人工智能导论（第2版）课件 项目8、9 无人驾驶、数据挖掘

无人驾驶项目八IntroductiontoArtificialIntelligence人工智能导论CONTENTS01项目概述02思政聚焦0304项目相关知识05项目任务06项目小结与展望思维导图07项目重难点01项目概述无人驾驶是一种安全、高效的出行方式，将彻底改变人们的工作和生活，重塑城市图景，甚至改变地球的生态环境。人工智能导论----无人驾驶02思维导图本章思维导图03项目重难点理解无人驾驶系统的基本组成。了解无人驾驶系统的基本原理。了解无人驾驶系统感知器的类型项目重难点项目重点理解无人驾驶系统中决策原理。理解无人驾驶系统的几种控制方式。项目难点04思政聚焦在无人驾驶算法研发与工程实现中，技术人员必须树立“行人优先”的核心价值导向，将行人生命安全置于车辆、财产等利益之上，构建以人为本的决策逻辑。面对突发冲突场景，智能决策算法不能仅依靠机械规则做数值权衡，而要把保护行人作为第一优先级，充分体现生命至上的社会主义价值理念。。无人驾驶：以人为本05项目相关知识无人驾驶的概念无人驾驶，顾名思义即不依赖驾驶员，而依靠车内的以计算机系统为主的智能驾驶仪来实现驾驶的车辆。它又可以被称为轮式移动机器人，是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路信息、其他车辆位置和障碍物信息，控制车辆的转向和速度，从而使汽车安全、可靠地行驶到预设目的地。无人驾驶车的标准无人驾驶车的标准是什么呢?智能到什么程度的无人驾驶车才算是人们心目中的无人驾驶车？美国交通运输部明确了无人驾驶汽车以SAE(SocietyofAutomotiveEngineers)的6级作为分级标准(L0-L5)等级叫法转向、加减速控制对环境的观察激烈驾驶应对应对工况L0人工驾驶驾驶员驾驶员驾驶员-L1辅助驾驶驾驶员+系统驾驶员驾驶员部分L2半自动驾驶系统驾驶员驾驶员部分L3高度自动驾驶系统系统驾驶员部分L4超高度自动驾驶系统系统系统部分L5全自动驾驶系统系统系统全部谷歌无人汽车2014年5月28日谷歌发布了一款自已设计的无人驾驶汽车。它能载人到处跑，还没个方向盘。这就是谷歌联合创始人谢尔盖.布林领导的创新小组GoogleX的最新项目。谷歌无人驾驶原型车采用两套行驶系统(每套行驶系统包括一个驱动系统和一个制动系统)，谷歌称这两套系统为容错架构。当车辆其中一套行驶系统发生故障时，另一套系统便会启动，以保证乘客的安全。此外，谷歌表示，为保证乘客的安全性，谷歌无人驾驶原型车的前保险杠采用了压缩泡沫支撑，前挡风玻璃采用了柔性材料打造。此外，该车的最大时速被限制在40km/h。无人驾驶系统组成无人驾驶系统工作原理无人驾驶系统工作原理车辆实现无人驾驶,必须经由三大技术环节才能实现,其中每一个环节都离不开人工智能技术。感知系统感知也就是让车辆获取信息,各种系统所用的车辆传感器也各有不同的类型，最常用的包括红外雷达、超声雷达、激光雷达、米波雷达、图像传感器和轮速感测器等,以检测车辆的工作状态,收集车辆的实时信息,读取不断发生变化的状况参数。决策系统在对周围物体作出识别进行了解并进行定位后，决策系统就可以开始做出相关的决策：利用算法决定汽车的下一步的行为。从最简单的“红灯停、绿灯行”到变道换路等，决策系统不但要利用实时的定位，还要结合当前道路拥堵情况、路面质量、信号灯等待时间等一系列因素来进行决策以获取最佳的行驶路线。执行系统执行系统是在决策系统进行操控之后，对汽车的油门、刹车、方向盘、车灯等进行物理层面的控制，严格的执行决策系统的决策。无人驾驶感知系统1.雷达Radar无人驾驶汽车装载了4个标准自动高敏感度的雷达，其中三个在前面，另一个在后面保险杠上，它可以用来跟踪附近的物体。帮助驾驶者定位与其他事物的距离。当它在汽车的盲点内检测到物体时便会发出警报2、车道保持系统Lane-keeping在挡风玻璃上装载的摄像头可以通过分析路面和边界线的差别来识别车道标记。如果汽车不小心离开了车道，方向盘会轻微震动来提醒驾驶者。3、激光测距系统LIDAR谷歌采用了Velodyne公司的车顶激光测距系统。扫描器发射64束覆盖汽车周围360°角内的区域距离可以精确到2cm以内的激光射线，然后激光碰到车辆周围的物体，又反射回来，这样就计算出了物体的距离。另-套在底部的系统测量出车辆在三个方向上的加速度、角速度等数据，然后再结合GPS数据计算出车辆的位置，所有这些数据与车载摄像机捕获的图像一起输入计算机，软件以极高的速度处理这些数据。这样，系统就可以非常迅速的作出判断。4、红外摄像头InfraredCamera无人驾驶汽车的夜视辅助功能使用了两个前灯来发送不可见且不可反射的红外光线到前方的路面。而挡风玻璃上装载的摄像头则用来检测红外标记，并且在仪表盘的显示器上呈现被照亮的图像(其中危险因素会被突出)5、立体视觉StereoVision在无人汽车前挡风玻璃上装载了两个摄像头将会实时生成前方路面的3D图像，检测诸如行人之类的潜在危险，并且预测他们的行动。6、定位系统

定位导航的设备是由卫星导航系统和惯性导航系统组成，卫星导航系统是由空间段，也就是空间导航卫星，地面段，也就是地面观测站，还有用户段，也就是信号接收机，三个独立的部分组成，卫星导航的基本原理就是测量已知位置的卫星到用户接收机之间的距离，并综合多颗卫星的数据计算，计算出用户所在的地理位置的信息。

目前主要有四大全球卫星导航系统。我国常用的就是GPS和北斗。惯性导航系统就是由陀螺仪和加速度计组成，通过测量运动载体的加速度和角速度速率的数据，并将这些数据之间的对时间进行积分运算，从而得到速度位置和姿态的航向。无人驾驶决策系统无人驾驶执行系统

执行系统作为无人车系统的最底层，其任务是将规划好的动作实现，所以控制模块的评价指标即为控制的精准度。控制器通过比较车辆的测量结果和我们预期的状态输出控制动作，这一过程被称为反馈控制（FeedbackControl）。反馈控制被广泛的应用于自动化控制领域，其中最典型的反馈控制器当属PID控制器（Proportional-Integral-DerivativeController）。人工智能在无人驾驶中的应用

人工智能技术的不断开发为无人驾驶汽车提供了源动力，同时，无人驾驶汽车的快速发展也为人工智能的深入发掘提出了更高深的要求。如何更好地实现系统感知、信息处理和指令执行等，是车辆无人驾驶的关键所在，因此需要应用到深度学习、机器视觉、数据处理等人工智能技术。无人驾驶应用无人驾驶面临的挑战(1)技术领域难关重重虽然人工智能技术的发展必将日趋成熟,但作为上路行驶的智能汽车在某方面仍旧存在一些技术问题需要解决，例如,如何分辨、区分不同路标存在难度,如施工路段、临时限行、内部道路等。在行为决策方面，对于路上飘起的树叶、纸屑、塑料袋等非必要环境会不会进行误报，而引起紧急刹车。对于临时限行、交警指挥、突发情况等突发路况信息,如何进行采集、识别与规划。如何确保复杂环境下对交通环境感知无盲区和决策最优化。同样,自动驾驶的判断、数据,需要依赖于高带宽的网络。无人驾驶面临的挑战(2)安全领域备受关注人工智能的车辆无人驾驶技术是以互联网为载体进行工作的。它必须借助于互联网实时更新交通状况、上传和接收数据,这也决定了AI技术和无人驾驶车辆对互联网的依赖程度越来越高。但是,分析当前的网络状况却并不安全,网络攻击事件屡屡发生,如果无人驾驶车辆在技术上被黑客攻击或被别有心者利用时，系统反应的延迟甚至疲软崩溃都有可能造成重大的安全隐患,这是它将成为危害社会和公民的最直接有效的工具。无人驾驶面临的挑战(3)伦理领域矛盾突出每次科技的应用都会给传统道德带来挑战,人工智能在自动驾驶中的应用也让人们陷入道德判断的困境中。如当智能汽车躲避突发情况刹车失灵时,是撞向动物还是行人?是撞向行人确保驾乘者安全还是撞向建筑物确保行人安全?自动驾驶汽车的到来,让人们不得不面对这样的伦理冲突的困境,并坏得不做出抉择。06

项目任务1、任务描述把画有黑线的白纸“路面”作为智能循迹小车运动的跑道，智能循迹小车沿着这条跑道自动运行，在运行过程中它可以自主完成前进、左转、右转、停止等动作。任务1：智能循迹小车自动循迹2、任务实现步骤1：安装和运行开发工具软件；步骤2：编写Python代码；步骤3：刷入代码；步骤4：铺上跑道和安置车辆；步骤5：打开电源，让车辆运行。1、任务描述在小车周围放置一些障碍物，当小车运动过程中遇到这些障碍物时，会自动改变行进方向。任务2：智能小车自动避障2、任务实现步骤1：安装和运行开发工具软件；步骤2：编写Python代码；步骤3：刷入代码；步骤4：设置障碍物；步骤5：打开电源，让车辆运行。07项目小结与展望无人驾驶车展望将来的智能汽车将不仅仅是自动驾驶，会看——人脸识别、图像识别、视屏识别会听——语音识别,机器翻译会说——人车对话会驾驶——无人驾驶、辅助驾驶会思考——虚拟助理、归纳推理会学习——机器学习、统计学习感谢您的观看数据挖掘项目九IntroductiontoArtificialIntelligence人工智能导论CONTENTS01项目概述02思政聚焦0304项目相关知识05项目任务06项目小结与展望思维导图07项目重难点01项目概述数据挖掘则是机器学习中的一个重要分支，即从大量的数据中挖掘出有价值、关键的信息来帮助决策。从商业的角度上看，数据挖掘其实是一类深层次的数据分析方法。数据分析本身已经有很多年的历史，只不过在过去数据收集和分析的目的是用于科学研究，另外，由于当时计算能力的限制，对大数据量进行分析的复杂数据分析方法受到很大限制。数据挖掘技术介绍02思维导图项目介绍03项目重难点业务理解与数据采集。数据预处理（最关键的基石）。核心挖掘任务模式评估与知识表示项目重难点项目重点数据层面的挑战：“巧妇难为无米之炊”技术与算法层面的挑战：“工欲善其事，必先利其器”业务与伦理层面的挑战：“行百里者半九十”项目难点04思政聚焦人工智能时代，数据挖掘广泛应用于电商、出行、金融、资讯等各大领域，依托海量用户数据实现精准推送、智能定价与个性化服务，极大提升了数字服务的便捷性与智能化水平。但数据驱动的技术红利，必须建立在合法合规的基础之上，数据挖掘从业者需时刻恪守法律法规，坚守行业伦理与从业底线。当下部分平台滥用数据挖掘技术，触碰法律红线，滋生诸多乱象。部分在线旅游平台利用用户消费数据实行大数据杀熟，对老用户设置差异化高价，违反《个人信息保护法》中自动化决策不得设置不合理差别待遇的规定。部分金融平台依托用户地域、浏览习惯等无关数据构建画像，随意下调用户授信额度，形成算法歧视与数据偏见。同时，不少APP超范围申请权限，违规收集用户位置、通讯录、影像元数据等信息，违背数据最小化采集原则，涉嫌过度收集个人信息。技术本身具备中立性，但技术使用者必须心怀敬畏、坚守底线，需树立法治思维，严守《数据安全法》《个人信息保护法》相关规定。摒弃功利化技术思维，坚持合法采集、合规使用、规范流转数据，以严谨的职业操守筑牢数据安全防线，守住人工智能行业的从业底线。课程思政：数据有度挖掘有界：人工智能的数据从业底线05项目相关知识数据挖掘的基本步骤

a)数据挖掘的基本步骤

数据挖掘常用方法神经网络算法010203040506决策树算法遗传算法关联规则算法相关回归模型聚类算法07分类算法数据挖掘重要算法--神经网络神经网络算法神经网络技术起源于上世纪五六十年代，拥有输入层、隐藏层以及输出层。图10-15显示了基本了神经网络结构。由基本的神经网络可以组合、变换得到各种各样更加复杂的深度网络，比如卷积神经网络、循环神经网络、深度信念网络、生成对抗网络等等数据挖掘重要算法--决策树基于整幅人决策树算法决策树算法起源于E.B.Hunt等人于1966年发表的论文“experimentsinInduction”，改论文详细介绍了决策树的构建、应用的全过程。之后，（罗斯.昆兰）等人提出了ID3决策树算法，使得决策树算法的相关研究进入高潮，并由此衍生出C4.5、CART等相关决策树算法。顾名思义，决策树就是一棵树，一颗决策树包含一个根节点、若干个内部结点和若干个叶结点06

项目任务1、任务描述某班有30名学生，学校想要通过分析学生的数学、语文、英语成绩，了解学生的学习情况，发现潜在规律，并为教学改进提供数据支持。任务1：学生成绩分析2、任务实现--技术分析学生成绩分析的流程如下。（1）数据准备通过相关代码生成数据，利用Pandas库对生成的数据进行封装（2）数据处理与分析获取相应的数据集之后，接下来就是对数据进行处理和分析，主要包括数据预览和统计、成绩等级划分以及找出特殊学生群体、成绩相关性分析。①数据预览和统计，完成数据的探索。②成绩等级划分以及找出特殊学生群体。③成绩相关性分析2、任务实现步骤1：数据准备 图9-16所示为数据集中的数据，主要的属性字段包括学号、姓名、数学、语文、英语等。2、任务实现步骤2：数据预处理图9-17所示为各个科目的平均分、最高分及最低分。图9-18所示为3个科目各等级学生的人数，包括优秀、良好、中等、及格和不及格。2、任务实现

从图9-19中可以看到优秀学生、需要帮助的学生以及偏科学生的信息；从图9-20中可以看到不同科目之间的相关性。2、任务实现实验总结整体表现：语文平均分最高（80分），数学波动最大。大部分学生成绩集中在70～90分之间。优秀学生：发现7名各科都在85分以上的全优生示例：学生12，数学90，语文90，英语90，平均分90。3．需要关注的学生：发现5名有科目不及格的学生示例：学生2，数学55，语文68，英语50，需要数学和英语辅导。4．偏科现象：发现1名偏科严重的学生示例：学生22，数学52，语文74，英语72，最大分差22分。5．相关性分析：英语和语文相关性最强（r=0.954）。1、任务描述某在线电影平台拥有大量用户评分数据，平台希望通过对电影评分数据的分析，深入了解用户偏好，优化电影推荐系统，并为内容采购提供数据支持。任务2：电影评分分析2、任务实现--技术分析本任务涉及的工具包括Python的工具库NumPy、Pandas、Seaborn，具体介绍如下。（1）NumPy库NumPy是Python的一个扩展库，支持数组与矩阵运算，此外也