自動駕駛車輛仍有許多任務(wù)面臨巨大的挑戰(zhàn)，需要采用尖端的方法來解決。取代人類的認(rèn)知和運(yùn)動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(xiàn)可靠和安全的自動駕駛。

 

本系列包括兩篇文章，介紹無人駕駛汽車得以實(shí)現(xiàn)的AI應(yīng)用，展示其挑戰(zhàn)與成就，另外還探討了與傳統(tǒng)軟件相比AI的本質(zhì)，并在第二篇文章中進(jìn)一步討論了在自動駕駛領(lǐng)域開發(fā)、測試和部署AI技術(shù)的特定挑戰(zhàn)。

 

1.自動駕駛車輛中的AI分析

 

自動駕駛車是汽車工業(yè)中增長最快的領(lǐng)域，而人工智能則是自動駕駛車中最重要和最復(fù)雜的組成部分。圖1所示為典型的自動駕駛車構(gòu)成。

自動駕駛車輛對傳送實(shí)時(shí)數(shù)據(jù)的傳感器數(shù)量，以及對數(shù)據(jù)進(jìn)行智能處理的需求可能會非常龐大。而AI被用于現(xiàn)代汽車的中央單元以及多個電子控制單元（ECU）中。

 

由于AI已在機(jī)器人等眾多領(lǐng)域中得到應(yīng)用，它自然成為自動駕駛的首選技術(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，從而帶來燃油效率、舒適性和便利性等優(yōu)勢。

 

開發(fā)如自動駕駛車這樣復(fù)雜的AI系統(tǒng)面臨的挑戰(zhàn)很多。AI必須與眾多傳感器交互，并實(shí)時(shí)使用數(shù)據(jù)。許多AI算法的計(jì)算量都很大，因此很難與內(nèi)存和速度受限的CPU一起使用?，F(xiàn)代車輛是一種實(shí)時(shí)系統(tǒng)，必須在時(shí)域中產(chǎn)生確定性結(jié)果，這關(guān)系到駕駛車輛的安全性。諸如此類的復(fù)雜分布式系統(tǒng)需要大量內(nèi)部通信，而這些內(nèi)部通信容易帶來延遲，從而干擾AI算法做出決策。另外，汽車中運(yùn)行的軟件還存在功耗問題。越密集的AI算法消耗功率也越多，尤其對只依賴電池充電的電動車而言，這是一個很大的問題。

 

在自動駕駛車中，AI用于完成多項(xiàng)重要任務(wù)。其主要任務(wù)之一是路徑規(guī)劃，即車輛的導(dǎo)航系統(tǒng)。AI的另一項(xiàng)重要任務(wù)是與傳感系統(tǒng)交互，并解釋來自傳感器的數(shù)據(jù)。

 

顯然，提供一套完整的解決方案來取代方向盤后面的駕駛員是一項(xiàng)艱巨的任務(wù)。因此，制造商們開始將問題劃分為更小的部分，并逐個解決，以便通過小幅進(jìn)步最終實(shí)現(xiàn)完全的自動駕駛。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駕駛問題，并且立誓要在2020年完全實(shí)現(xiàn)自動駕駛車上路。但很明顯，現(xiàn)實(shí)要復(fù)雜得多，AI本質(zhì)上存在的一些問題帶來了很多障礙。

 

隨著AI的發(fā)展與完善，我們將越來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)歷長時(shí)間的開發(fā)與測試，而是否采用則取決于消費(fèi)者的信心以及市場驅(qū)動力。盡管比預(yù)期費(fèi)時(shí)更長，但一切終會發(fā)生。需求與要求就在那里，技術(shù)也幾近完備。其實(shí)際應(yīng)用可能或快或慢，這取決于法規(guī)要求。分階段實(shí)施是可行之道，從比較簡單和更具確定性的用例開始，例如先在已知環(huán)境中應(yīng)用。如果自動駕駛車輛僅在擁有少量未知的特定條件下運(yùn)行，則其算法的壓力可以得到充分緩解。

 

2.車輛中的AI應(yīng)用

 

2.1.傳感器數(shù)據(jù)處理

 

自動駕駛車輛在運(yùn)行期間，無數(shù)傳感器為車輛的中央計(jì)算機(jī)提供數(shù)據(jù)，包括道路信息、道路上的其他車輛信息，以及如人類能夠感知到的那樣，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(shù)據(jù)流。

 

智能算法的主要任務(wù)之一是檢測和識別車輛前方和周圍的物體。人工神經(jīng)網(wǎng)絡(luò)（ANN）是用于該任務(wù)的典型算法，也稱為深度學(xué)習(xí)，因?yàn)樯窠?jīng)網(wǎng)絡(luò)包含許多層級，而每個層級又包含許多節(jié)點(diǎn)。圖2中顯示了一個深度神經(jīng)網(wǎng)絡(luò)，不過實(shí)際中的神經(jīng)網(wǎng)絡(luò)其節(jié)點(diǎn)數(shù)和層數(shù)可能要多很多。

 

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

 

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

 

2.2.路徑規(guī)劃

 

路徑規(guī)劃對于優(yōu)化車輛線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。對人工智能算法來說，規(guī)劃也是一項(xiàng)非常適合它的任務(wù)。因?yàn)樗且粋€動態(tài)任務(wù)，可以將很多因素考慮進(jìn)去，并在執(zhí)行路徑時(shí)解決優(yōu)化問題。路徑規(guī)劃的定義如下：“路徑規(guī)劃使自動駕駛車輛能夠找到從A點(diǎn)到B點(diǎn)之間最安全、最便捷、最經(jīng)濟(jì)的路線，它利用以往的駕駛經(jīng)驗(yàn)幫助AI系統(tǒng)在未來提供更準(zhǔn)確的決策。”。

 

2.3.路徑執(zhí)行

 

路徑規(guī)劃好之后，車輛就可以通過檢測物體、行人、自行車和交通信號燈來了解道路狀況，通過導(dǎo)航到達(dá)目的地。目標(biāo)檢測算法是AI社區(qū)的主要關(guān)注點(diǎn)，因?yàn)樗軌驅(qū)崿F(xiàn)仿人類行為。但當(dāng)?shù)缆非闆r不同或天氣條件變化時(shí)，挑戰(zhàn)就來了。很多測試車輛出事故都是由于模擬環(huán)境與現(xiàn)實(shí)環(huán)境的條件不同，而AI軟件若接收到未知數(shù)據(jù)，可能做出不可預(yù)測的反應(yīng)。

 

2.4.監(jiān)測車輛狀況

 

最具前景的維護(hù)類型是預(yù)測性維護(hù)。它的定義如下：“預(yù)測性維護(hù)利用監(jiān)測和預(yù)測模型來確定機(jī)器狀況，并預(yù)測可能發(fā)生的故障以及何時(shí)會發(fā)生”。它嘗試預(yù)測未來的問題，而不是現(xiàn)在已經(jīng)存在的問題。從這方面來講，預(yù)測性維護(hù)可以節(jié)省大量時(shí)間和金錢。有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)都可用于預(yù)測性維護(hù)。其算法能夠根據(jù)機(jī)載和機(jī)外數(shù)據(jù)來做出預(yù)測性維護(hù)決策。用于該任務(wù)的機(jī)器學(xué)習(xí)算法屬于分類算法，例如邏輯回歸、支持向量機(jī)和隨機(jī)森林算法等。

 

2.5.保險(xiǎn)數(shù)據(jù)收集

 

車輛的數(shù)據(jù)日志可以包含有關(guān)駕駛員行為的信息。這些數(shù)據(jù)可以用來分析交通事故，也可用于處理車險(xiǎn)索賠。所有這些都有助于降低保險(xiǎn)價(jià)格，因?yàn)榘踩愿哟_定和有保證。對于全自動駕駛車輛來說，賠償責(zé)任將從乘客（不再是駕駛員）轉(zhuǎn)移到制造商。而對半自動駕駛車輛來說，駕駛員仍可能承擔(dān)一部分責(zé)任。證明這類情況將越來越依賴于車輛AI系統(tǒng)所捕獲的智能數(shù)據(jù)。來自所有傳感器的數(shù)據(jù)會生成巨量的信息，隨時(shí)保存所有數(shù)據(jù)可能不切實(shí)際，但是保存相關(guān)數(shù)據(jù)快照似乎是獲得證據(jù)的折中方法，這些證據(jù)可用于特定交通事件的事后分析。這個方法類似于黑匣子保存數(shù)據(jù)的方法，在碰撞事故發(fā)生后可以根據(jù)這些數(shù)據(jù)進(jìn)行分析。