神经网络（Neural Network）又称为人工神经网络（Artificial Neural Network，即 ANN）。他模仿人类大脑的生物神经元信号传递的方式，通过计算机程序反映人类大脑的行为，解决人工智能、机器学习与深度学习等领域的问题。
神经网络的类型
神经网络可根据不同的目的分为不同的类型，其中常见的神经网络类型包括：感知器、前馈神经网络或多层感知器 (Multilayer Perceptron, MLP) 、卷积神经网络（Convolutional Neural Network, CNN）、循环神经网络（Recurrent Neural Network, RNN）。
在自动驾驶中一般使用卷积神经网络，通过人工神经元响应部分覆盖范围内的周围单元，处理自动驾驶汽车图像。这种卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。
卷积神经网络的关键组成部分是卷积层本身。它有一个卷积核，通常被称为过滤矩阵。滤波矩阵与输入图像的局部区域进行卷积，其定义为：
其中，操作符*表示卷积操作、w是过滤矩阵、b是偏置、x是输入，而y是输出。
自动驾驶的原理
自动驾驶其实通过一系列摄像头、LiDAR、RADAR、GPS 或惯性传感器等接收线条、路况、环境变化等不同的数据内容，进而通过深度学习算法，根据汽车的环境自行作出判断和决定。
这个教程将通过讲解汽车驾驶机械学、道路定义、人工传感器、碰撞检测、模拟交通、并行话及遗传算法等章节，通过 JavaScript 编程无库实操自动驾驶中的感知、定位、预测与决策四个主要部分。
【B站视频教程传送门】https://www.bilibili.com/video/BV1R34y1j7Mw/
【查看完整代码】https://2ef3db1679-share.lightly.teamcode.com 此教程已获原作者授权分享，用户可直接在浏览器中打开即可试运行代码。
此篇 JavaScript 无库自建自动驾驶教程到此告一段落，欢迎查看文章中的 B 站视频及 Lightly 中的完整代码进行更深入、系统化地学习。
