为4类：决策矩阵算法，集群算法，模式识别算法和回归算法。可以利用一类机器学习算法来完成2个以上的子任务。例如，回归算法可以用于对象定位以及对象检测或运动预测。