優達學城的行為轉殖是端到端無人駕駛專案。首先通過人為操作車輛（模擬器）行駛來採集控制資料**向角、油門等）。在該過程中，需要記錄攝像頭採集的道路場景影象。在實踐中，為了獲得更多的資料，提高模型的泛化能力可以使用多個（例如三個）攝像頭同時採集不同角度的路況影象。當汽車要偏離車道中心時，不同的攝像頭資料有利於汽車從車道兩邊回到中間車道。資料量不夠，可以通過資料增強來獲得數倍的資料。對得到的影象資料進行裁剪，把無關緊要的資料處理掉。採集到的影象資料作為卷積神經網路模型（cnn）的輸入引數，汽車的控制引數作為模型的輸出資料。得到模型後，對攝像頭採集到的路況場景進行**，得到控制引數，輸入模擬器中，從而達到控制汽車自動駕駛的目的。
參考nvidia公司的文章:「end to end learning for self-driving cars」
事實證明，這種端到端方法非常強大。通過最少的人類訓練資料，系統會學習在有或沒有車道標記的情況下駕駛本地道路和高速公路。
訓練該系統以自動學習必要處理步驟的內部表示，例如檢測有用的道路特徵，僅使用人類轉向角作為訓練訊號。我們從未明確地訓練它來檢測例如道路的輪廓。與使用顯式分解問題的方法（例如車道標記檢測，路徑規劃和控制）相比，我們的端到端系統同時優化所有處理步驟。
與車道標識設計、路徑規劃和控制等問題分解相比，
Udacity無人駕駛課程筆記 感知
對計算機而言，影象只有紅色 藍色和藍色值的集合。無人駕駛有四個感知世界的核心任務 檢測 分類 跟蹤 語義分割。檢測 找出物體在環境中的位置 分類 指明物件是什麼 跟蹤 指隨時間推移觀測移動的物體 如行人 車輛 語義分割 將特許骯髒的每乙個畫素與語義類別進行匹配。攝像頭影象是最常見的計算機視覺資料，影...
Udacity無人駕駛課程筆記 控制
控制器預計有兩種輸入 目標軌跡和車輛狀態。控制器輸出 控制出入 向 加速和制動 的值。優點 使用簡單，大多數情況下適用。缺點 對於複雜的系統不適用，pid控制器依賴於實時誤差測量，這意味著測量延遲限制時可能會失效。線性二次調節器 lqr 是基於模型的控制器，使用車輛狀態來使誤差最小化，apollo使...
無人駕駛汽車
無人駕駛汽車是智慧型汽車的一種，也稱為輪式移動機械人，主要依靠車內的以計算機系統為主的智慧型駕駛儀來實現無人駕駛的目標。據湯森路透智財權與科技最新報告顯示，2010年到 2015年間，與汽車無人駕駛技術相關的發明專利超過22,000件，並且在此過程中，部分企業已嶄露頭角，成為該領域的行業領導者。無人...