【太平洋汽车网】自动驾驶汽车的设计制造面临着诸多挑战，如今，各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU（电子控制单元）已经整合了传感器数据处理，如何充分利用机器学习完成新的任务，变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类。
车载信息娱乐系统所运行的应用，能从传感器数据融合系统中获取数据。举个例子，如果系统察觉驾驶员发生状况，有能力把车开到医院。基于机器学习的应用，还包括对驾驶员的语言和手势识别以及语言翻译。相关的算法被分类为非监督和监督算法。它们两者的区别在于学习的方式。
监督学习算法使用训练数据集学习，并且能够持续学习直到达到设定的置信水平（最小化出错概率）。监督学习算法分为回归、分类和异常检测以及数据降维。
无监督学习算法，则尝试挖掘有限数据的价值。这意味着，算法会在可用数据内建立关系，以检测模式或者将数据集分成子类（取决于之间的相似度）。从广义上，无监督算法可以可分为关联规则学习和聚类。
增强学习算法是另外一种机器学习算法，介于非监督学习和监督学习之间。对于所有训练的例子，监督学习中有目标标签，无监督学习中却完全没有标签。强化学习有延迟的、稀疏的标签——未来的奖励。
根据这些奖励，智能体学习做出恰当行为。去理解算法的局限性和优点，开发更加高效的学习算法，是增强学习的目标。增强学习可以解决大量实际应用，从AI的问题到控制工程或操作研究——所有这些都与开发自动驾驶汽车相关。这可以被分为间接学习和直接学习。
在独自动驾驶汽车上，机器学习算法的一个主要任务是持续渲染周围的环境，以及预测可能发生的变化。这些任务可以分为四个子任务：目标检测目标识别或分类目标定位运动预测机器学习算法可以简单地分为4类：决策矩阵算法、聚类算法、模式识别算法和回归算法。可以利用一类机器学习算法来完成两个以上的子任务。例如，回归算法能够用于物体定位和目标识别或者是运动预测。
决策矩阵算法决策矩阵算法系统地分析、识别和评估信息集和值之间关系的表现。这些算法主要用于决策。车是否需要刹车或者左转都是基于算法根据识别、分类和预测对象的下一个动作给出的置信水平。矩阵决策算法由各种独立训练的决策模型组合而成。
（图/文/摄：太平洋汽车网问答叫兽）