雷锋网按：本文刊载于kdnuggets，由林立宏、吴楚编译器。将汽车内外传感器的数据展开融合，借以评估驾驶员情况、展开驾驶员场景分类，都要中用机器学习。本文中，我们介绍了有所不同的自动驾驶算法。

自动驾驶汽车的设计生产面对着诸多挑战，如今，各大公司早已普遍使用机器学习找寻适当的解决方案。汽车中的ECU（电子掌控单元）早已统合了传感器数据处理，如何充分利用机器学习已完成新的任务，显得至关重要。潜在的应用于还包括将汽车内外传感器的数据展开融合，借以评估驾驶员情况、展开驾驶员场景分类。

这些传感器还包括像激光雷达，雷达，摄像头或者是物联网。车载信息娱乐系统所运营的应用于，能从传感器数据融合系统中获取数据。

荐个例子，如果系统察觉到驾驶员再次发生状况，有能力把车直奔医院。基于机器学习的应用于，还包括对驾驶员的语言和手势辨识以及语言翻译成。涉及的算法被分类为非监督和监督算法。

它们两者的区别在于自学的方式。监督自学算法用于训练数据集自学，并且需要持续自学直到超过原作的置信水平（最小化错误概率）。监督自学算法分成重返、分类和出现异常检测以及数据降维。

无监督自学算法，则尝试挖出受限数据的价值。这意味著，算法不会在能用数据内创建关系，以检测模式或者将数据集分为子类（各不相同之间的相近度）。从广义上，无监督算法可以可分成关联规则学习和聚类。强化自学算法是另外一种机器学习算法，介于非监督自学和监督自学之间。

对于所有训练的例子，监督自学中有目标标签，无监督自学中却几乎没标签。增强自学有延后的、稠密的标签——未来的奖励。

根据这些奖励，智能体自学作出合理不道德。去解读算法的局限性和优点，研发更为高效的自学算法，是强化自学的目标。

强化自学可以解决问题大量实际应用于，从AI的问题到控制工程或操作者研究——所有这些都与研发自动驾驶汽车涉及。这可以被分成间接自学和必要自学。在羞自动驾驶汽车上，机器学习算法的一个主要任务是持续图形周围的环境，以及预测有可能再次发生的变化。

这些任务可以分成四个子任务：目标检测目标辨识或分类目标定位运动预测机器学习算法可以非常简单地分成4类：决策矩阵算法、聚类算法、模式识别算法和重返算法。可以利用一类机器学习算法来已完成两个以上的子任务。例如，重返算法需要用作物体定位和目标辨识或者是运动预测。

本文来源：中欧体育-www.guo758.com