Valeo是一家專注于汽車創新的科技公司，最近開發了一種用于汽車速度控制的端到端仿制學習系統。他們的方法在arXiv預先發表的論文中概述，使用具有長期短期記憶的神經網絡(LSTM)，這是一種可以學習長期依賴性的遞歸神經網絡(RNN)。

“法雷奧是自動駕駛汽車的傳感器，耳朵和眼睛的世界領導者，并且已經取得了多項世界第一，例如最近對我們的Valeo Drive4U車輛的試驗，這是第一輛在巴黎街頭展示的自動駕駛汽車，”進行這項研究的研究人員之一Emilie Wirbel告訴TechXplore。“我的團隊和我在該公司的56個研發中心之一工作，調查深度學習如何用于更好地決定和控制自動駕駛汽車。這項研究的目的是證明可以處理復雜的情況通過僅使用相機并從人類駕駛員可以做的事情中學習，可以在城市環境中遇到這種情況。“

由Wirbel及其同事開發的新系統采用了依賴于深度學習技術的人工神經網絡(ANN)。該網絡提供了一個人類操作汽車的演示，這些汽車是從正面攝像頭拍攝的，因此非常類似于駕駛時人們所看到的。

然后訓練神經網絡模仿駕駛員的動作，特別是重點關注再現汽車的當前速度。例如，當輸入圖像包含50千米/小時的速度限制面板時，網絡確保汽車的速度不會超過50公里/小時。

“當我們面前有另一輛車時，人類駕駛員會相應減速，網絡也應該學會這樣做，”Wirbel解釋道。“我們的方法試圖復制人類學習和駕駛的方式。網絡只接收來自正面攝像機的信息，并且不需要明確的感知，例如，與交通燈或車道相關，就像人類駕駛員沒有明確的模型，準確地說明了線條的位置以及它們的形狀。“

在訓練他們的神經網絡后，Wirbel和她的同事在模擬環境中對其進行了測試，然后將其集成到真實的汽車中，在具有挑戰性的測試軌道上評估其性能。他們發現他們的系統有效地應對復雜的情況，在必要時控制汽車的速度(例如在交通錐和急轉彎時減速，在障礙物處停下來以及接近警告標志時等)。

“我們的研究證明，復雜的情況，例如工作區，意想不到的障礙等，只能通過觀察人類會做什么然后在新的類似情況下再現它來處理，”Wirbel說。“這意味著只要我們有足夠的演示數據，我們就可以處理人類駕駛員合理處理的用例。這可以用于復雜的交互情況，結合更經典的方法，使車輛能夠始終如一地做出反應而且很聰明。“

Wirbel及其同事設計的系統取得了非常有希望的成果，很快就可以應用于自動駕駛汽車，從而實現更有效的速度控制和更直觀的駕駛。研究人員正在計劃將他們的概念證明擴展到更復雜的情況，教他們的系統處理與路上其他車輛的更廣泛的交互，以及增加更復雜的機動，例如改變車道，在十字路口轉彎，或者導航環形交叉路口。

“我們還希望研究系統的可解釋性和與現有自動駕駛汽車的兼容性，向最終用戶解釋網絡如何感知其環境及其決策的原因，”Wirbel補充說。“研究路線圖非常廣泛，因此我們參加并參與主要科學會議，以跟上該領域最新的發展現狀。我們作為研發團隊的角色也是為法雷奧的其余部分提供合適的權利。關鍵和專業知識，使我們的概念證明更接近生產。“