人工智能視角下的無人駕駛技術分析與展望

陜西省經開一中 郭 旭

人工智能視角下的無人駕駛技術分析與展望

陜西省經開一中 郭 旭

無人駕駛技術是當前汽車產業發展的新方向，其目標是解決人們對駕駛安全、舒適性和可靠性的更高需求。隨著人工智能廣泛應用于計算機視覺、自然語言處理、傳感器融合、語音識別等各個領域，無人駕駛技術取得了一定的突破性進展。自動駕駛初創企業、互聯網公司以及各大汽車廠商，都在積極探索利用人工智能技術實現最終的無人駕駛。本文就在此背景下，對無人駕駛中的人工智能技術進行了相應的闡述與分析，并指出了未來無人駕駛所面臨的問題與對該領域的未來展望。

無人駕駛；深度學習；人工智能

一、無人駕駛技術概述

目前的自動駕駛可分為兩類：一類是目前非常火爆的無人駕駛，屬于自動駕駛類別中的L4階段[1]。無人駕駛更強調的是車的自主駕駛以實現舒適的駕駛體驗和人力成本的節省，典型的例子為百度和谷歌的無人車；一類是高級輔助駕駛系統ADAS(全稱為Advanced Driver Assistance System），發展歷史已久，早在上世紀70年代就已進入車廠布局中。不過，高級輔助駕駛系統可以視作無人駕駛汽車的前提，隨著ADAS實現的功能越來越多，漸進式可實現無人駕駛。如表1所示，根據美國高速路安全管理局（NTHSA）的定義，汽車的自動駕駛可分為四個階段，目前發展技術處于汽車自動化程度的第二階段。

表1 汽車自動駕駛階段劃分

谷歌是參與自動駕駛研究的先驅，也是完全自動駕駛的倡導者，代表了目前無人駕駛的最高水平。谷歌自2009年起推進無人駕駛的開發，2015年有史以來第一輛全無人駕駛汽車開上公共道路。而百度于2013年開始涉及無人駕駛領域的研究，2016年11月與車廠合作打造的自動駕駛車已體驗運營，體驗全程3.16km, 使用L4自動駕駛技術實現紅綠燈識別、行人避讓以及超車并線等功能并且也獲得了加州無人駕駛牌照。總之，目前自動駕駛領域的先驅主要集中在互聯網企業，其中一個重要的原因就在于互聯網企業掌握了核心的技術，包括語音識別、圖像處理、語音識別等。

二、人工智能視角下的無人駕駛技術

自動駕駛智能汽車作為一個機器人系統，所涉及到的技術主要有感知、路徑規劃和控制決策三大塊內容。其中智能感知技術是前提，而路徑規劃和控制決策有賴于人工智能相關技術的研究與應用。

（一）智能感知：傳感器技術和模式識別技術

汽車的環境感知通過集成視覺、激光雷達、超聲傳感器、微波雷達、GPS、等多種車載傳感器來收集數據，并根據所獲得的道路信息、交通信號的信息、車輛位置和障礙物信息做出分析和判斷。雷達和攝像頭是自動駕駛的標配，而更高級的無人駕駛的實現需要多種傳感器的融合：激光雷達分辨率高，是構建精確的汽車周邊3D環境的基礎，但成本高，且尚未實現規模化生產；毫米波雷達康干擾能力強，穩定性高，成本較激光雷達低，看好其在低端車型的普及；攝像頭可以很好的識別人物和交通標識，以用來識別評估危險，是自動駕駛不可或缺的一部分。

通過傳感器進行數據收集后就要進行模式識別，其主要有兩個方面：光學信息識別和聲學信息識別。對應到自動駕駛中，光學信息識別包括對路況、行人等做出的判斷；聲學信息識別能夠實現車與車，人與車之間的智能溝通。例如：在駕車過程中，駕駛員通過觀察前方就能輕易分辨出車道線的信息，若智能汽車獲取車道線信息，首先需要通過攝像頭獲取道路影像，但其本身并不具備映射到真實環境的物理含義。只有通過適當的算法從影像資料中提取能反映車道線的影像部分，并進行映射。不同的傳感器由于環境感知原理的差異，識別算法上也存在著不同。

（二）人工智能：通過學習與優化作出決策

目前，通過深度學習的方式讓無人駕駛汽車不斷地優化自己的駕駛行為，是目前最有效的解決方案。每一輛無人車行駛過程中遇到各式各樣的交通情景和突發狀況將產生大量的數據，這些大數據被傳回云平臺用作深度學習的訓練樣本，經過大量樣本訓練學習的“駕駛腦”，不僅僅獲得了自身行駛的駕駛經驗，同時也獲得了其他車輛的“學習、訓練成果”，隨著樣本訓練的不斷增加，“駕駛腦”的駕駛技術將呈現指數式的增長，將大幅度提升無人駕駛技術的進步，同時提高無人駕駛汽車的安全性[2]。尤其是隨著芯片巨頭NVIDIA于2017年推出了新一代針對自動駕駛開發的深度學習的車載超級電腦——XAVIER，其可以用作自動駕駛汽車的超級大腦，以深度學習算法來加強車輛的感知能力，識別出車輛行駛環境周圍的其他所有物體，包括行人、車輛、路標、車道線、建筑設施等等，對車輛各類傳感器收集到的數據進行處理與分析，進而進行判斷，再做出決策。

隨著深度學習在圖像識別領域取得較大的突破，深度學習算法通過多層迭代對特征抽象進行模式識別的學習，從而能夠以較高的精度實現對路況、物體的識別。在大數據和云計算時代，智能控制技術需依托深度學習，才能實現自動駕駛所要求的安全性和精確度。深度學習是人工智能的一門學科，是通過計算機算法在機器上模擬神經網絡，讓機器具備學習的能力。例如，卷積神經網絡CNN在圖像識別領域具有了相當高的精度被廣泛應用在自動駕駛領域。由于CNN在神經網絡的結構上針對視覺輸入本身特點做的特定設計，所以它是計算機視覺領域使用深度神經網絡的不二選擇。無人駕駛的感知部分作為計算機視覺的領域范圍，也不可避免地成為CNN發揮作用的舞臺。而隨著各種改進CNN的出現，其被廣泛應用在物體檢測與3D感知技術中。

三、所面臨的問題與未來展望

目前，無人駕駛在業界獲得了廣泛的關注，但是也面臨著許多亟待解決的問題，才能進入最終的實用階段。

在技術方面，傳感器和算法模型是自動駕駛技術的核心構成，其技術先進度、工業成熟度直接決定著無人駕駛的發展階段。傳感器：目前性價比較高的搭配方案為毫米波+雷達，但激光雷達+攝像頭的方式在傳感器精度方面表現更佳。未來如果實現無人駕駛，激光雷達將是必不可缺的傳感器之一。算法與決策：自動駕駛的算法技術壁壘較高，涉及到定位技術、物體和場景識別、智能決策等。隨著人工智能技術的不斷發展與突破，該領域將有越來越多的研究成果出現，并極大的推動無人駕駛的快速發展。

在道德和合法性問題上，無人駕駛汽車也面臨著相當大的挑戰。無人駕駛汽車是一個決策機構，在行人避讓、超車決策等問題上存在一定的道德問題。另外，無人駕駛汽車上路的標準、交通事故的認定、交通賠償的判決等一系列問題都有待于法律法規的完善，這些不是技術問題所能解決的，也不是一朝一日通過法律能夠制定的，需要不斷的探索與完善。

無人駕駛面臨的另外一個比較重要的問題是安全性問題。無人駕駛在技術上存在著控制權被黑客攻擊并非法利用的可能，在這種情況下無人駕駛汽車甚至會成為不法分子危害公民人身安全的工具[3]。另外，技術的可靠性和安全性也是無人駕駛技術能否保證持續安全的重要問題，系統的崩潰、反應的延遲都有可能會造成重大的安全隱患。

無人駕駛汽車作為新事物，提高了人們當前在出行中面臨的諸如駕駛舒適性、決策高效性、控制智能化等各個方面。它帶給我們的便利和產生的問題在一定時間內是并存的，并存在著某些難以解決的矛盾。但是隨著人工智能技術的不斷發展與完善，以及對無人駕駛技術的高投入與重視，無人駕駛技術將會變得越來越成熟。另外，在解決諸如道德、法律、安全等問題上，隨著制度的完善和人們對無人駕駛技術的不斷接受與認可，無人駕駛技術必將對人類的出行方式產生重大的影響與變革。

[1]余阿東,陳睿煒．汽車自動駕駛技術研究[J]．汽車實用技術,2017．

[2]楊震．自動駕駛技術進展與運營商未來信息服務架構演進[J]．電信科學,2016．

[3]李付俊．淺談汽車自動駕駛技術的發展與未來[J]．科技論壇,2016．

郭旭（1999—），男，陜西西安人，現就讀于陜西省經開一中高中二年級，研究方向：人工智能。