自動(dòng)駕駛車(chē)輛在農(nóng)業(yè)、運(yùn)輸和軍事等領(lǐng)域開(kāi)始成為一種現(xiàn)實(shí)，普通消費(fèi)者在日常生活中使用自動(dòng)駕駛車(chē)的那一天也在迅速來(lái)臨。自動(dòng)駕駛車(chē)輛根據(jù)傳感器信息和AI算法來(lái)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(wù)，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(jī)器學(xué)習(xí)技術(shù)。

自動(dòng)駕駛車(chē)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(lái)解決。取代人類的認(rèn)知和運(yùn)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(xiàn)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(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(dòng)駕駛領(lǐng)域開(kāi)發(fā)、測(cè)試和部署AI技術(shù)的特定挑戰(zhàn)。

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(zhǎng)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(fù)雜的組成部分。圖1所示為典型的自動(dòng)駕駛車(chē)構(gòu)成。

圖1: 自動(dòng)駕駛車(chē)（來(lái)源：Lentin, 2017）

自動(dòng)駕駛車(chē)輛對(duì)傳送實(shí)時(shí)數(shù)據(jù)的傳感器數(shù)量，以及對(duì)數(shù)據(jù)進(jìn)行智能處理的需求可能會(huì)非常龐大。而AI被用于現(xiàn)代汽車(chē)的中央單元以及多個(gè)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(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(shì)。

開(kāi)發(fā)如自動(dòng)駕駛車(chē)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(chē)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(chē)輛的安全性。諸如此類的復(fù)雜分布式系統(tǒng)需要大量?jī)?nèi)部通信，而這些內(nèi)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(yùn)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(duì)只依賴電池充電的電動(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(xiàng)重要任務(wù)。其主要任務(wù)之一是路徑規(guī)劃，即車(chē)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(lái)自傳感器的數(shù)據(jù)。

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(xiàng)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(xiàn)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(xiàn)自動(dòng)駕駛車(chē)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(wèn)題帶來(lái)了很多障礙。

隨著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(zhǎng)時(shí)間的開(kāi)發(fā)與測(cè)試，而是否采用則取決于消費(fèi)者的信心以及市場(chǎng)驅(qū)動(dòng)力。盡管比預(yù)期費(fèi)時(shí)更長(zhǎng)，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(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(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(yīng)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(yùn)行，則其算法的壓力可以得到充分緩解。

2.車(chē)輛中的AI應(yīng)用

2.1.傳感器數(shù)據(jù)處理

自動(dòng)駕駛車(chē)輛在運(yùn)行期間，無(wú)數(shù)傳感器為車(chē)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(chē)輛信息，以及如人類能夠感知到的那樣，能夠檢測(cè)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(cè)和識(shí)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，也稱為深度學(xué)習(xí)，因?yàn)樯窠?jīng)網(wǎng)絡(luò)包含許多層級(jí)，而每個(gè)層級(jí)又包含許多節(jié)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(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(lái)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(duì)對(duì)象進(jìn)行分類。由于我們有多個(gè)不同類型的傳感器，因此為每個(gè)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(gè)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(duì)于優(yōu)化車(chē)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(duì)人工智能算法來(lái)說(shuō)，規(guī)劃也是一項(xiàng)非常適合它的任務(wù)。因?yàn)樗且粋€(gè)動(dòng)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(wèn)題。路徑規(guī)劃的定義如下：“路徑規(guī)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(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(lái)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(chē)輛就可以通過(guò)檢測(cè)物體、行人、自行車(chē)和交通信號(hào)燈來(lái)了解道路狀況，通過(guò)導(dǎo)航到達(dá)目的地。目標(biāo)檢測(cè)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(lái)了。很多測(cè)試車(chē)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(cè)的反應(yīng)。

2.4.監(jiān)測(cè)車(chē)輛狀況

最具前景的維護(hù)類型是預(yù)測(cè)性維護(hù)。它的定義如下：“預(yù)測(cè)性維護(hù)利用監(jiān)測(cè)和預(yù)測(cè)模型來(lái)確定機(jī)器狀況，并預(yù)測(cè)可能發(fā)生的故障以及何時(shí)會(huì)發(fā)生”。它嘗試預(yù)測(cè)未來(lái)的問(wèn)題，而不是現(xiàn)在已經(jīng)存在的問(wèn)題。從這方面來(lái)講，預(yù)測(cè)性維護(hù)可以節(jié)省大量時(shí)間和金錢(qián)。有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)都可用于預(yù)測(cè)性維護(hù)。其算法能夠根據(jù)機(jī)載和機(jī)外數(shù)據(jù)來(lái)做出預(yù)測(cè)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(chē)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(lái)分析交通事故，也可用于處理車(chē)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(duì)于全自動(dòng)駕駛車(chē)輛來(lái)說(shuō)，賠償責(zé)任將從乘客（不再是駕駛員）轉(zhuǎn)移到制造商。而對(duì)半自動(dòng)駕駛車(chē)輛來(lái)說(shuō)，駕駛員仍可能承擔(dān)一部分責(zé)任。證明這類情況將越來(lái)越依賴于車(chē)輛AI系統(tǒng)所捕獲的智能數(shù)據(jù)。來(lái)自所有傳感器的數(shù)據(jù)會(huì)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(gè)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。

編輯：hfy