自動駕駛車輛在農業(yè)、運輸和軍事等領域開始成為一種現(xiàn)實，普通消費者在日常生活中使用自動駕駛車的那一天也在迅速來臨。自動駕駛車輛根據(jù)傳感器信息和AI算法來執(zhí)行必要的操作，它需要收集數(shù)據(jù)、規(guī)劃并執(zhí)行行駛路線。而這些任務，尤其是規(guī)劃和執(zhí)行路線需要非傳統(tǒng)的編程方法，它依賴AI中的機器學習技術。

自動駕駛車輛仍有許多任務面臨巨大的挑戰(zhàn)，需要采用尖端的方法來解決。取代人類的認知和運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，以便實現(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現(xiàn)的AI應用，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，并在第二篇文章中進一步討論了在自動駕駛領域開發(fā)、測試和部署AI技術的特定挑戰(zhàn)。

1.自動駕駛車輛中的AI分析

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

圖1: 自動駕駛車（來源：Lentin, 2017）

自動駕駛車輛對傳送實時數(shù)據(jù)的傳感器數(shù)量，以及對數(shù)據(jù)進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已在機器人等眾多領域中得到應用，它自然成為自動駕駛的首選技術。人工智能和感知技術可以提供更安全、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，并實時使用數(shù)據(jù)。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(xiàn)代車輛是一種實時系統(tǒng)，必須在時域中產生確定性結果，這關系到駕駛車輛的安全性。諸如此類的復雜分布式系統(tǒng)需要大量內部通信，而這些內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用于完成多項重要任務。其主要任務之一是路徑規(guī)劃，即車輛的導航系統(tǒng)。AI的另一項重要任務是與傳感系統(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艱巨的任務。因此，制造商們開始將問題劃分為更小的部分，并逐個解決，以便通過小幅進步最終實現(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年完全實現(xiàn)自動駕駛車上路。但很明顯，現(xiàn)實要復雜得多，AI本質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，我們必須經歷長時間的開發(fā)與測試，而是否采用則取決于消費者的信心以及市場驅動力。盡管比預期費時更長，但一切終會發(fā)生。需求與要求就在那里，技術也幾近完備。其實際應用可能或快或慢，這取決于法規(guī)要求。分階段實施是可行之道，從比較簡單和更具確定性的用例開始，例如先在已知環(huán)境中應用。如果自動駕駛車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.車輛中的AI應用

2.1.傳感器數(shù)據(jù)處理

自動駕駛車輛在運行期間，無數(shù)傳感器為車輛的中央計算機提供數(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，但要做到這一點就需要智能算法，用以理解實時生成的數(shù)據(jù)流。

智能算法的主要任務之一是檢測和識別車輛前方和周圍的物體。人工神經網(wǎng)絡（ANN）是用于該任務的典型算法，也稱為深度學習，因為神經網(wǎng)絡包含許多層級，而每個層級又包含許多節(jié)點。圖2中顯示了一個深度神經網(wǎng)絡，不過實際中的神經網(wǎng)絡其節(jié)點數(shù)和層數(shù)可能要多很多。

圖2: 深度神經網(wǎng)絡示意圖（來源：Beachler, 2019）

視頻輸入分析使用機器學習算法和最可能的神經網(wǎng)絡對對象進行分類。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，然后將其結果傳達給其它單元或中央處理計算機。

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)劃也是一項非常適合它的任務。因為它是一個動態(tài)任務，可以將很多因素考慮進去，并在執(zhí)行路徑時解決優(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點到B點之間最安全、最便捷、最經濟的路線，它利用以往的駕駛經驗幫助AI系統(tǒng)在未來提供更準確的決策?！?。

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，通過導航到達目的地。目標檢測算法是AI社區(qū)的主要關注點，因為它能夠實現(xiàn)仿人類行為。但當?shù)缆非闆r不同或天氣條件變化時，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)，可能做出不可預測的反應。

2.4.監(jiān)測車輛狀況

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

2.5.保險數(shù)據(jù)收集

車輛的數(shù)據(jù)日志可以包含有關駕駛員行為的信息。這些數(shù)據(jù)可以用來分析交通事故，也可用于處理車險索賠。所有這些都有助于降低保險價格，因為安全性更加確定和有保證。對于全自動駕駛車輛來說，賠償責任將從乘客（不再是駕駛員）轉移到制造商。而對半自動駕駛車輛來說，駕駛員仍可能承擔一部分責任。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，隨時保存所有數(shù)據(jù)可能不切實際，但是保存相關數(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)進行分析。

編輯：hfy