機器學習算法在綠色智能化汽車發展及研究中的應用展望

石國勇　楊曉　李巖

摘 要：綠色智能化是未來汽車發展的必然趨勢，然而，從傳統汽車向綠色智能汽車的轉變還需要在許多技術上實現新的突破；其中，機器學習算法對汽車的綠色智能化發展具有非常重要的科學價值和實踐意義。所以，該文從機器學習算法在汽車綠色智能化發展中的應用角度出發，闡述了綠色動力、車輛智能化以及機器學習算法的研究現狀，突出了未來機器學習的在汽車綠色智能化發展中的的重要地位。

關鍵詞：汽車 綠色智能 電子通訊 機器學習 應用研究

中圖分類號：TQ330.63 文獻標識碼：A 文章編號：1674-098X（2014）02（a）-0012-03

目前，綠色環保、節能減排也已經滲透到當今的汽車工業發展中，并成為后期技術革新中的一條永恒的主旋律[1-3]。然而，面對因日益增多的汽車而導致逐漸突出的交通擁堵及安全問題，使得汽車“綠色化”發展顯得特別單薄；同時，隨著電子信息化、人工智能化等高新技術產品的出現，人們逐漸意識到曾經只能在科幻小說和電影中看到的智能汽車已經不再是一個虛幻體。因此，未來汽車“綠色化”應與“智能化”相結合的發展思路和方向被廣泛認可和提倡，在不久的將來真的會出現綠色智能化汽車[4-6]。

雖然，現已在售的汽車已經可以將一些高新技術集于一體，使其整車性能有了很大改善，然而，這距離真正綠色智能化汽車的問世還有一定的距離。綠色智能化汽車是智能化交通系統（簡稱ITS）的重要組成部分，其不僅在緩解能源消耗和環境污染等問題發揮一定的作用，而且還會在某種程度上降低日趨嚴重的交通事故發生率、提高現有道路交通效率等改善交通狀況方面發揮重要的作用。綠色智能化汽車不僅可以利用高新電控系統實現綠色能源的高效利用，而且還利用各種高新的傳感技術獲取車體自身和車外環境的全方位狀態信息，經過機器學習的一些優化智能算法的分析及融合等處理后，將最終的決策支持結果傳遞給駕駛者或者直接傳輸至車體控制系統。一方面，可以在發生危險之前提醒駕駛員做出必要的回避動作，避免事故發生；另一方面，還可以在駕駛者無法做出反應的緊急狀況下，由汽車自主完成規避危險任務，幫助駕駛人員避免危險發生。當然，對于智能汽車系統而言，不僅僅只是指可以實現自動駕駛的汽車，只要是采用了傳感器和微處理器等的汽車也可以說成是智能汽車，包括汽車GPS技術、汽車智能避撞系統、汽車智能“黑匣子”、汽車智能輪胎、氣車智能懸架、智能四驅動力機構、汽車智能鑰匙、汽車智能安全氣囊、汽車夜視系統、司機分神監視系統等。美國開始組織實施智能車輛先導（簡稱IVI）計劃[6]，歐洲提出公路安全行動計劃（簡稱RSAP）[7]，日本提出超級智能車輛系統。我國科技部也啟動了相應的智能交通系統關鍵技術開發和示范工程方面科技攻關計劃重大項目[8]，其中的一個重要內容就是研究車輛安全和輔助駕駛，以期實現人、車、路之間可以形成穩定、和諧的智能交通系統。

然而，從傳統汽車向綠色智能汽車的轉變還需要在許多技術上實現新的突破，不僅包與綠色動力汽車密切相關的汽車電子硬件發展方面方面，而且還包括直接決定汽車智能程度高低的各種機器學習算法。所以，本文從機器學習算法在汽車智能化發展中的應用角度出發，對目前的機器學習算法進行概括性綜述，希望能夠對未來汽車智能化發展具有非常一定的科學價值和實踐意義。

1 汽車動力綠色化的現實需求

當前，面對即將到來的能源危機，作者為世界超級汽車市場之一的中國，汽車產業路只有一條：實施替代能源戰略、走可持續發展的道路。首先，價廉物美乙醇燃料，是全世界最常見、國內頗為重視且已經得到推廣的一種新的替代燃料選擇；類似的，還有丁醇、甲醇這樣的汽油與柴油的生物替代燃料。然而，與直接利用天燃氣一樣，如何擺脫簡單改裝并提高醇類替代燃料的效能問題還存在一些需作進一步研究的問題[9]。同時，技術復雜先進的混合動力（油電混合、氣電混合、油電氣混合等）汽車在機械與電子方面都有許多新的技術性突破，讓能源消耗更加節約與合理而受到廣泛青睞，國際各大汽車制造廠家紛紛投入競爭。日本著手研究較早，美國也有大規模投入研發力量。然而，競爭的加劇促也使其實用性有了長足的進步，低成本、易維護、高性能逐漸成為混合動力研發的主旋律。此外，高能效、無污染、低噪音的氫燃料，長期以來一直被作為汽車能源的終極解決方案而寄予厚望，各國的科技精英不僅主攻利用氧與氫的反應來輸出電力的氫燃料電池，而且也開始對氫燃料內燃機開展迅速研究。然而，這也需要面對一些新的問題：需要巨大投資來改進現有的車輛并改建加注氫燃料的設施。一些汽車制造廠已開始研究氫燃料內燃機并不斷地推向市場，如寶馬已經率先推出了能夠使用氫氣作為動力來源Hydrogen7，搭配6.0L的V12缸車可以輸出高達260匹的最大馬力，并且百公里加速時間為9.5 s，而最高時速則將被電子系統限制在每小時230公里。雖然它目前使用的仍是汽油和氫雙燃料，但未來或許汽油動力將被完全停用。我國在氫內燃機方面的研究薄弱，核心技術的研究以及積累知識和經驗是關鍵。

2 汽車智能化的發展概述

防撞預警系統、智能巡航控制系統以及自主駕駛系統是未來智能汽車研究的主要內容，實現車輛在的全狀態控制和事故避免。防撞預警系統功能主要包含防撞提醒，駕駛盲點預警，起步變道提示、檢測道路狀況以及駕駛員實時監控。輔助駕駛系統（ICCS）主要功能包括定速巡航、安全車距保持、惡劣天況下的輔助操控、變并道、超車的最佳車速與車距控制以及緊急情況下的自動減速或緊急制動等。作為最高級的自主駕駛系統，通過傳感器的感知信息和智能算法的決策控制來實現自主行駛任務。然而，如何使智能車輛與普通車輛共同行駛在現有道路之中也是有待于攻破的難題之一。

自主行駛的前提是能夠掌握足夠多的有效準確信息并進行暢通的信息交互，因此，先進的傳感技術和通訊技術是核心。其中，傳感技術包括雷達系統、機器視覺系統、高精度GPS系統以及磁道釘技術等，而通訊技術則依賴于各種網絡和通訊協議等。雷達是一種主動型傳感器[10]，優勢在于能夠利用簡單計算就能夠在全天氣工況范圍內進行直接測量距離、速度、方位等。但也存在一些難以回避的問題，如成本高、推廣受阻、光譜分辨率和掃描速度較低、多雷達間存在干涉等。而低成本的CCD等被動型傳感器，可同時安裝多個進行全方位拍攝，用于提取車道線、識別近距離障礙物、行人、交通信號等[11]，但存在易受環境影響的缺點，尤其是在能見度較低時無法使用。高精度GPS可以提供一般傳感器所無法提供的準確車輛狀態信息（車輛位置、行駛方向、速度、加速度等）、豐富的道路信息（彎道曲率、道路結構等）以及進行車輛定位、道路跟蹤。但是，在衛星信號不佳或信號無法獲取的情況下會存在失效問題。磁道釘也是一種能夠不受天氣的影響提供全天候道路指引的技術手段：其利用磁傳感器采集道路中的由分散布置的磁道釘形成的磁場來確定車輛在道路中的位置，利用計算機視覺的輔助信息完成車輛導航。缺點需破壞已有的公路且成本較高普及受到制約。美國俄亥俄州州立大學的研究充分證實：通信問題是降低事故發生率的主要因素[12]。文獻[13]對不同的通信技術進行了研究，其中，廣域網無線通信技術特別適用于車輛與環境的信息交互。IEEE還專門設計了用于車輛/環境無線接入（WAVE）方案，等效于為車輛/道路，車輛/車輛之間的短距離通信提供了即時有效通信協議。然而，通信規范問題本身就是一個值得研究的課題，這樣就可根據規范設計能夠獨立工作的設備或模塊。

3 機器學習算法在汽車綠色智能化中的研究展望

美國州立大學與Oshkosh貨車公司合作并改裝了一輛能夠自主行駛的智能車，由卡爾曼濾波算法進行車輛狀態信息處理，利用有限狀態機確定車輛運行模式，最終完成自主行駛任務[14]。因此，對于綠色智能汽車來說，不管是在動力綠色化的技術實現方面，還是在智能化技術的實現方面，都需要先進的機器學習算法作為軟支撐條件，如數據融合、濾波及決策控制算法[15]。尤其是汽車的綠色智能化促使汽車領域迎來了大數據時代，因而機器學習算法也同樣面對更大挑戰和機遇：首先，智能汽車數據要求需多傳感器支持，所產生的大數據需通過融合計算得到有效信息進行系統決策[16]。并且，大數據中存在干擾因素，在使用之前需要進行濾波處理，但又不能濾掉有用的靈敏信息，比如智能雨刷系統[17]。然后，對于自主行駛車輛來說，中心控制的決策是至關重要的[18]，車輛需通過決策算法處理海量數據來自主確定并切換到相應工作模式來完成駕駛任務。

機器學習是是人工智能的核心，是使計算機具有智能的根本途徑，近年來在諸多應用領域得到成功的應用與發展，已成為計算機科學的基礎及熱點之一。機器學習方法不僅可應用于自主車輛駕駛，而且還已成功用于機器人下棋程序、語音識別、信用卡欺詐監測、智能機器人等領域。基于學習策略的分類，即學習過程中系統所采用的推理策略可以分為：機械學習、示教學習、演繹學習、類比學習、基于解釋的學習、歸納學習。并且，專家系統、認知模擬、規劃和問題求解、數據挖掘、網絡信息服務、圖象識別、故障診斷、自然語言理解、機器人和博弈等都是機器去學習的應用領域，大部分的應用研究領域基本上集中于分類和問題求解這兩個范疇。然而，現有的計算機系統和人工智能系統只有非常有限的學習能力，不能滿足科技和生產提出的新要求。因此，人類學習機制、新的學習方法、多種學習方法協同工作的集成化系統以及機器學習有關理論及應用的研究是今后發展的主要方向。當前，機器學習面臨復雜海量數據、用戶需求多樣化的大數據領域[19]，從而，應用驅動成為必然，針對某個或某類應用給出特定的學習方法將不斷涌現。如深度學習。2013年4月，《麻省理工學院技術評論》雜志將深度學習列為2013年十大突破性技術之首。自2006年以來，深度學習在學術界持續升溫，斯坦福、紐約、加拿大等成為深度學習的研究重鎮，美國國防部DARPA計劃也于2010年首次資助深度學習項目，腦神經系統的確具有豐富的層次結構是支持深度學習的一個重要依據。2011年以來，微軟研究院研究人員先后采用DNN技術降低語音識別錯誤率20%-30%，是該領域十多年來最大的突破性進展。2012年DNN技術在圖像識別領域取得驚人的效果，在ImageNet評測上將錯誤率從26%降低到15%。在這一年，DNN還被應用于制藥公司的Druge Activity預測問題，也獲得世界最好成績[20-22]。并且，大數據時代迫切也需要深度學習，大數據里含有豐富的信息維度。深度學習通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性。因此，深度學習使得人工智能的夢想將不再遙遠。當然，這對于汽車的智能化發展也將會是是一個極大的推進，尤其是在汽車語控智能電器系統方面。

4 結語

汽車的綠色智能化進步和發展需要多學科領域技術發展的推動，其發展又能夠推動所涉及學科和技術的進步與發展。歐美等發達國家走在技術前沿，我國起步晚但發展空間大且發展較快。綠色動力、通信協議規范、通用軟件平開發臺、多傳感器融合、無人駕駛技術、視覺算法改善及適應性等方面是今后的主要發展方向，并且，機器學習的發展為汽車的綠色智能化奠定了很好的智能基礎，是今后汽車綠色智能化實現的最有效手段之一。

參考文獻

[1] 費穎.淺談能源發展中的汽車節能[J]. 節能技術，2008，26（1）：95-96.

[2] 劉廣君.智能后視輔助泊車系統研究與設計[J].科技創新導報，2013（8）： 15，17.

[3] 史玉茜.綠色環保汽車-太陽能汽車[J]. 節能技術，2009，27（1）：78-82.

[4] 田園.綠色與智能：中國汽車的未來走向[J].廣東科技，2011，12（23）：52-53.

[5] 姜紅德.汽車電子：綠色智能革命[J].中國信息化，2013（3）：54-55.

[6] 許雅楠.汽車LED照明燈驅動系統的設計與仿真[J].科技資訊，2013（8）：113.

[7] European Commission.European transport policy for 2010：Time to decide[EB/OL].[2001-09-12].http：∥ec.europa.eu/transport/roadsafety/road_safety_observatory/rsap_en.Html.

[8] 王笑京，沈鴻飛，汪林.中國智能交通系統發展戰略研究[J].交通運輸系統工程與信息，2006，6（4）：9-12.

[9] 邵恩坡.發展天然氣汽車存在的問題及對策[J].節能技術，2005，23（6）：554-556.

[10] WicksM C.Radar the next generation2sensors as robots[C]//. IEEE Radar Conference，Washington，USA.2003：4-18.

[11] 沈峘，毛建國，李舜酩.單目視覺車道線識別算法及其ARM實現[J].南京航空航天大學學報，2008，40（2）：208-212.

[12] Baber J，Kolodko J，Noe T，et al.Intelligent vehicles sharing city roads[J].IEEE Transactions on Robotics & Automation Magazine，2005，12（1）：44-49.

[13] Liu Y，Ozguner U，Acarman T.Performance evaluation of intervehicle communication in highway systems and in urban areas[J]. IEEE Intelligent Transport Systems，2006，153 （1） ： 63-75.

[14] Chen Q，OzgunerU，Redmill K. Developing acompletely autonomous vehicle[J]. IEEE Intelligence Systems，2004，19（5） ： 8-11.

[15] 張新豐，林凱，劉旺，等.汽車語控智能電器系統[J].汽車工程，2007，29 （7）：601-605.

[16] 韓玉敏.汽車智能電子節氣門控制系統研究[J].交通科技與經濟，2006，8（2）：87-89.

[17] 趙巖，王哈力，等.汽車智能雨刷系統的設計[J].電子科技，2007，2（209）： 70-72.

[18] Xin J ianghui，Li Shunming，Liao Qingbin，et al. The application of fuzzy logic in exploration vehicle[C]//.International Conferenceon Fuzzy Systems and Knowledge Discovery.2007：195-203.

[19] 王珊，王會舉，覃雄派，等.架構大數據：挑戰現狀與展望[J].計算機學報，2011（10）：1741-1752.

[20] 余凱，賈磊，陳雨強.深度學習：推進人工智能的夢想[J].程序員，2013（6）： 22-27.

[21] 余凱.深度學習——機器學習的新浪潮[J].程序員，2013（2）：16-17.

[22] 李藝穎.人工智能的新浪潮——深度學習[J].網友世界·云教育，2013（16）：32.