学习笔记---自动驾驶

一、理论知识

1. 自动驾驶决策概述：自动驾驶决策层是系统的核心，负责根据感知层信息建立模型，分析并制定决策策略，控制车辆行驶。

2. 端到端深度神经网络：通过深度神经网络将感知数据直接映射到控制命令，简化自动驾驶系统的决策流程。

3. 卷积神经网络（CNN）：关键技术用于提取图像特征，包括卷积层、激活函数、池化层等组件处理图像数据。

4. 循环神经网络（RNN）：处理序列数据，如车辆历史速度序列，用于建模时间序列信息。

5. 长短时记忆网络（LSTM）：RNN的改进型，学习长期依赖关系，适用于长序列数据处理。

6. ResNet网络：引入残差学习解决梯度消失问题，提升网络性能。

7. 端到端自动驾驶决策方法：直接使用传感器数据作为输入，通过深度学习模型输出驾驶决策，如转向角和速度。

8. 多任务端到端自动驾驶决策模型：针对特征提取能力弱的问题，提出多任务学习机制，通过参数稀疏共享增强网络特征提取，并结合空间和时序特征预测转向角和速度。

9. 注意力机制：引入空间和时间注意力机制，增强模型对关键目标的特征提取及车辆运动速度序列的时序关系建模。

10. 未来帧时空特征：在模型训练阶段使用未来帧数据标签，提高模型提取未来帧时空特征的能力。

11. 多任务学习：通过同时训练多个相关任务提升模型泛化能力，如同时预测转向角和速度。

二、多任务学习机制在自动驾驶决策模型中是如何具体实现的？

关键步骤：