对于道路的学习和识别是无人驾驶中重要的一环,目的是通过车载相机采集到的道路图片来得到无人车的转角和速度信息。随着深度学习的发展,卷积神经网络在计算机视觉领域取得了显著的成效。当前,在无人驾驶领域利用深度学习提取道路信息成为路径学习技术的主流。针对路径学习主要有车道线的检测识别和整体道路方向的识别,本文利用深度学习技术,把摄像机拍摄到的整个图片作为输入来分析得到道路信息,继而帮助无人车做转向决策,完成路径学习的过程。本文先是介绍了卷积神经网络的基本数学理论,包括矩阵、概率、信息论以及用于损失函数优化的非线性最优化理论,然后深入论述了卷积神经网络中的基本模块,分析了卷积层、池化层和全连接层的机构和机理。在此基础上,本文引入了几种经典的卷积神经网络:Alex Net、VGGNet、Google Net和Res Net,深度分析了不同网络的逐步改进之处和互相之间的差异。接下来本文分析了卷积神经网络在目标识别与检测中的应用,分别是基于候选区域的RCNN系列和基于回归算法的YOLO系列。进一步的,本文把路径学习问题转换为道路角度和车辆速度的回归问题,自己制作数据集并训练。在网络上,本文选取五层卷积后加三次全连接的网络结构,在过去的经验中,这种机构被广泛应用于提取图像特征。另外根据数据的特性和应用场景设计适用于网络的超参数达到较好的训练效果。本文以Unity3D为搭建自动驾驶的实验平台,操纵无人车去采集道路图片,在遇到不同的道路转角时速度也是不一样的,最后训练网络,采用MSE作为损失函数,Adam作为优化器,用Tensor Flow框架来搭建整个代码结构,最终损失函数快速、稳定而平滑的下降,且在测试集上得到了较高的准确率。最后,本实验重新设置陌生的赛道,让经过路径学习后的无人车运行在全新的赛道上,小车的转角和速度符合人类驾驶的设定。本文设计的算法基于深度学习,可以有效根据图像得到小车的下一步的转角值和速度值,但无人驾驶是一个复杂的多学科交叉的技术,具有视觉传感器的同时,GPS传感,雷达导航等需要进一步的合作才能完成复杂的真实路况中的无人驾驶过程。