1.自动驾驶车辆中采用的AI算法

1.1.路径规划和控制算法

计算机科学中的传统启发式算法可用于路径规划和控制，例如Bellman-Ford算法和Dijkstra算法。要应用这些算法，需要全程对车辆进行定位，而定位要通过GPS等传感器，以及同步定位与制图（SLAM）技术来完成。

SLAM可用于无法搜索到GPS信号的地方，例如地下或封闭空间；它生成由地标或障碍物组成的环境图，同时估计车辆状态。SLAM适用于无法使用地图但需要创建地图的应用，它采用传感器和特殊算法创建数据模型，并生成地图。

1.2.目标检测算法

目标检测是AI在移动车辆中需要处理的最重要任务之一。其算法一直是业界积极研究的方向。目标检测依赖于不同的传感器，如摄像头或激光雷达、雷达或其它类型的传感器。它通常使用深度学习算法及某种类型的神经网络来完成工作。

目标检测必须快速，因为它要处理的是车辆行驶时产生的一系列连续图像。

一些最新的技术都基于卷积神经网络（CNN），如R-CNN、快速R-CNN和You Only Look Once（Yolo）方法。R-CNN方法首先查找图像中包含潜在对象的区域，然后尝试分析每个区域，因此它有些慢，这也是快速R-CNN方法和Yolo方法出现的原因。Yolo方法采用单个卷积神经网络查找区域，并同时对区域中的对象进行分类，因此比其它方法快很多。而且，Yolo能够看到整个图像，它不会引起R-CNN方法可能遇到的问题，例如将背景图误认为目标对象。

1.3.决策算法

决策是指根据来自传感器的信息确定车辆的动作。车辆会根据其规则和环境不断做出决策,用于决策的算法包括：

决策树

支持向量机（SVM）回归

深度强化学习

更多详细内容