如今，機(jī)器學(xué)習(xí)算法被廣泛用于制造無(wú)人駕駛汽車中出現(xiàn)的，各種挑戰(zhàn)性的解決方案。通過(guò)在汽車中的ECU（電子控制單元）中結(jié)合傳感器處理數(shù)據(jù)，有必要提高機(jī)器學(xué)習(xí)的利用以完成新任務(wù)。 潛在的應(yīng)用包括通過(guò)來(lái)自不同外部和內(nèi)部傳感器（如激光雷達(dá)，雷達(dá)，攝像頭或物聯(lián)網(wǎng)）的數(shù)據(jù)融合來(lái)評(píng)估駕駛員狀況或駕駛場(chǎng)景分類。 運(yùn)行汽車信息娛樂(lè)系統(tǒng)的應(yīng)用程序可以從傳感器數(shù)據(jù)融合系統(tǒng)接收信息，例如，如果車輛注意到駕駛員受傷，則可以將汽車引導(dǎo)到醫(yī)院。這種基于機(jī)器學(xué)習(xí)的應(yīng)用程序還包括駕駛員的言語(yǔ)和手勢(shì)識(shí)別和語(yǔ)言翻譯。 算法分為無(wú)監(jiān)督和監(jiān)督算法，兩者之間的區(qū)別是他們?nèi)绾螌W(xué)習(xí)。 監(jiān)督算法利用訓(xùn)練數(shù)據(jù)集學(xué)習(xí)，并繼續(xù)學(xué)習(xí)，直到達(dá)到他們所期望的（最小化錯(cuò)誤概率）程度。監(jiān)督算法可以分為歸類，分類和異常檢測(cè)或維數(shù)縮減。 無(wú)監(jiān)督算法嘗試從可用數(shù)據(jù)中導(dǎo)出值。這意味著，在可用數(shù)據(jù)內(nèi)，算法產(chǎn)生關(guān)系，以便檢測(cè)模式或根據(jù)它們之間的相似程度，將數(shù)據(jù)集劃分為子組。無(wú)監(jiān)督算法可以在很大程度上被分類為關(guān)聯(lián)規(guī)則學(xué)習(xí)和聚類。 加強(qiáng)算法是另一組機(jī)器學(xué)習(xí)算法，它處于無(wú)監(jiān)督和監(jiān)督學(xué)習(xí)之間。對(duì)于每個(gè)訓(xùn)練示例，在監(jiān)督學(xué)習(xí)中有一個(gè)目標(biāo)標(biāo)簽; 在無(wú)監(jiān)督的學(xué)習(xí)中完全沒(méi)有標(biāo)簽; 強(qiáng)化學(xué)習(xí)包括時(shí)間延遲和稀疏標(biāo)簽 - 未來(lái)的獎(jiǎng)勵(lì)。 代理學(xué)習(xí)根據(jù)這些獎(jiǎng)勵(lì)在環(huán)境中的行為。了解算法的局限性和優(yōu)點(diǎn)，并開(kāi)發(fā)高效的學(xué)習(xí)算法是強(qiáng)化學(xué)習(xí)的目標(biāo)。強(qiáng)化學(xué)習(xí)可以解決大量實(shí)際應(yīng)用，從AI的問(wèn)題到控制工程或操作研究，這些都與開(kāi)發(fā)自駕車相關(guān)。這可以分為間接學(xué)習(xí)和直接學(xué)習(xí)。 在自主汽車中，機(jī)器學(xué)習(xí)算法的主要任務(wù)之一是連續(xù)渲染周圍環(huán)境，并預(yù)測(cè)可能對(duì)這些環(huán)境造成的變化。這些任務(wù)分為4個(gè)子任務(wù)： 檢測(cè)對(duì)象 識(shí)別對(duì)象或識(shí)別對(duì)象分類 物體定位與運(yùn)動(dòng)預(yù)測(cè) 機(jī)器學(xué)習(xí)算法被寬泛地分為4類：決策矩陣算法，集群算法，模式識(shí)別算法和回歸算法。可以利用一類機(jī)器學(xué)習(xí)算法來(lái)完成2個(gè)以上的子任務(wù)。例如，回歸算法可以用于對(duì)象定位以及對(duì)象檢測(cè)或運(yùn)動(dòng)預(yù)測(cè)。 決策矩陣算法 決策矩陣算法系統(tǒng)地分析，識(shí)別和評(píng)估信息集和值之間關(guān)系的表現(xiàn)。這些算法主要用于決策。汽車是否需要制動(dòng)或左轉(zhuǎn)是基于這些算法對(duì)物體的下一次運(yùn)動(dòng)的識(shí)別，分類和預(yù)測(cè)的置信度。決策矩陣算法是由獨(dú)立訓(xùn)練的各種決策模型組成的模型，在某些方面，將這些預(yù)測(cè)結(jié)合起來(lái)進(jìn)行總體預(yù)測(cè)，同時(shí)降低決策中錯(cuò)誤的可能性。 AdaBoosting AdaBoosting是最常用的算法。自適應(yīng)提升或AdaBoost是可以用于回歸或分類的多種學(xué)習(xí)算法的組合。與任何其他機(jī)器學(xué)習(xí)算法相比，它克服了過(guò)度擬合，并且通常對(duì)異常值和噪聲數(shù)據(jù)敏感。為了創(chuàng)建一個(gè)復(fù)合強(qiáng)大的學(xué)習(xí)者，AdaBoost使用多次迭代。 因此，它可以很好的適應(yīng)。通過(guò)迭代添加弱勢(shì)學(xué)習(xí)者，AdaBoost創(chuàng)造了一個(gè)強(qiáng)大的學(xué)習(xí)者。一個(gè)新的弱學(xué)習(xí)者被附加到實(shí)體和權(quán)衡載體，以調(diào)整被之前幾輪錯(cuò)誤分類的例子。結(jié)果是，具有比弱學(xué)習(xí)者的分類器高得多的分類器。 AdaBoost有助于將弱閾值分類器提升為強(qiáng)分類器。上面的圖像描繪了AdaBoost在一個(gè)可以理解的代碼的單個(gè)文件中的實(shí)現(xiàn)。該函數(shù)包含一個(gè)弱分類器和boosting組件。 弱分類器嘗試在數(shù)據(jù)維度之一中定位理想閾值，將數(shù)據(jù)分為2類。分類器通過(guò)迭代部分調(diào)用，并且在每個(gè)分類步驟之后，它改變了錯(cuò)誤分類示例的權(quán)重。正因?yàn)槿绱耍瑒?chuàng)建弱分類器的級(jí)聯(lián)行為就像一個(gè)強(qiáng)分類器。 聚類算法 有時(shí)，由系統(tǒng)獲取的圖像不清楚，難以定位和檢測(cè)對(duì)象。有時(shí)，分類算法有可能丟失對(duì)象，在這種情況下，它們無(wú)法對(duì)系統(tǒng)進(jìn)行分類并將其報(bào)告給系統(tǒng)。可能的原因可能是不連續(xù)數(shù)據(jù)，非常少的數(shù)據(jù)點(diǎn)或低分辨率圖像。 聚類算法專門從數(shù)據(jù)點(diǎn)發(fā)現(xiàn)結(jié)構(gòu)。它描述了類的方法和類的問(wèn)題，如回歸。聚類方法通常通過(guò)對(duì)分層和基于質(zhì)心的方法進(jìn)行建模來(lái)組織。所有方法都關(guān)注利用數(shù)據(jù)中的固有結(jié)構(gòu)將數(shù)據(jù)完美地組織成最大共性的組。 K-means K-means—多類神經(jīng)網(wǎng)絡(luò)是最常用的算法，是一個(gè)著名的聚類算法。K-means存儲(chǔ)它用于定義集群的k質(zhì)心。如果一個(gè)點(diǎn)比任何其他質(zhì)心更接近該集群的質(zhì)心，那么這個(gè)點(diǎn)被說(shuō)成是在一個(gè)特定的集群中。通過(guò)根據(jù)當(dāng)前分配數(shù)據(jù)點(diǎn)到集群和根據(jù)當(dāng)前質(zhì)心將數(shù)據(jù)點(diǎn)分配給集群，選擇質(zhì)心之間進(jìn)行交替。 K均值算法 - 簇重心被描繪為十字，訓(xùn)練示例被描繪為點(diǎn)。（a）原始數(shù)據(jù)集。（b）隨機(jī)初始聚類中心。（cf）運(yùn)行2次k-means迭代的演示。每個(gè)訓(xùn)練示例在每個(gè)迭代中分配給最接近的聚類中心，然后將每個(gè)聚類中心移動(dòng)到分配給它的點(diǎn)的平均值。 模式識(shí)別算法（分類） 通過(guò)高級(jí)駕駛輔助系統(tǒng)（ADAS）中的傳感器獲得的圖像由各種環(huán)境數(shù)據(jù)組成; 需要過(guò)濾圖像以通過(guò)排除不相關(guān)的數(shù)據(jù)點(diǎn)來(lái)確定對(duì)象類別的實(shí)例。在分類對(duì)象之前，模式的識(shí)別是數(shù)據(jù)集中的重要一步。這種算法被定義為數(shù)據(jù)簡(jiǎn)化算法。 數(shù)據(jù)簡(jiǎn)化算法有助于減少對(duì)象的數(shù)據(jù)集邊緣和折線（擬合線段）以及圓弧到邊緣。直到一個(gè)角落，線段與邊緣對(duì)齊，并在此之后開(kāi)始一個(gè)新的線段。圓弧與類似于弧的線段的序列對(duì)齊。以各種方式，將圖像的特征（圓弧和線段）組合以形成用于確定對(duì)象的特征。 **支持向量機(jī)（SVM） ** PCA（原理分量分析）和HOG（定向梯度直方圖），支持向量機(jī)（Support Vector Machines，支持向量機(jī)）是ADAS中常用的識(shí)別算法。還使用K個(gè)最近鄰（KNN）和貝葉斯決策規(guī)則。 SVM依賴于定義決策界限的決策平面概念。決策平面分離由不同的類成員組成的對(duì)象集。下圖給出了示意性示例。在這里，對(duì)象屬于RED或GREEN類。分離邊界線將紅色和綠色物體分開(kāi)。任何落在左側(cè)的新對(duì)象都標(biāo)記為RED，如果它落在左邊，則將其標(biāo)記為GREEN。 回歸算法 這種算法有利于預(yù)測(cè)事件。回歸分析評(píng)估2個(gè)或更多個(gè)變量之間的關(guān)系，并將變量的影響整理到不同的量表上，主要由3個(gè)指標(biāo)驅(qū)動(dòng)： 回歸線的形狀 因變量的類型 自變量的數(shù)量 圖像（攝像機(jī)或雷達(dá)）在啟動(dòng)和定位中在ADAS中起著重要作用，而對(duì)于任何算法，最大的挑戰(zhàn)是開(kāi)發(fā)基于圖像的特征選擇和預(yù)測(cè)模型。 通過(guò)回歸算法來(lái)利用環(huán)境的重復(fù)性，以創(chuàng)建給定對(duì)象在圖像中的位置與該圖像之間的關(guān)系的統(tǒng)計(jì)模型。統(tǒng)計(jì)模型，通過(guò)允許圖像采樣，提供快速在線檢測(cè)，可以離線學(xué)習(xí)。它可以進(jìn)一步擴(kuò)展到其他對(duì)象，而不需要廣泛的人造型。對(duì)象的位置由算法返回，作為在線階段的輸出和對(duì)對(duì)象存在的信任。 回歸算法也可以用于短期預(yù)測(cè)，長(zhǎng)期學(xué)習(xí)。可以用于自動(dòng)駕駛的這種回歸算法是決策林回歸，神經(jīng)網(wǎng)絡(luò)回歸和貝葉斯回歸等。 神經(jīng)網(wǎng)絡(luò)回歸 神經(jīng)網(wǎng)絡(luò)用于回歸，分類或無(wú)監(jiān)督學(xué)習(xí)。他們對(duì)未標(biāo)記的數(shù)據(jù)進(jìn)行分組，對(duì)數(shù)據(jù)進(jìn)行分類或在監(jiān)督培訓(xùn)后對(duì)連續(xù)值進(jìn)行預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)通常在網(wǎng)絡(luò)的最后一層使用邏輯回歸的形式，將連續(xù)數(shù)據(jù)變?yōu)?或0變量。