自駕車也有識人之明？如何利用機器學習來實現影像辨識系統
自動駕駛是現在非常熱門的話題，但要讓自動駕駛成真，需要搭配很多感測周圍情況的設備，才能夠讓自駕車安全上路。在本篇文章中，我們將介紹自駕車的影像自動辨識系統，在透過 video cameras 得到車前影像後，該如何利用這些影像資料來進行機器學習，進而辨識出道路上的物件，以保障行車的安全。
影像辨識技術的基本需求，就是希望能從影像中自動找出想要辨識的物件。在自駕車的應用上，為了達到自動駕駛的目的以及保護在道路上行車的安全，我們希望能從影像中自動判斷出是否出現行人或車輛等物件。然而從影像中自動辨別物件的方法有很多種，如過去許多經典的影像處理方法，分析並比較照片中的某些特徵。但這些傳統的影像辨識方法，一直具有錯誤率過高的瓶頸，直到機器深度學習的出現後，才徹底改善物件辨識率過低的問題。
機器越學習越聰明？
機器學習通常可以這樣定義：「從過往的資料和經驗中學習與訓練，最後達到自主判斷或預測結果的目標。」也就是它能為未曾見過的圖像做辨識，並預測這個新圖像可能是什麼。機器學習又分成很多類型，圖像辨識經常使用監督式學習（Supervised learning）。監督式學習是要先提供問題以及正確的答案，讓電腦去學習辨認。就像在教育小孩一樣，你要教小孩叫媽媽，首先你要告訴他誰是媽媽。所以在辨識行人或車輛前，你得要先告訴它什麼是行人，什麼是車輛。當我們要辨識圖中的車輛，就要把車輛標示出來，告訴機器，框框內的物件就是車輛，而把行人與車輛標示出來的這個動作，我們稱為標籤化。
這些標籤化的影像，其實就是提供電腦我們希望它能夠辨識的物件，讓電腦去學習。所以若我們想要提高其辨識的準確度，就需要大量的標籤化影像，而這些大量標籤化後的影像資料，將成為我們用來訓練類神經網路系統的影像資料庫。透過大量影像資料的訓練，讓機器能夠不斷的學習，並透過結果的反饋，也就是告訴機器判斷的結果是否正確，進而修正調整類神經網路上每個神經元的參考權重值，最後機器判斷的結果將會越來越準確。
為了達到較高的辨識準確率，在影像的辨識系統上，通常會使用深度學習（deep learning）。這是一種特定的機器學習法：「深度神經網路」，也就是使用較多層的類神經網路，它的辨識準確率比其他的機器學習方法要高很多。深度學習這項現在最熱門的技術，其實並非最近幾年才提出的構想，而是因為過去硬體處理器無法負荷深度學習所帶來龐大的運算量，因此過去難以實現這套理論架構。但因為現在的硬體處理器技術與速度都比過去提升很多，也使利用深度學習的影像與聲音辨識技術得以實現。
[related-post url=”https://tomorrowsci.com/technology/mit-%E9%81%93%E5%BE%B7%E5%BF%83%E7%90%86%E5%AD%B8%E7%A0%94%E7%A9%B6-%E8%87%AA%E5%8B%95%E9%A7%95%E9%A7%9B-%E8%BB%8A%E7%A6%8D-%E7%94%9F%E6%AD%BB%E6%8A%89%E6%93%87/”]讓智慧駕駛成真
上述為利用機器學習進行圖形辨識的最基本介紹。人工智慧在影像辨識技術上不斷有所突破，讓自駕車能自動辨識出前方的障礙物，並做出相對應減速或煞車的動作，以確保車輛駕駛的安全。其實，自動駕駛要能夠實現，最重要的還是要能保護自身與用路人的安全。雖然再先進的感測裝置都無法保證百分之百準確，但可以期待的是，隨著未來科技不斷發展與創新，不論無人駕駛或輔助駕駛，一定都能讓未來的行車更加安全且有保障。
參考資料：
- 涂煥昌 (2017)。讓機器「看懂」世界–掌握人工智能發展關鍵的「DT42」團隊。科技部科技大觀園網站
- 財團法人車輛研究測試中心 (簡稱車輛中心，ARTC)。影像式前方障礙物辨識系統
- 粘為博、陳澤民、張雍昌、陳立函、楊宗賢、徐志偉 (2017)。無人駕駛車／自駕車技術探索。電通與通訊期刊
