标签：优化 广播 设计 一个 问题 摄像头 规律 alt 结果
【摘要】自动避障一直是困扰无人机领域发展的一项技术难题，传统的ADS-B广播式避障和雷达避障由于其高成本以及重量太大，很难应用到民用无人机上，所以如何在低成本的前提下实现精准定位成为了无人机发展的关键技术之一。然而随着人工智能与大数据的发展，苏黎世大学的教授研究团队给出了我们一种新的方法。
(图片来源于网络)
在今年的人工智能领域顶会AAAI上，苏黎世大学Davide Scaramuzza教授研究团队展示了他们研究的最新成果——基于深度神经网络利用单目视觉帮助无人机穿过森林小道。通过神经网络算法与大数据的结合使无人机具有避障及路径规划功能。通过人工智能的算法，Davide团队的无人机可以做到在无人控制的情况下自主检测周围环境、自主避障并选择出最佳路线。传统的检测与避障方法是通过实时探测的方法进行避障，这就对检测设备的精度要求十分高，不仅成本很高，避障效果也并不够准确。Davide团队很好的解决了这些问题。
Davide团队的新方法只需要三个普通摄像头就可以在人工智能算法的辅助下做到准确避障。之所以可以做到这些，还要有劳人工智能算法。他们所运用的是人工智能中的深度神经网络算法，这其中涉及到两个知识点：神经网络算法和深度学习。下面小编就给大家介绍一下这两种算法的基本知识。
(图片来源于网络)
什么是神经网络？
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，他的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。如图所示，神经网络分为三部分：输入层、隐含层和输出层。其中隐含层又可以细分为很多个小层，每层由一个一个简单的神经元组成。
如图所示，每一个神经元模型的输入是上一层神经元的输出，并且每一个输入对应一个相应的权重值，不同的权重代表了不同输入的影响程度，把所有的输入、权重值以及阈值带入到输出函数中就可以得到一个我们想要的输出。再结合对误差的微调，就可以得到一个满足精度条件的数据。
(图片来源于《机器学习》教材)
什么是深度学习？
而所谓的深度学习就是在模型复杂度增加、容量增大后的更加复杂的学习方法。随着云计算与大数据时代的到来，深度学习可以处理庞大的数据，有了强大的计算能力做支撑，深度神经网络学习方法就可以最大化的发挥它的作用——快速的处理大量的数据并不断地学习优化。
在掌握了这些知识后，再来看Davide团队的研究成果就好理解了。他们首先用登山者头带三个GoPro相机的收集数据，并自动完成了数据的标记；第二步建立深度学习模型，并将输出结果限定为直行、左转和右转三种命令；第三步用手机采集图像，模拟无人机飞行时收到的图像，检测模型效果；第四步分别用AR.Drone 2.0无人机和实验室设计的搭载Odriod处理器的无人机进行真实场景的测试。
(图片来源于网络)
第一步收集数据时，三个相机分别为左中右三个角度，所以分别把三组照片标记为左转、直行和右转。第二步学习环节就用到了我们刚刚所介绍的深度神经网络算法，把之前收集的各种图像数据作为输入，左转、直行和右转作为输出，通过逐渐学习就可以建立一个十分精确的模型，让计算机在类似环境下学会如何像人一样做出正确的决策。
给机器赋予人类的思考方式正是人工智能的精髓，而随着大数据时代的到来，机器可以处理大量的数据，于是我们就可以通过先进的算法“教”机器如何根据大量过去的数据来做现在的决定。事实证明，任何事物都是有规律可循的，当机器掌握了足够多的有用数据及一个优秀的算法后，它可以做出超过人类判断能力的决定。就像Davide团队研发的无人机在经过深度学习培训后，其做决定的准确率达到了85.23%，甚至超过了人类的82.00%。而且人工智能另一个特点是学习的过程是持续的，所以只要数据库不断的增大，且不断的对误差进行微调，准确率将越来越高。
(图片来源于网络)
可以想见，未来是属于人工智能的，而无人机是人工智能最理想的载体之一，二者的结合将成为必然，而随着算法的不断优化，人工智能在无人机上的应用将远远不止自动避障这一项，而无人机也将变得越来越智能。
标签：优化 广播 设计 一个 问题 摄像头 规律 alt 结果
原文地址：http://www.cnblogs.com/DarrenChan/p/7096949.html
