神经网络？人工智能？这些词应该都看腻歪了吧？想必还没有人不知道吧？
啥？不知道？
那.....别走😭😭😭😭，听我说！
前言
本篇幅主要是通过web，来做一个模拟的"自动驾驶"。
当然，这个只是提供一个大致的框架流程，逐步实现这么一个"自动驾驶"，只是会有一些伪代码。
如果有更细致的讲解，呃，看有多少人需要，如果需要，请留一个支持专栏，到时候我给一个更详细的讲解。
预先准备
1、道路场景准备
"自动驾驶"嘛，首先就是道路的绘制。
道路的绘制，核心点点在于，先设定点，然后由点生成线，然后由线扩充道路的宽度。
具体伪代码如下：
js
// 点的类
export default class Point {
constructor(x, y) {
this.x = x;
this.y = y;
}
.....其它绘制代码...
}
// 线的类
export default class Segment {
constructor(startPoint, endPoint) {
this.startPoint = startPoint;
this.endPoint = endPoint;
}
.....其它绘制代码...
}
// 由线，生成多边形类以及优化外角为原型
export default class Polygon {
constructor(segments) {
this.segments = segments;
// 点位循环，加入线条中去
for (let i = 1; i <= points.length; i++) {
this.segments.push(new Segment(points[i - 1], points[i % points.length]));
}
}
}具体效果如下：
另外，小地图的绘制用于缩小整体的地图展示，有了点和线，基本都可以绘制。
PS：提示下哈，这些代码都可以由代码AI生成!
2、小汽车准备：
有了以上的道路，那么就得有像样的车子在道路上。
车子的功能需要满足这些来模拟真实的车子，比如：
-
支持前、后、前左转弯、前右转弯，后左转弯。后右转弯；
-
模拟摩擦力，向前或者向后的动力，如果向前或者前后的动力不再持续，则速度会降至0；
效果如下（以下由键盘的↑↓←→键控制）：
然后，我们再加上与道路交互，当碰撞到道路，速度停止，不再移动；
有一说一，我这种手残的控制，基本都能撞墙。😭😭😭😭😭😭😭😭😭😭😭😭。。
上"动力"
1、汽车上"雷达"
好了，有了上面的基本材料，现在需要给汽车的一个感知能力。这边是在汽车的前方，增加一个所谓雷达感知。
这里的"雷达"，是指可检测汽车与周边环境的距离，如下图：
其中黑色为安全距离外，黄色为安全距离内。
现实生活中，雷达当然不是这样的，有兴趣的可以自行搜索下。
扯题外话，现实中，让汽车有感知周围环境的能力，目前有两种方式主流模式：一个是雷达成像，还有一种为摄像头直接探测；
2、上"智能"--神经网络算法
这边暂时跳过项目，先了解下神经网络基础算法，如下图示：
神经网络最基础的算法，就是分输入层=》隐藏层=》输出层。
输入层输入最开始定义的数据，然后每一个点都链接隐藏层。其输出的值，就是∑输入值x每个对应点的权重的总和，如果大于或者小于某一个偏置层，则会给隐藏层设置对应的输入值。
经过上述所有层级，最后会有输出数据。
因为我们自动驾驶需要前、后、左、右的方向控制，这里设置的输出就会是四个值。
不懂没有关系，直接上源码。
js
import { lerp } from '../utils/index.js';
export class NeuralNetwork {
constructor(neuronCounts) {
this.levels = [];
// 获取层级
for (let i = 0; i < neuronCounts.length - 1; i++) {
this.levels.push(new Level(neuronCounts[i], neuronCounts[i + 1]));
}
}
// 返回层级输出
static feedForward(givenInputs, network) {
let outputs = Level.feedForward(givenInputs, network.levels[0]);
for (let i = 1; i < network.levels.length; i++) {
outputs = Level.feedForward(outputs, network.levels[i]);
}
return outputs;
}
// 从最佳策略中，变更值
static mutate(network, amount = 1) {
network.levels.forEach((level) => {
for (let i = 0; i < level.biases.length; i++) {
level.biases[i] = lerp(level.biases[i], Math.random() * 2 - 1, amount);
}
for (let i = 0; i < level.weights.length; i++) {
for (let j = 0; j < level.weights[i].length; j++) {
level.weights[i][j] = lerp(
level.weights[i][j],
Math.random() * 2 - 1,
amount,
);
}
}
});
}
}
export class Level {
constructor(inputCount, outputConut) {
this.inputs = new Array(inputCount);
this.outputs = new Array(outputConut);
// 偏差值，每个输出神经元都有一个偏差值
// 高于该值它将触发这个输出
this.biases = new Array(outputConut);
// 权重值
// 每一条输入，都对应很多条输出，每个输出都有对应的权重值
this.weights = [];
for (let i = 0; i < inputCount; i++) {
this.weights[i] = new Array(outputConut);
}
Level.#randomize(this);
}
// 随机数据
static #randomize(level) {
for (let i = 0; i < level.inputs.length; i++) {
for (let j = 0; j < level.outputs.length; j++) {
level.weights[i][j] = Math.random() * 2 - 1;
}
}
for (let i = 0; i < level.biases.length; i++) {
level.biases[i] = Math.random() * 2 - 1;
}
}
// 反馈
static feedForward(givenInputs, level) {
// console.log(level)
for (let i = 0; i < level.inputs.length; i++) {
level.inputs[i] = givenInputs[i];
}
for (let i = 0; i < level.outputs.length; i++) {
let sum = 0;
// 计算每一条线的积分，输入加权重
for (let j = 0; j < level.inputs.length; j++) {
sum += level.inputs[j] * level.weights[j][i];
}
// 判断，如果大于偏差值，则输出结果
if (sum > level.biases[i]) {
level.outputs[i] = 1;
} else {
level.outputs[i] = 0;
}
// level.outputs[i] = Math.tanh(sum + level.biases[i]);
}
return level.outputs;
}
}3、动起来
好了，算法也有了，细心的朋友看上面的代码，一定知道。上面给与各个权重都是有一个初始的随机值的。
这个，就是为了方便给与每项的权重和偏置值都有一个初始种子，因为我们需要这个随机的值去驱动我们的车。
我随机生成了一个，如下：
很明显。这随机碰运气的话，得到的模型数据并不好。
那么如何将这个汽车训练的越来越好呢？
择优-遗传算法
不知道前端佬有没有看过火影忍者，里面的主人公会一种影分身。而这个影分身用在学习上，非常的变态。假如你有1000个影分身，同时去学习一个东西，而要其中有一个会了，那么基本主人公自己就会了。
基于这种方法，我们可以将汽车随机生成1000个，那基本就有1000个模型。我们让这1000个同时跑起来，选择其中一个最好的就行了。如下图（时间会有点长）：
结果
最终，我大致搞了这么一个模型，效果如下：
如果有时间的话，还可以加入各种策略，比如红绿灯，人行道，或者其他车辆。感兴趣的可以自己动手试试！
前端佬们，机器学习之路，还是不错的吧？
哈哈~