自動(dòng)駕駛車(chē)輛仍有許多任務(wù)面臨巨大的挑戰，需要采用尖端的方法來(lái)解決。取代人類(lèi)的認知和運動(dòng)能力不是一件容易的事情，還需要很多年的努力。AI需要解決各種不同的任務(wù)，以便實(shí)現可靠和安全的自動(dòng)駕駛。

 

本系列包括兩篇文章，介紹無(wú)人駕駛汽車(chē)得以實(shí)現的AI應用，展示其挑戰與成就，另外還探討了與傳統軟件相比AI的本質(zhì)，并在第二篇文章中進(jìn)一步討論了在自動(dòng)駕駛領(lǐng)域開(kāi)發(fā)、測試和部署AI技術(shù)的特定挑戰。

 

1.自動(dòng)駕駛車(chē)輛中的AI分析

 

自動(dòng)駕駛車(chē)是汽車(chē)工業(yè)中增長(cháng)最快的領(lǐng)域，而人工智能則是自動(dòng)駕駛車(chē)中最重要和最復雜的組成部分。圖1所示為典型的自動(dòng)駕駛車(chē)構成。

自動(dòng)駕駛車(chē)輛對傳送實(shí)時(shí)數據的傳感器數量，以及對數據進(jìn)行智能處理的需求可能會(huì )非常龐大。而AI被用于現代汽車(chē)的中央單元以及多個(gè)電子控制單元（ECU）中。

 

由于A(yíng)I已在機器人等眾多領(lǐng)域中得到應用，它自然成為自動(dòng)駕駛的首選技術(shù)。人工智能和感知技術(shù)可以提供更安全、更具確定性的行為，從而帶來(lái)燃油效率、舒適性和便利性等優(yōu)勢。

 

開(kāi)發(fā)如自動(dòng)駕駛車(chē)這樣復雜的AI系統面臨的挑戰很多。AI必須與眾多傳感器交互，并實(shí)時(shí)使用數據。許多AI算法的計算量都很大，因此很難與內存和速度受限的CPU一起使用?，F代車(chē)輛是一種實(shí)時(shí)系統，必須在時(shí)域中產(chǎn)生確定性結果，這關(guān)系到駕駛車(chē)輛的安全性。諸如此類(lèi)的復雜分布式系統需要大量?jì)炔客ㄐ?，而這些內部通信容易帶來(lái)延遲，從而干擾AI算法做出決策。另外，汽車(chē)中運行的軟件還存在功耗問(wèn)題。越密集的AI算法消耗功率也越多，尤其對只依賴(lài)電池充電的電動(dòng)車(chē)而言，這是一個(gè)很大的問(wèn)題。

 

在自動(dòng)駕駛車(chē)中，AI用于完成多項重要任務(wù)。其主要任務(wù)之一是路徑規劃，即車(chē)輛的導航系統。AI的另一項重要任務(wù)是與傳感系統交互，并解釋來(lái)自傳感器的數據。

 

顯然，提供一套完整的解決方案來(lái)取代方向盤(pán)后面的駕駛員是一項艱巨的任務(wù)。因此，制造商們開(kāi)始將問(wèn)題劃分為更小的部分，并逐個(gè)解決，以便通過(guò)小幅進(jìn)步最終實(shí)現完全的自動(dòng)駕駛。一直不乏有初創(chuàng )公司或顛覆性公司試圖解決所有的自動(dòng)駕駛問(wèn)題，并且立誓要在2020年完全實(shí)現自動(dòng)駕駛車(chē)上路。但很明顯，現實(shí)要復雜得多，AI本質(zhì)上存在的一些問(wèn)題帶來(lái)了很多障礙。

 

隨著(zhù)AI的發(fā)展與完善，我們將越來(lái)越接近具有安全且自主行駛的交通工具愿景。在此之前，我們必須經(jīng)歷長(cháng)時(shí)間的開(kāi)發(fā)與測試，而是否采用則取決于消費者的信心以及市場(chǎng)驅動(dòng)力。盡管比預期費時(shí)更長(cháng)，但一切終會(huì )發(fā)生。需求與要求就在那里，技術(shù)也幾近完備。其實(shí)際應用可能或快或慢，這取決于法規要求。分階段實(shí)施是可行之道，從比較簡(jiǎn)單和更具確定性的用例開(kāi)始，例如先在已知環(huán)境中應用。如果自動(dòng)駕駛車(chē)輛僅在擁有少量未知的特定條件下運行，則其算法的壓力可以得到充分緩解。

 

2.車(chē)輛中的AI應用

 

2.1.傳感器數據處理

 

自動(dòng)駕駛車(chē)輛在運行期間，無(wú)數傳感器為車(chē)輛的中央計算機提供數據，包括道路信息、道路上的其他車(chē)輛信息，以及如人類(lèi)能夠感知到的那樣，能夠檢測到的任何障礙物信息。有些傳感器甚至可以提供比普通人更好的感知能力，但要做到這一點(diǎn)就需要智能算法，用以理解實(shí)時(shí)生成的數據流。

 

智能算法的主要任務(wù)之一是檢測和識別車(chē)輛前方和周?chē)奈矬w。人工神經(jīng)網(wǎng)絡(luò )（ANN）是用于該任務(wù)的典型算法，也稱(chēng)為深度學(xué)習，因為神經(jīng)網(wǎng)絡(luò )包含許多層級，而每個(gè)層級又包含許多節點(diǎn)。圖2中顯示了一個(gè)深度神經(jīng)網(wǎng)絡(luò )，不過(guò)實(shí)際中的神經(jīng)網(wǎng)絡(luò )其節點(diǎn)數和層數可能要多很多。

 

圖2: 深度神經(jīng)網(wǎng)絡(luò )示意圖（來(lái)源：Beachler, 2019）

 

視頻輸入分析使用機器學(xué)習算法和最可能的神經(jīng)網(wǎng)絡(luò )對對象進(jìn)行分類(lèi)。由于我們有多個(gè)不同類(lèi)型的傳感器，因此為每個(gè)傳感器配備專(zhuān)用的硬件/軟件模塊是很有必要的。這種方法允許并行處理數據，因此可以更快做出決策。每個(gè)傳感器單元可以利用不同的AI算法，然后將其結果傳達給其它單元或中央處理計算機。

 

2.2.路徑規劃

 

路徑規劃對于優(yōu)化車(chē)輛線(xiàn)路并生成更好的交通模式非常重要。它有助于降低延遲并避免道路擁堵。對人工智能算法來(lái)說(shuō)，規劃也是一項非常適合它的任務(wù)。因為它是一個(gè)動(dòng)態(tài)任務(wù)，可以將很多因素考慮進(jìn)去，并在執行路徑時(shí)解決優(yōu)化問(wèn)題。路徑規劃的定義如下：“路徑規劃使自動(dòng)駕駛車(chē)輛能夠找到從A點(diǎn)到B點(diǎn)之間最安全、最便捷、最經(jīng)濟的路線(xiàn)，它利用以往的駕駛經(jīng)驗幫助AI系統在未來(lái)提供更準確的決策。”。

 

2.3.路徑執行

 

路徑規劃好之后，車(chē)輛就可以通過(guò)檢測物體、行人、自行車(chē)和交通信號燈來(lái)了解道路狀況，通過(guò)導航到達目的地。目標檢測算法是AI社區的主要關(guān)注點(diǎn)，因為它能夠實(shí)現仿人類(lèi)行為。但當道路情況不同或天氣條件變化時(shí)，挑戰就來(lái)了。很多測試車(chē)輛出事故都是由于模擬環(huán)境與現實(shí)環(huán)境的條件不同，而AI軟件若接收到未知數據，可能做出不可預測的反應。

 

2.4.監測車(chē)輛狀況

 

最具前景的維護類(lèi)型是預測性維護。它的定義如下：“預測性維護利用監測和預測模型來(lái)確定機器狀況，并預測可能發(fā)生的故障以及何時(shí)會(huì )發(fā)生”。它嘗試預測未來(lái)的問(wèn)題，而不是現在已經(jīng)存在的問(wèn)題。從這方面來(lái)講，預測性維護可以節省大量時(shí)間和金錢(qián)。有監督學(xué)習和無(wú)監督學(xué)習都可用于預測性維護。其算法能夠根據機載和機外數據來(lái)做出預測性維護決策。用于該任務(wù)的機器學(xué)習算法屬于分類(lèi)算法，例如邏輯回歸、支持向量機和隨機森林算法等。

 

2.5.保險數據收集

 

車(chē)輛的數據日志可以包含有關(guān)駕駛員行為的信息。這些數據可以用來(lái)分析交通事故，也可用于處理車(chē)險索賠。所有這些都有助于降低保險價(jià)格，因為安全性更加確定和有保證。對于全自動(dòng)駕駛車(chē)輛來(lái)說(shuō)，賠償責任將從乘客（不再是駕駛員）轉移到制造商。而對半自動(dòng)駕駛車(chē)輛來(lái)說(shuō)，駕駛員仍可能承擔一部分責任。證明這類(lèi)情況將越來(lái)越依賴(lài)于車(chē)輛AI系統所捕獲的智能數據。來(lái)自所有傳感器的數據會(huì )生成巨量的信息，隨時(shí)保存所有數據可能不切實(shí)際，但是保存相關(guān)數據快照似乎是獲得證據的折中方法，這些證據可用于特定交通事件的事后分析。這個(gè)方法類(lèi)似于黑匣子保存數據的方法，在碰撞事故發(fā)生后可以根據這些數據進(jìn)行分析。