Otonom sürüşte kullanılan makine öğrenimi algoritmalarını anlamak için bir makale
Annie Tang Xu, KDnuggets'tan derlendi Qubit Üretildi | Genel Hesap QbitAI
Otonom sürüş için çeşitli çözümlerde makine öğrenimi algoritmaları yaygın olarak kullanılmaktadır.Elektronik kontrol ünitesindeki sensör veri işleme, makine öğreniminin kullanımını büyük ölçüde geliştirmiştir.Ayrıca, farklı harici ve dahili sensörlerin veri füzyonunun kullanılması gibi bazı potansiyel uygulamalar da vardır ( Lidar, radar, kamera veya Nesnelerin İnterneti gibi), sürücünün durumunu değerlendirin veya sürüş sahnesini sınıflandırın.
Yazar Savaram Ravindra, KDnuggets web sitesinde yakın zamanda yayınlanan bir makalede, otonom sürüşteki makine öğrenimi algoritmalarını karar matris algoritmaları, kümeleme algoritmaları, örüntü tanıma algoritmaları ve regresyon algoritmaları olmak üzere dört ana kategoriye ayırdı.
Bu algoritmaların nasıl uygulandığını onunla birlikte görelim.
Algoritmaya genel bakış
Öncelikle böyle otonom bir sürüş senaryosunu hayal edelim - arabanın bilgi-eğlence sistemi sensör veri füzyon sisteminden bilgi alıyor Sistem sürücünün hasta olduğunu tespit ederse, sürücüsüz aracı yakındaki bir hastaneye yönlendirecektir.
Bu uygulama makine öğrenimine dayanır ve sürücünün sesini ve davranışını tanıyabilir ve dil çevirisi yapabilir. Tüm bu algoritmalar iki kategoriye ayrılabilir: denetimli öğrenme ve denetimsiz öğrenme İkisi arasındaki fark, öğrenme yöntemlerinde yatmaktadır.
Denetimli öğrenme algoritması, öğrenmek için eğitim veri setini kullanır ve gerekli güveni (minimum hata olasılığı) elde etmeyi öğrenmeye devam eder. Denetimli öğrenme algoritmaları regresyon, sınıflandırma ve anormallik algılama veya boyut azaltma problemleri olarak ikiye ayrılabilir.
Denetimsiz öğrenme algoritmaları, mevcut verilerden değer kazanacaktır. Bu, algoritmanın verilerin dahili bağlantılarını bulabileceği, desenler bulabileceği veya veriler arasındaki benzerlik derecesine göre veri setini alt gruplara bölebileceği anlamına gelir. Denetimsiz algoritmalar kabaca ilişkilendirme kuralı öğrenme ve kümeleme olarak sınıflandırılabilir.
Takviye öğrenme algoritması, başka bir tür makine öğrenimi algoritmasıdır, bu öğrenme yöntemi denetimli öğrenme ile denetimsiz öğrenme arasındadır. Denetimli öğrenme, her eğitim örneğine bir hedef etiket verecektir Denetimsiz öğrenme asla bir etiket oluşturmaz - ve pekiştirmeli öğrenme onların denge noktasıdır. Zaman gecikmeli seyrek etiketlere sahiptir - yani gelecekteki ödüller. Her temsilci, çevresel ödüllere göre kendi davranışını öğrenecek. Algoritmaların avantajlarını ve sınırlamalarını anlamak ve verimli öğrenme algoritmaları geliştirmek, pekiştirmeli öğrenmenin amacıdır.
Kendi kendine giden arabalarda, makine öğrenimi algoritmalarının ana görevlerinden biri, çevredeki ortamı sürekli olarak algılamak ve olası değişiklikleri tahmin etmektir.
Bunu dört alt göreve ayırsak iyi olur :
-
Algılama nesnesi
-
Nesne tanıma ve sınıflandırma
-
Nesne konumlandırma
-
Hareket tahmini
Makine öğrenimi algoritmaları da gevşek bir şekilde dört kategoriye ayrılabilir :
-
Karar matrisi algoritması
-
Kümeleme Algoritması
-
Örüntü tanıma algoritması
-
Regresyon algoritması
Makine öğrenme algoritmaları ile görev sınıflandırması arasında bire bir ilişki yoktur.Örneğin, regresyon algoritmaları nesne lokalizasyonu, nesne algılama ve hareket tahmini için kullanılabilir.
Karar matrisi algoritması
Karar matris algoritmaları, bir dizi bilgi kümesinin performansını ve değerler arasındaki ilişkileri sistematik olarak analiz edebilir, tanımlayabilir ve değerlendirebilir.Bu algoritmalar esas olarak kullanıcı kararlarıdır. Bir aracın frenlenmesi veya yönlendirilmesi, bir sonraki hareketli nesneyi tanımak, sınıflandırmak ve tahmin etmek için algoritmanın güven düzeyine dayanır. Karar matrisi algoritması, bağımsız olarak eğitilmiş çeşitli karar modellerini birleştiren bir modeldir.Belirli bir dereceye kadar, bu tahminler, karar vermenin hata oranını düşürürken genel bir tahmin oluşturmak için birleştirilir. AdaBoosting en yaygın kullanılan algoritmadır.
AdaBoost
Adaptive Boosting algoritması kısaca AdaBoost olarak da anılabilir.Çoklu öğrenme algoritmalarının bir kombinasyonudur ve regresyon ve sınıflandırma problemlerine uygulanabilir. Diğer makine öğrenimi algoritmalarıyla karşılaştırıldığında, aşırı uyum probleminin üstesinden gelir ve aykırı değerlere ve gürültülü verilere karşı çok hassastır. AdaBoost, uyarlanabilir güçlü bir öğrenci oluşturmak için birden fazla yineleme gerektirir. Öğrenci, yanlış sınıflandırılan örneklere odaklanacak ve sonunda zayıf öğrencileri ağırlıklandırma yoluyla güçlü öğrenenler olarak birleştirecektir.
AdaBoost, zayıf eşik sınıflandırıcılarını güçlü sınıflandırıcılara yükseltmeye yardımcı olur. Yukarıdaki resim AdaBoost algoritmasının anlaşılır bir kodla tek bir dosyada nasıl uygulanacağını göstermektedir. Bu işlev, zayıf bir sınıflandırıcı ve artırıcı bileşen içerir.
Zayıf sınıflandırıcı, veri boyutunda ideal eşiği bulmaya çalışır ve verileri 2 kategoriye ayırır. Veriler, sınıflandırıcı yinelemesi sırasında çağrılır ve her sınıflandırma adımından sonra, sınıflandırılmış örneğin ağırlığı değiştirilir.
Bu nedenle, aslında kademeli bir zayıf sınıflandırıcı oluşturur, ancak performans, güçlü bir sınıflandırıcı kadar iyidir.
Kümeleme Algoritması
Bazen sistem tarafından elde edilen görüntü net değildir, nesneyi bulmak ve tespit etmek zordur ve sınıflandırma algoritması nesneyi kaybedebilir. Bu durumda problemi kategorize edip sisteme bildiremezler. Bu fenomenin olası nedenleri arasında sürekli olmayan veriler, birkaç veri noktası veya düşük çözünürlüklü görüntüler yer alır. K-aracı, ortak bir kümeleme algoritmasıdır.
K-anlamı
K-aracı, iyi bilinen bir kümeleme algoritmasıdır, ilk kümeleme merkezi olarak veri nesnelerinden herhangi bir k nesneyi seçer ve ardından her bir nesnenin ortalama değerine (merkezi nesne) göre her nesne ile merkez nesne arasındaki mesafeyi hesaplar. Ardından nesneyi minimum mesafeye göre yeniden bölün. Son olarak, ayarlanmış kümelerin ortalamasını yeniden hesaplayın.
Aşağıdaki şekil K-ortalamaları algoritmasını göstermektedir. Bunlar arasında, (a) orijinal veri setini temsil eder, (b) rastgele ilk küme merkezlerini temsil eder ve (c-f) k-ortalamalı yinelemeli gösterimi iki kez çalıştırmayı temsil eder.
Örüntü tanıma algoritması (sınıflandırma)
Gelişmiş Sürüş Yardım Sisteminde (ADAS) sensörler tarafından elde edilen görüntüler çeşitli çevresel verilerden oluşur ve nesne sınıflandırma örneklerini belirlemek ve ilgisiz veri noktalarını hariç tutmak için görüntü filtreleme kullanılabilir. Nesneleri sınıflandırmadan önce desen tanıma önemli bir adımdır ve bu algoritma bir veri azaltma algoritması olarak tanımlanır. Veri azaltma algoritması, veri setinin kenarlarını ve çoklu çizgilerini (uygun çizgi segmentlerini) azaltabilir.
PCA (Prensip Bileşen Analizi) ve HOG (Yönlendirilmiş Gradyan Histogramı), Destek Vektör Makineleri (SVM) ADAS'ta yaygın olarak kullanılan tanıma algoritmalarıdır. Ayrıca sıklıkla K-En Yakın Komşu (KNN, K-En Yakın Komşu) sınıflandırma algoritmalarını ve Bayesçi karar kurallarını kullanırız.
Destek Vektör Makinesi (SVM)
SVM, karar sınırını tanımlayan karar verme düzeyi kavramına dayanır. Karar düzlemi, farklı sınıf üyelerinden oluşan nesneler kümesini ayırır. Aşağıda şematik bir diyagram bulunmaktadır. Burada nesneler ya kırmızı ya da yeşildir ve ayırma çizgisi birbirini ayıracaktır. Sola düşen yeni nesneler kırmızı olarak işaretlenecek ve sağdakiler yeşil olarak işaretlenecektir.
Regresyon algoritması
Bu algoritmanın özelliği, olayları tahmin etmektir. Regresyon analizi, iki veya daha fazla değişken arasındaki korelasyonu değerlendirir ve değişkenlerin farklı ölçeklerdeki etkilerini karşılaştırır. Regresyon algoritmaları genellikle üç ölçüm tarafından yönlendirilir:
-
Regresyon çizgisinin şekli
-
Bağımlı değişkenin türü
-
Bağımlı değişkenlerin sayısı
İnsansız araçların sürülmesinde ve konumlandırılmasında, görüntüler ADAS sisteminde kilit rol oynar. Herhangi bir algoritma için en büyük zorluk, özellik seçimi ve tahmini için görüntü tabanlı bir modelin nasıl geliştirileceğidir.
Regresyon algoritması, görüntüdeki belirli bir nesnenin konumu ile görüntünün kendisi arasındaki ilişkiyi ortaya çıkaran olasılıksal bir model oluşturmak için ortamın tekrarlanabilirliğini kullanır. Grafiksel örnekleme yoluyla, bu olasılık modeli hızlı çevrimiçi algılama sağlayabilir ve ayrıca çevrimdışı olarak da öğrenilebilir. Model, çok fazla insan modellemesi gerektirmeden diğer nesnelere de genişletilebilir. Algoritma, çevrimiçi durumda bir çıktıya sahip bir nesnenin konumunu ve nesnenin varlığına dair bir güveni döndürür.
Regresyon algoritmaları kısa vadeli tahmin ve uzun vadeli öğrenmeye de uygulanabilir.Otonom sürüşte özellikle karar ormanı regresyonu, sinir ağı regresyonu ve Bayes regresyonu için kullanılır.
Tekrarlayan sinir ağı
Sinir ağları regresyon, sınıflandırma veya denetimsiz öğrenme için kullanılabilir. Etiketsiz verileri gruplandırır ve kategorilere ayırırlar veya sürekli değerleri tahmin etmek için eğitimi denetlerler. Sinir ağının son katmanı genellikle sürekli değerleri lojistik regresyon yoluyla değişkenler 0 veya 1'e dönüştürür.
Yukarıdaki diyagramda, x girdiyi temsil eder ve özellikler önceki katmandan ağdaki bir sonraki katmana aktarılır. Son gizli katmanın her düğümüne birçok x girilecek ve her x ilgili ağırlık w ile çarpılacaktır. Ürünlerin toplamı bir aktivasyon fonksiyonuna taşınacaktır.Pratik uygulamalarda, genellikle ReLu aktivasyon fonksiyonunu kullanırız. Sigmoid işlevi gibi sığ gradyan problemleriyle uğraşırken doyurmak kolay değildir.
Bitiş
