美国学生利用边缘强化学习计算帮助自动驾驶汽车在赛道上辨别方向-电子工程世界

据外媒报道，美国查尔斯顿学院（College of Charleston）数据科学专业的两名学生在科技公司Logicalis的指导下，完成了竞争学习（人工神经网络的一种学习方式），即利用边缘强化学习（RL）计算，帮助自动驾驶汽车在行驶时辨别方向。

黑科技，前瞻技术，自动驾驶，查尔斯顿学院自动驾驶,查尔斯顿学院RL,边缘强化学习自动驾驶,竞争学习自动驾驶，汽车新技术

（图片来源：DeepRacer汽车）

该团队推出的系统，以物联网（IoT）为基础，采用Wi-Fi网联软件，利用亚马逊云计算IaaS和PaaS平台服务AWS的DeepRacer云控制台，能够与车辆进行通信，并且捕获摄像头图像，以更好地了解车辆的路径和位置，并且向其发送指令以改善加速和路径选择等性能。该团队表示，他们研发的竞争学习能够让该系统的表现优于基于AWS的模型。而且学生们研发的系统能够让车辆或其他设备了解其环境，并根据收集和解释的数据，在边缘（使用平板电脑或笔记本电脑）做出响应。

Starr和Turner都是数据科学专业的学生，他们参加了AWS DeepRacer项目（AWS发起的一项比赛，要求开发人员和科学家利用机器学习构建自动驾驶汽车），主要关注于为自动驾驶汽车研发和微调算法，从而能够利用传感器数据探测车辆位于哪个赛道上，并且利用此类数据以及机器学习，从基于云的软件中无线分享信息、接收提示，让自动驾驶汽车自己得到训练，并在赛道上保持最高行驶速度。

在构建基于IoT的解决方案之前，该研究小组考虑了几个选择，首先在虚拟车辆上采用了该解决方案。该团队获取了DeepRacer汽车以及赛道beta仿真，然后开始研发和测试RL算法。学生们利用模拟车型，并且将车辆命名为Virtual Car 42 。然后，他们开始对模拟车辆进行测试，结果发现，在正确完成特定圈数的基础上，他们研发的学习算法使其模拟车辆的表现优于AWS DeepRacer汽车。例如，该算法可以识别路上的弯道，并且调整车辆的转向和加速度，以尽可能快的速度在每条弯道上行驶。

2019年7月，该团队在实体车上使用了该软件。该实体车配备了车载摄像头和加速度陀螺仪，能够帮助识别车辆位置。学生们使用AWS Sage Maker机器学习平台，AWS Robotmaker机器人仿真平台通过WiFi或USB棒向车辆传输代码，然后，研究小组可以利用iPad或计算机对车辆数据的输入和输出进行控制。

应用于Virtual Car 42的机器学习算法也可以用于其他设备，例如商业或工艺应用中的设备或车辆。例如，通过使用WiFi或其他无线网络进行物联网连接，设备可以利用传感器捕捉并提供诸如预测性维护、图像和声音识别、监控等信息，同时还支持自动驾驶。