基于平行測試的認知自動駕駛智能架構研究

王 曉 張翔宇 周 銳 ,6,7 田永林 ,5 王建功 陳 龍 ,7 孫長銀

隨著“十四五”時代的到來,自動駕駛迎來了“整體性落地建設”和“大規模部署應用”的新時期.智能感知等新興自動駕駛技術不斷涌現并呈現高速發展趨勢[1-4],衍生出了智能車輛虛擬測試[5-10]、數據驅動的車路云協同交通控制[11-13]、智能空間中的泛在通信[14-15]等新型數字經濟基礎設施產業[16-17].當前,我國自動駕駛在科學技術研究與產業培育上取得了顯著成果,特別是在環境感知、決策規劃、控制執行、高精定位等技術上獲得了突出的研究進展[18],但距離真正的實現具有主動思考、理解和推理的認知智能還有較大差距[19-21].

國家自然科學基金委早在2006 年3 月發布的“十一五”發展規劃中就將認知科學與智能信息處理列為13 個綜合交叉領域之一[22].2008 年8 月,國家自然科學基金委員會通過了重大研究計劃“視聽覺信息的認知計算”的立項,在其總體科學目標中指出,“從人類的視聽覺認知機理出發,研究并構建新的計算模型與計算方法,提高計算機對非結構化視聽覺感知信息的理解能力和海量異構信息的處理效率”[23].該重大研究計劃通過創辦“中國智能車未來挑戰賽”搭建了無人駕駛車輛集成驗證平臺,提供復雜測試環境從而對車輛感知和理解環境、路徑規劃、決策和智能控制等一系列視聽覺信息處理的新模型和算法進行應用驗證,至今已連續舉辦12 屆,促進了基礎實驗研究與物理可實現系統的有機結合,推動了我國智能車研發由實驗室走向現場交流探索階段[6-7,24].

自動駕駛目前面臨著交通場景動態多變、社會情景耦合密切、開放環境任務復雜度高、海量數據無法得到高效利用的問題[25-28].近年來,硬件設備算力的不斷提升、機器學習算法的頻繁更新以及芯片技術的迭代發展極大地促進了車輛感知智能水平的提升.然而,智能算法對大規模標記數據的依賴,一方面使得自動駕駛的長尾問題愈加顯著;另一方面,在將有限數據集訓練后的算法部署于實際車輛時,存在泛化能力差、性能表現不佳等問題.

對此,本文提出了認知自動駕駛智能的框架并設計了一種提升車輛實時多維認知能力的構建方法.本文的主要貢獻如下.

1) 基于對人類駕駛認知行為的研究,提出了知識網絡驅動的類人認知自動駕駛智能架構及層次化認知功能構建方法,增強自動駕駛場景泛用性和系統智能性.

2) 基于平行測試理論,構建了變量解耦的車輛認知智能量化評估機制,以可控場景調整分析駕駛行為變化,實現認知機理建模,提高對車輛智能的精準定向評估.

3) 基于平行執行方法,構建了持續趨優的車輛智能提升閉環,以精準評估結果引導場景和數據生成,建立針對性認知智能提升機制,降低場景與數據構建成本、加速系統迭代升級.

本文結構安排如下.首先概要回顧自動駕駛的技術與應用發展歷程,著重介紹當前自動駕駛感知與決策系統中的關鍵技術以及存在的長尾問題;隨后,探討測試與自動駕駛車輛智能評估與提升的關系,進一步提出基于平行測試的認知自動駕駛智能評估方法;接著,提出了認知自動駕駛智能框架并提出基于平行測試的智能訓練與提升方法;最后,總結了全文內容.

1 自動駕駛: 發展歷程、關鍵技術及應用挑戰

自動駕駛,又稱無人駕駛,指借助傳感計算設備、信息通訊、自動控制以及人工智能等技術對車輛進行智能化改造,使車輛自身具備自主駕駛能力的一種智能技術[24,29-31].自動駕駛在任務執行上,關鍵在于建立行車環境、車輛狀態和車輛操作上的連接,使車輛能夠準確地識別環境信息,在符合交通規則和保證行駛安全的前提下完成自主導航、自主運行、自主避障等一系列的駕駛操作[29],其發展先后經歷了無線電控制、制導循跡行駛[32-33]、雷達避障行駛[34-36]、視覺導航行駛[37]和激光雷達導航行駛[38-39]等一系列發展階段.

無人駕駛技術自出現發展至今,基本形成了以“感知-決策-執行”為核心的系統框架.圍繞該系統框架,無人駕駛技術的研究者們通過對車輛的改造進行傳感、計算等硬件設備的搭建,開發感知、決策、控制相關功能算法,使車輛獲得了智能化升級.本節后續將圍繞自動駕駛演變歷程及其發展至今形成的關鍵技術展開詳細介紹,分析現階段自動駕駛發展過程中存在的主要挑戰并給出相關技術上的應對策略.

1.1 自動駕駛技術國內外重要發展歷程

自動駕駛技術從最初提出至今已歷經上百年歷史,其發展歷程經歷了從最初的車輛控制,到實現對環境信息的初步采集,再至基于對環境的理解完成自主路徑的初級決策任務(路徑規劃)等,一系列技術迭代推動了車輛智能化駕駛系統的升級過程.回顧國內外自動駕駛技術的發展歷程,整體發展過程主要得益于通信、傳感、自主導航、自動控制以及人工智能技術的驅動.

在汽車上構建自動控制的想法最早出現在19世紀20 年代.無線電在長距離信號傳播上的優勢,吸引了早期的車輛工程師,并促使遙控汽車技術的萌生.最早出現的有著自動駕駛雛形的汽車當屬1925 年由Francis Houdina 發明的“American Wonder”,如圖1(a)所示車輛使用無線電進行遠程控制.技術首次賦予了車輛與外界通訊的能力,然而對環境信息與駕駛操作的處理仍然由人來完成.受限于多種設備與計算機技術,過早提出的自動駕駛的概念未能如預期實現.

圖1 自動駕駛汽車發展歷程中的典型代表Fig.1 Typical cases in the history of autonomous vehicle

20 世紀中期,隨著通訊功能的進一步升級演化,為實現車輛與環境的智能交互,研究者把目光投向了公路的數字化改造上.1958 年,為實現汽車在高速公路上的自動化運行,美國通用汽車公司(General Motors Company,GM)和美國無線電公司(Radio Corporation of America,RCA)的研究團隊合作組裝出一套車輛偵測與引導系統,首次完成了一條高速公路的數字改造,通過偵測與引導系統實現了車輛前后車距保持以及自動轉向的功能[32],該系統的成功運行標志著自動駕駛技術在環境設施智能化技術上的有效探索.20 世紀60 年代,計算機視覺的成功開發與引入,成為了自動駕駛車輛傳感系統的一次重要轉變,車輛對于環境信息的采集能力大幅提升.業界普遍認為在1961 年出現的Stanford Cart 是第一輛自動駕駛汽車,車輛搭載的攝像頭主要用于周圍環境及障礙的測距,并能夠實現利用攝像頭和算法的避障行駛[40],如圖1(b)所示.20 世紀80 年代至20 世紀末,伴隨著計算機、機器人控制和傳感等技術的突破,自動駕駛技術進入了一個快速發展的階段.期間為推動自動駕駛技術的發展,美國國防高級研究計劃局(Defense Advanced Research Projects Agency,DARPA)提出了“戰略計算計劃”,計劃中包含研制自主陸地車輛(Autonomous land vehicles,ALV),并于1986 年打造了自動駕駛貨車Navlab 1[41],如圖1(c)所示.這一時期主要使用視覺方法感知周圍環境,依靠計算機對圖片等信息處理、分析以生成控制汽車的命令.最具代表性的成果還有德國慕尼黑聯邦國防軍大學的VaMoRs(P)系列和意大利帕爾馬大學視覺實驗室(VisLab)的ARGO 項目.

1991 年,美國國會通過了陸路復合運輸效率法案(Intermodal Surface Transportation Efficiency Act,ISTEA),作為響應,美國聯邦高速公路管理局(Federal Highway Administration,FHSA)在1992 年啟動了一項全國性的自動化公路研究項目.1997 年,美國加州圣地亞哥舉行了名為Demo＇97(The NAHSC 1997 Technical Feasibility Demonstration)的無人車集中演示,通過在道路上設置磁條,演示如何進行無人車輛編隊實現高速路交通優化、在不增加現有道路的基礎上擴大其通行容量.這一探索因政府預算問題在90 年代末終止.

21 世紀初期,隨著一系列自動駕駛賽事的展開,自動駕駛系統快速更新迭代,自動駕駛的研究掀起了一股熱浪,也奠定了后續自動駕駛車輛的基礎架構.2004 年起,美國國防高級研究計劃局連續3 年舉辦了3 屆DARPA 無人駕駛挑戰賽,將無人駕駛技術研發的熱潮推向了世界.其中,美國斯坦福大學的“Stanley”作為2005 年競賽的獲勝者,利用機器學習技術處理道路圖像信息,實現在非結構化環境中車輛的導航,如圖1(d)所示[42].由于機器學習的引入,使自動駕駛車輛的傳感系統逐步實現由數據采集到環境感知的轉變,成為自動駕駛汽車智能化發展的一個關鍵轉折點.隨后的自動駕駛研發中,大多數研究人員將機器學習和人工智能作為自動駕駛的核心組成部分開展相關研究工作.自動駕駛在比賽中的出色表現和應用潛力,成功吸引了以谷歌為代表的科技公司和創新企業加入到自動駕駛的研發中,也引發了傳統汽車產業的智能化變革.至此,自動駕駛技術已邁向面向更高智能突破和穩定應用表現的新階段.

相比國外無人車的發展歷程,國內自動駕駛技術的研發與應用起步較晚但發展迅速.在20 世紀80 年代,我國開始了對智能移動機器人的研究,1980 年,中國立項了“遙控駕駛的防核化偵察車”項目,由哈爾濱工業大學、沈陽自動化研究所和國防科技大學三家單位聯合承擔.從80 年代末開始,國防科技大學先后研制出基于視覺的CITAVT 系列智能車輛.同一時期,清華大學在國防科工委和國家“863 計劃”的資助下開始研究開發THMR 系列智能車.中國第一輛自動駕駛汽車ATB-1 (Autonomous test Bed-1)誕生于90 年代初期,由浙江大學、國防科技大學、北京理工大學等五家單位聯合研究,ATB-1 的誕生標志著中國無人駕駛行業正式起步并進入探索期[30].國內的高校,如西安交通大學、國防科技大學、吉林大學、重慶大學也分別開始獨立的自動駕駛車輛研究工作.同樣是90 年代,時為美國亞利桑那大學教授的中國科學院自動化研究所王飛躍研究員主導的智能車VISTA 項目,在美國鳳凰城51 號高速公路上成功演示了打通車外攝像頭、車內智能控制與運動規劃的自動駕駛技術,引發全美關注[4].

進入21 世紀,國內無人車技術研發由實驗論證走向道路實測.2005 年暑期,由西安交通大學鄭南寧院士組建的智能汽車課題組開啟了一次名為“重走絲綢之路”的自動駕駛汽車測試,以驗證發展初期的自動駕駛技術,標志著國內由高校研發的無人駕駛技術第一次從實驗室走向真實的交通環境.2008 年8 月,國家自然科學基金委員會發布重大研究計劃“視聽覺信息的認知計算”,以此推動并提升我國在視聽覺信息處理領域的整體研究實力,為解決自動駕駛等領域中的認知能力空缺提供了重要的探索經驗和理論依據[23].2011 年,國防科技大學研制的紅旗HQ3 首次完成了從長沙到武漢286 公里的高速全程無人駕駛試驗,標志著我國無人車在復雜環境識別、智能行為決策和控制等方面實現了新的技術突破[43].

自動駕駛的研究需要不斷在真實交通環境中進行自主駕駛測試,完備測試評價體系能夠有效反映自動駕駛車輛的真實水平.自2009 年起,由國家自然科學基金委員會主辦的首屆“中國智能車未來挑戰賽”舉辦,無人車比賽測試內容與測試環境分階段、分層次設計,實現了無人車由簡到繁、由易到難的智能水平測試,有效推動了我國自動駕駛從實驗室研發走向探索性應用交流[23,25].賽事期間,安全性(Safety)、舒適性(Smoothness)、敏捷性(Sharpness)和智能性 (Smartness)的4S 測試標準,離線測試和平行測試的概念及方法相繼被提出,為促進無人駕駛走向開放道路測試奠定了基礎.

產業層面,科技巨頭持續引領市場,車廠相繼爭先轉型,持續加碼自動駕駛研發投入.近年來,谷歌、特斯拉、百度等科技公司持續開發無人駕駛技術,并不斷開展自動駕駛車輛的道路測試.受這些科技公司的影響,傳統汽車公司(如通用、寶馬、沃爾沃)也紛紛加入無人駕駛的研發測試中.在虛擬場景和開放道路測試的共同推動下,自動駕駛技術正以全場景應用、多維度布局、全體系研發的方式加速發展.

1.2 當前自動駕駛關鍵技術及其應用表現

現階段自動駕駛系統圍繞“感知-決策-執行”系統的開發及其相關功能的實現,通過融合多種環境傳感和感知算法,在良好的天氣環境下初步實現了對規范交通環境的感知與識別;通過對車輛行為建模,初步實現對于有限交通場景的判斷與應對,并在部分道路(如高速路、城市道路、園區道路)中獲得了較為理想的行車表現,典型的整體無人駕駛系統架構如圖2 所示.本節后續內容將圍繞現階段主流自動駕駛技術,針對環境感知、決策規劃、運動控制三大核心系統功能,在關鍵技術和實現方法上展開概要介紹,為基于此的認知自動駕駛智能框架的提出奠定系統邏輯基礎.

圖2 典型的自動駕駛技術框架Fig.2 Typical framework for autonomous driving

1.2.1 環境感知: 自動駕駛的“感官”

自動駕駛的感知系統由硬件傳感設備和感知、定位算法共同組成,用于對車輛周圍環境和自車狀態的檢測與識別.因此,感知系統的優劣決定了整體駕駛系統信息輸入的完整性和準確性,對于后續的駕駛行為決策至關重要,是實現車輛駕駛自主化運行最為基礎和關鍵的環節.

自動駕駛中通過數十種傳感設備用于接受物理信息,用于模擬人類駕駛員在行駛過程中的“五感”,如圖3 所示.其中用于環境感知的傳感器主要包括攝像頭、激光雷達、毫米波雷達和超聲波雷達等[44].主流的感知技術方案包括以攝像頭為主的視覺方案以及視覺和雷達結合的多傳感器融合方案.前者具有成本較低、接近人類駕駛等優點,但也存在著受環境光照影響大等缺點,因此對軟件算法依賴程度高.采用視覺為主的感知方案的企業主要包括特斯拉和Mobileye.相比較而言,視覺和雷達結合的多傳感器融合能夠提供準確的空間和結構信息,且具備更好的抗環境干擾能力,使車輛在行駛過程有效躲避障礙與其他動態交通單元[37-38],但其成本相對較高,且多傳感器融合在模態對齊和模態失效應對等方面也面臨諸多挑戰.目前,采用多傳感器融合方案的企業主要包括Waymo、Uber、華為及小鵬等,百度公司則兼具視覺為主的方案和多傳感器融合方案.除此之外,自動駕駛車輛還需要配合地圖與定位系統完成道路及車道場景下的精準定位,后3 種設備相互融合,采用絕對定位與相對定位融合的方式解析出車輛位置信息,并提供給路徑規劃系統指導車輛在規范的車道上行駛.

圖3 自動駕駛核心感知硬件Fig.3 Key hardware for perception in autonomous driving systems

1.2.2 決策規劃: 自動駕駛的“大腦”

決策規劃作為自動駕駛系統的“大腦”,負責對已知信息的整合并根據需求制定正確的行駛指令[45].由于決策內容與信息來源聯系緊密,因此可以在信息層面上把決策任務劃分為三類: 靜態信息的決策、動態信息的決策和突發信息的決策.

第1 層面靜態信息的決策在自動駕駛中屬于導航級別的路徑決策問題——“如何到”,任務信息固定已知,目標單一,約束條件明確清晰,任務貫穿從出發至目的地的整個駕駛過程,保證任務時效性、經濟性和舒適性.

第2 層面動態信息的決策是駕駛中的行為決策問題——“如何開”,任務信息繁雜且多變,多任務并行耦合,約束強度較弱,操作空間維數高,要求駕駛系統根據可見范圍內信息采取合理的駕駛策略.例如: 不同駕駛員面對相同駕駛場景所展現出的不同駕駛策略及風格,反映了駕駛員對環境信息和安全駕駛的理解差異[46],進一步,也可通過車輛通行效率、乘坐舒適度評判駕駛水平的高低.

對于動態信息的捕捉、理解和決策也是自動駕駛智能化水平最為突出的表現,根據動態場景的不同,可將其分為三類主要的決策任務,如圖4 所示.

圖4 三種等級的決策任務Fig.4 Three levels of decision-making tasks

1)障礙規避任務.障礙物規避、繞行,行駛受阻情形的處理,以及通行路權博弈.

2)車道決策任務.行駛車道的切換,車道含義與車輛以及駕駛策略的匹配.

3)道路決策任務.行駛道路變更,行駛方向變更,不同道路駕駛策略的切換.

第3 種層面突發信息的決策表現為面對突發情形的決策問題——“緊急避險”,任務的突發性導致信息缺乏,約束條件模糊且稀少,可選擇的操作空間大.現階段該層面任務主要表現為兩個方面: 1)在短時異常條件(如逆光、遮擋、定位信號丟失等)下的應急決策與避險行為;2)在行為異常下的困境識別與脫險決策.更進一步,該層面任務將賦予車輛對危險的識別能力與主動躲避的認知決策,即“安全意識”問題,來保證車輛安全或降低事故損傷.

1.2.3 運動控制: 自動駕駛的“四肢”

自動駕駛的運動控制系統,構建了車輛數學模型和物理控制之間的橋梁,作為車輛系統與環境交互的最終環節,平滑、高效地完成車輛的駕駛任務對于自動駕駛的有效實現具有重要意義[47-50].由于控制執行系統并不涉及對感知信息的認知與理解,因此在本文中不過多地展開討論,根據控制系統的構成,分以下三個方面進行簡要介紹.

1) 車輛動力學控制模型的構建.車輛控制模型通常指的是控制系統的數學模型,首先以模型驅動或數據驅動的方式建立實際系統的數學模型,隨后通過數據反饋、參數辨識、訓練迭代等方法進一步優化模型,最后通過泛用測試評估準確度并完成模型的確定.

2) 車輛的縱向控制、橫向控制.車輛的縱向控制指在車輛行駛速度上的控制,包括對車輛動力系統、傳動系統和制動系統的控制.車輛的橫向控制指垂直于前進方向的控制,指方向盤角度的調節和車輛側滑的修正.通常獨立的縱向控制和橫向控制不能滿足復雜場景下自動駕駛車輛的實際運動需求,橫縱協同控制對于實現目標軌跡的準確跟蹤更為關鍵,車輛的控制也從基礎的行駛轉向擴展到車道變更、路口轉向、自動泊車等復雜的控制任務[51].

3) 車輛的控制任務與控制方法.控制理論歷經長期的發展,已趨于成熟,常用的控制方法,包括反饋控制、前饋控制、PID 控制、模糊控制、最優控制、模型預測控制以及神經網絡控制等[52-53].根據控制目標和任務需求匹配對應的控制方法,能夠更高效和更準確地實現理想的控制效果,如在車輛的發動機和電動機的近似線性模型部分,通常采用PID 控制和前饋控制;而對于車輛橫向軌跡的保持和修正,往往采用MPC 控制車輛的運動系統.

隨著計算架構、車載算力的升級以及信息通訊、計算機視覺、機器學習等技術的不斷深入發展,自動駕駛作為有效的自主化地面交通解決方案,與運輸業、汽車制造、物聯網、大數據和交通管理形成了一系列的多領域深度融合產業[54],面向各種場景下的自動駕駛技術層出不窮.現階段自動駕駛技術主要應用于處于一些限定區域和低速場景下,如物流配送、公共環衛、園區接駁、港口碼頭、智能礦山、無人零售、末端配送等,如圖5 所示.而在當前城市自動駕駛上應用處于以輔助駕駛為主的階段,針對人工駕駛中出現的車道保持、車距保持提供較好的支持,有效緩解駕車疲勞;而面對如天氣、交通、道路組合變種的多樣化場景,暫時還未實現有效可靠的解決方案.

1.3 現階段自動駕駛面臨的主要挑戰

目前國內外對于自動駕駛等級劃分最為廣泛接受的標準是國際自動機工程師學會 (International Society of Automotive Engineers,SAE) 發布的關于自動駕駛的等級定義SAE J3016[55],其中將無人駕駛分為Level 0～5 六種等級.根據SAE J3016的分類標準: Level 2～3 是車企布局最為廣泛的一個技術范圍;Level 3～4,特別是Level 4 目前僅有部分高校類研究機構、領軍型科創企業和少量主機廠在開展研究工作;面向Level 5 水平的自動駕駛技術目前還未出現成熟有效的應對方案.

本節分析Level 4 及以上等級自動駕駛技術在面對開放動態復雜環境中存在的瓶頸問題和技術挑戰.

現階段自動駕駛在數據采集、傳感和運動控制上的發展已較為成熟,自動駕駛系統的自主智能化提升主要存在以下兩方面的挑戰.

1.3.1 缺乏對社會情境的理解與推理能力

在自動駕駛當前系統框架上,存在對于環境信息理解力不足和對情景信息解析不準確的認知問題.李力等[20]在其關于認知車的研究中提到,需要重視駕駛員行為認知在智能車系統中的作用,并認為將認知科學和控制系統相結合的方式是一種具有廣闊研究前景的重要領域方向.在當前自動駕駛技術框架下,由于人類對物理世界和物理規律認知上的主觀性和有限性,使得以規則驅動的“感知-決策”在規則制定過程中呈現出系統的片面性和功能的局限性,導致自動駕駛系統在高動態、復雜環境中難以匯總物理環境中的足夠全面且有效的信息,難以對場景中可能發生的事件做出準確高效的決策,而因認知缺失引發的問題在自動駕駛的感知和決策中體現尤為突出.

認知能力以感知為基礎,感知方面,在現階段的自動駕駛研究中,由于缺乏對于感知信息的實時評估分析,導致不準確、不完善、不全面的感知信息直接傳遞給決策系統而導致動作異常的狀況時常發生.盡管在下一輪“感知-決策-執行”的迭代中會對異常的感知信息加以修正,但長期的運行過程,類似的“彎路行為”將大大降低系統的運行效率,甚至導致在面對緊急情形時車輛的應對能力不足而提高事故率.在決策方面,在現有決策規劃任務中,常規的決策算法模型相對固定.在有限場景中,由于事物發生的可預見性較高和有限性約束,利用條件與行為的邏輯關系構建的決策模型,能夠獲得不錯的行為表現.然而,一旦環境的不確定性和復雜度增加,以規則驅動的決策模型將難以應對,尤其在動態隨機環境的泛用性上存在明顯的短板.以城市日常乘車為例,面對不同天氣場景、車流壓力、交通事故等常見的出行場景,特別是車輛測試過程中難以遇到的數據或樣本,自動駕駛缺乏“舉一反三”的自主推理和演繹能力,還不能稱為一名合格的“智能司機”.

1.3.2 開放環境下的長尾問題

在當前自動駕駛技術的應用上,面向諸如感知異常、定位誤差、決策異常、意外應對、自然交互等長尾問題,自動駕駛技術始終難以應對高度動態變化和開放的駕駛環境[56-58].數據驅動的自動駕駛測試成為一種有效的解決方案,但測試過程資源耗費嚴重、測試成本高、測試場景受限、迭代周期長等問題,嚴重延緩了自動駕駛技術的更新與發展.

封閉場景過渡至動態場景后的功能乏力,是自動駕駛長尾問題的主要由來.作為封閉場景下自動駕駛的前身,自主導航車(Autonomous navigation vehicle,AGV)主要解決環境特征無明顯變化下車輛的感知避障與路徑巡線,完成目標場景內的功能覆蓋,如物流分揀車、智能巡檢車、送餐機器人等.基于AGV 的成熟發展,最初的自動駕駛技術將車輛的行駛任務抽象為簡單的邏輯規則,并嘗試建立更為詳盡的控制邏輯來實現車輛的自主行駛,形成了基于規則驅動的自動駕駛系統.然而,相對于固定場景下的環境狀態,實際交通道路中往往環境面臨信息繁雜、狀態隨機、動態交互等高度隨機的物理及社會信息,因此導致自動駕駛系統易發生行為決策方面的異常.

長尾效應普遍存在于現實應用中,其特征是正常場景出現頻率高,而極端“長尾”場景很少出現.這些長尾問題包括: 低頻的交通場景、極端的駕駛情形和無法預測的交通行為等.隨著部分自動駕駛車輛事故頻發,如,優步無人駕駛車輛撞上推自行車的行人、特斯拉撞上白色貨車車廂等,以視覺異常為誘因,引起了對自動駕駛長尾問題的持續高度關注.讓計算機靈活地理解“視覺情景”往往要比單獨的檢測任務復雜得多,更需要對涉及信息關聯的實體及其之間的關系進行分析、推理.例如: 在《AI 3.0》中提到的“遛狗”這一常見的視覺情景,對于人工智能系統而言,難以將拿著繩子的人和系著繩子的狗有效聯系起來.無獨有偶,在激光雷達公司Aeye 舉行的一次自動駕駛氣球挑戰中,自動駕駛汽車在檢測到氣球時往往采取躲閃來避免碰撞,導致車輛剎車或突然變向.相機或激光雷達在物體識別上能夠發現氣球這一實體,但并不能理解其對行駛任務的真正影響,導致此類長尾問題難以應對.從當前自動駕駛應用與測試中可以看出,在技術上自動駕駛技術在大部分問題上已能給出有效的解決方案(如底層架構、環境傳感、運動控制),但在長尾問題上暫時還未形成穩定可靠的應對策略,自動駕駛長尾問題逐漸成為了制約自動駕駛發展的關鍵.

2 自動駕駛測試: 自動駕駛系統的“陪練導師”

近年來,針對無人車輛在實際應用落地中出現的一系列長尾問題,尤其是一般性的感知錯誤與決策異常,多種自動駕駛測試手段被相繼構建,以檢驗車輛駕駛系統智能水平和功能穩定性,自動駕駛測試也成為排查系統漏洞、促進駕駛系統智能化升級的重要手段.

2.1 自動駕駛測試的發展歷程

自動駕駛汽車測試是自動駕駛研發中的重要環節,是自動駕駛性能評估的重要支撐.為了應對千變萬化的交通場景,需要海量的數據對自動駕駛算法進行訓練,通過不斷的迭代,才能覆蓋盡可能多的場景,提高行為的靈活性.隨著自動駕駛汽車自動化等級的不斷提高和產業化落地進程的加速,對測試的依賴越來越深入,尤其是面對Level 3 以上自動駕駛和無人駕駛,對現有的測試技術、標準和法規,都提出了新的挑戰.

2011 年9 月美國內華達州的自動駕駛法案通過審批,成為美國第一個允許自動駕駛上路測試的州,揭開了自動駕駛車輛上路測試的序幕.緊隨其后,部分發達國家制定了相關的自動駕駛測試法案,英國交通部于2015 年發布《無人駕駛汽車的發展路徑: 自動駕駛技術評述》;日本發布的《自動駕駛汽車道路測試指南》允許汽車在無人駕駛狀態下進行測試.2018 年4 月,我國工信部、公安部、交通運輸部聯合發布的《智能網聯汽車道路測試管理規范(試行)》中,圍繞自動駕駛汽車測試的管理體制、測試許可、測試要求、測試記錄與報告、開放道路范圍、交通事故責任、保險制度等方面做出了規定,有效引導推動了我國自動駕駛汽車的發展.

隨著自動駕駛開放測試道路的城市持續增加,無人駕駛系統測試場地逐漸由常規道路轉為封閉園區和規范化路段,技術研發與測試邁向標準化、專業化.為了讓無人車進行針對性的改進和提升,Waymo 構建了一個名為Castle 的結構化測試訓練基地,在基地內復現所遇到的場景,供無人車反復練習.2015 年,由西安交通大學、中國科學院自動化研究所等研究機構與常熟市共建的中國智能車綜合技術研發與測試中心(iVPC)正式成立,構建典型真實交通場景中路測和硬軟件測試相融合的一體化測試訓練場,成為國內首個智能車研發測試中心.此后,北京、上海、西安、重慶、泰興、襄陽等地陸續獲批自動駕駛封閉場地測試基地,這標志著中國的智能聯網和無人駕駛汽車從國家戰略高度正式進入實際操作階段.

伴隨著測試場地和相關法規的完善,自動駕駛車輛測試的數量遞增,自動駕駛的道路測試規模和測試里程,逐步成為了系統性能水平評估的重要指標.從美國加州車輛管理局公布的2021 年度自動駕駛測試數據來看,谷歌的Waymo 與通用的Cruise累積測試里程分別為374 萬公里、141 萬公里,兩者測試里程占據當年全部自動駕駛車輛測試里程的近80%.然而,自動駕駛路測面臨周期長、效率低、成本高等弊端,自動駕駛測試中人工建模的仿真測試方法不可或缺.據美國蘭德公司研究,從統計學角度出發,自動駕駛汽車需要在真實或者虛擬環境中至少進行110 億英里的里程測試,才能證明自動駕駛系統比人類駕駛員更可靠.因此,基于自動駕駛的現階段算法水平和有限的算力性能,單純依靠傳統的自動駕駛實車路測難以滿足多樣化場景的完全覆蓋.

同時,在現實道路中運行測試,往往受限于天氣狀態等因素,且車輛行駛速度緩慢導致測試耗時周期長,嚴重制約著車輛的智能化升級,基于此,數字測試場概念和自動駕駛仿真測試技術應運而生[5].在虛擬場景中進行自動駕駛技術測試有著效率高、成本低、配置靈活、重復性強、過程安全等種種優點,能有效實現自動駕駛功能檢驗和測試加速,從而引起了高校、研究機構和企業的廣泛關注.美國的Waymo 和中國的百度等自動駕駛公司均建立了自動駕駛模擬系統,開展了大量的虛擬測試,如:Waymo 推出的CarCraft 的道路模擬器,可以使車輛在同樣的駕駛條件下經歷數千次的練習來學習新的行為方法.而虛擬場景中的測試場景對現實世界的覆蓋率越高,仿真測試結果的準確性就越高[56].仿真測試大大降低了實車路測中的測試成本,但畢竟虛擬仿真不是現實,使用計算機圖像技術構建的場景和車況相較于真實的駕駛場景過于理想化,測試效果往往和真實測試差距較大,難以形成切實有效的測試經驗.

為解決仿真測試中的這一問題,自2016 年起,智能車挑戰賽提出在自動駕駛測試比賽中額外增加一項針對復雜環境車輛認知能力的離線測試.離線測試在真實的交通場景數據庫的基礎上,通過車輛在還原場景下的反應,評估車輛的基本認知能力,如前方車輛檢測、車道線檢測、前方車輛距離監測、車道保住狀態監測與交通信號檢測等.考察了測試車輛在仿真環境下對于真實交通場景數據的反應,在降低測試成本加速測試效率的同時,有效提高仿真測試過渡到真實場景測試的系統的泛用性和有效性.為系統化評估車輛的認知水平,由中國科學院自動化研究所青島智能產業技術研究院和慧拓智能機器有限公司基于平行測試理論聯合研發的智能車綜合測評系統應用自2017 年起,應用在中國智能車未來挑戰賽中,實現了對比賽車輛的狀態的實時記錄,并自動分析評估結果.

隨著自動駕駛測試的逐步深入,中國科學院自動化研究所的王飛躍研究員提出平行測試的概念、框架和方法論[6,57].2017 年基于平行測試理論的智能車綜合測評系統在中國智能車挑戰賽中得到了良好的應用檢驗.2019 年平行測試研究成果作為“焦點”文章發表在機器人頂級期刊Science Robotics上[7].本文認為,平行測試作為一種融合了實車路測、虛擬測試和離線測試的創新型自動駕駛測試方法,實現了物理數據和虛擬數據的交互融合,有效拓展了當前自動駕駛的場景,將成為目前解決自動駕駛路測效率低和提升系統智能水平的重要途徑.同時,測試系統在實車和云端平行部署協同運行,能夠借助本地簡單遠程復雜的系統架構,實現云端對邊緣端場景數據和算力的補充,改善當前自動駕駛車輛在面向罕見場景和突發狀況時模型覆蓋有限、場景認知不足的問題.

2.2 平行測試: 虛實協同的智能測試框架

自動駕駛測試中對于大批量數據的信息挖掘和深入理解程度直接影響系統解決異構、移動、融合的交通網絡環境下智能車輛的管理與控制問題的效率.為此,有效利用行駛過程中收集的各種感知信息進行決策,同步“預測”、“引導”并“評估”駕駛行為成為認知智能訓練提升的關鍵.

平行測試通過任務描述、任務采樣和任務測試三部分實現對任務生成機制的構建、對挑戰性任務的選擇以及對測試結果的評估,并以此形成測試閉環,逐步探索車輛的能力邊界.平行測試系統設計并模擬出一套基于數據驅動的與真實場景相匹配的學習訓練場[58-60],在復現真實場景的同時,利用計算實驗將認知模塊化管理,根據不同的認知功能對數據進行分割重組,形成多維度全方位的認知系統[61-62].根據輸入的真實數據進行模型訓練,引入平行學習的方法生成大量“人工數據”,在真實“小數據”與人工“大數據”組成的“混合海量數據”中,實現數據的擴展與泛化,從中完成駕駛行為的學習、模仿與進化,加速機器智能向類人智能的迭代與演化[63-67].

平行測試適用于車輛功能開發與智能提升的全流程,包括單元功能測試、軟件在環(Software-inthe-loop,SIL)、硬件在環(Hardware-in-the-loop,HIL)、車輛在環(Vehicle-in-the-loop,VIL),再到最后的場地測試、道路測試、對標測試等方法,可涵蓋從零部件到系統再到整車的全鏈條測試.測試與評估貫穿車輛的整個生命周期,在車輛行駛過程中記錄行車數據,保持與云端的實時數據交互,并完成階段化遠程升級,以便更新場景覆蓋與認知水平,實現對車輛運行狀態的超實時全面監管.

其主要任務為: 1)構建自動駕駛區域范圍的測試場地虛擬環境,完成有限區域內多種常見道路中存在的典型道路狀況的復現.同時要求測試場內包括規范化的道路指示牌、GPS (Global positioning system)基站、通訊基站和路口信號燈等基礎道路設施.在試驗場內對無人汽車在特殊危險場景下的表現進行測試與提升,更加具有針對性和嚴謹性.2)采用數字化程序完成自動駕駛車輛的虛擬建模,并構建實時的測試場,通過天氣參數、車輛數目、車輛參數的調控提升車輛測試的多樣性,有效降低無人車程序試驗階段的測試成本;同時發揮在環境條件可控性上的優勢,實現天氣狀況、路面條件、車輛狀態的無縫切換,大大擴充車輛在不同環境下的泛用性測試.

2.3 基于平行測試的認知自動駕駛智能評估

基于數字化測試場景的實時構建,平行測試實現了對環境感知和行為決策的分離化管理,有效實現基于大規模數據的場景認知模型訓練.其云端的高算力支持、大數據匯集、廣場景存儲等顯著特征,在面對自動駕駛中的特殊罕見場景時,能夠及時識別并完成針對性方案應對,解決車輛智能模型升級慢迭代周期長的自動駕駛長尾問題,也為認知智能奠定了堅實的發展基礎.具體表現為以下兩方面.

2.3.1 靜態關系分析與情景認知

平行測試借助云端存儲和實時通訊優勢,便于快速更新場景知識庫和學習陌生的場景實體單元.場景知識庫將感知信息對應知識網絡的實體單元,以網絡中的先驗實體關聯為引導,構建車輛感知信息間的關聯關系,并建立一體化的“感知-認知”評估系統.測試中通過綜合分析感知目標間的關聯性,推斷駕駛情景特性,識別異常感知[68],具體表現為:在傳感單元引入誤差或噪聲干擾時,能夠借助知識網絡找出數據信息的關聯性,定位干擾信息的來源,實現數據的剔除與凈化,并根據歷史或相近的場景信息對數據進行有效的推理補全.

2.3.2 動態行為預估與意圖推理

平行測試基于虛實混合的大規模場景數據和云端高算力平臺,在面對意圖推理的認知學習和計算上具有先天的優勢.近20 年以來,深度學習的爆發和計算機視覺的蓬勃發展促使自動駕駛技術在環境感知方面獲得了顯著的提高.然而,如何在真實復雜高動態交通環境中做出高效駕駛策略,不僅受限于自動駕駛系統的環境感知能力,也同時取決于對于動態行為的理解與推理能力.車輛在動態環境中正確理解駕駛意圖,有利于及時評估行為決策的安全性和可行性,做出安全的駕駛行為和合理的車輛運動控制[69].具體表現為: 在開放環境下能夠有效捕捉并追蹤可能與自身運動產生關聯的動態行為,基于行駛意圖完成一系列連續動作的規劃,可基于以下3 項對意圖認知進行信任度評估: 行駛任務與避障任務協調優化后的通行時間,車輛加速度曲線的平滑度,以及與其他動態單元在時空交集上的最小距離.

2.4 小結

在自動駕駛的研究歷程中,面向開放的駕駛場景因多變的天氣狀態、復雜的道路信息、多樣的駕駛任務和動態的交互行為而產生的系統異常時有發生,成為了自動駕駛測試中的長尾問題.針對這一難題,在本節中,系統化研究了自動駕駛測試技術的誕生由來和發展歷程,提出將平行測試作為應對長尾問題的有效解決途徑,進一步闡述了平行測試在車輛認知提升上的理論優勢和技術發展潛力.

3 認知自動駕駛智能架構與空間

早在1973 年關于Lighthill 人工智能報告辯論會的評論中,希金斯就提出“認知科學”,將人工智能與人類思維的研究相聯系,以研究大腦信息處理的綜合運作機制[70].中國科學院生物物理所陳霖院士強調對認知科學的研究將為新一代人工智能的計算體系結構提供深刻啟發[71].人類的認知能力是同物理世界交互過程中一系列的心理反應.認知能力的一個關鍵要素在于,當有需要時,能夠合理地利用自身關于這個世界的知識去應對所發生的問題,結合自身已有經驗或創造性地給出新的解決方案.這種泛化性的問題處理能力是一種以自我為目的的任務實現,是對儲備知識靈活運用的具體表現,人類在成長學習過程中,逐步完善應對不同問題的能力,實現自我認知能力的構建、升級與突破.這些認知能力,不僅包含知覺、表象、記憶等基本內部過程,還包括聯想、假定、計劃、決策等高級心理活動[72-73].

認知計算利用計算機技術讓計算機模仿人類大腦的思維計算過程,實現機器類人一樣的思考、理解、推理、決策等能力[19].與人工智能相結合可針對觀察的現象構建可解釋的認知系統.在自動駕駛方面,西安交通大學鄭南寧院士提出通過構建認知地圖[74]使自動駕駛系統從類人的角度理解交通場景的動態及隨機變化,為認知計算與自動駕駛的結合提供了思路.

本文提出的認知自動駕駛智能將認知計算引入自動駕駛的“感知-規劃-決策”架構中,融合人類司機在駕駛過程中會出現的瞬時反應、短時反應、長時反應需求,提出在原有的自動駕駛框架中構建以知識網絡為主導的認知系統,將已有的處理經驗嵌入應用于綜合處理無限變化可能的交通場景信息中,增強系統對于復雜環境信息的認知理解和對知識的提煉學習能力,進而與實際任務結合完成知識的有效轉換,應用于復雜環境交互過程中的自主認知決策問題,作為增強自動駕駛場景泛用性、提高系統智能性的一種切實有效方案.

3.1 類人認知的自動駕駛智能架構

與駕駛者在駕駛過程中的觀察分析過程相比,當前的自動駕駛系統絕大多數采用有限的規則來描述復雜場景,當場景信息具有未知、不可結構化描述、不確定和難以預測等特性時,相對片面的信息將限制系統對環境的解釋和理解能力.自動駕駛汽車在參與實際交通(尤其在當前人機混駕階段)系統時無法表現出與人類駕駛者相當的操作水平,除了當下性能有限的硬件系統和難以突破的軟件算法外,主要原因在于認知體系上的欠缺[20,29,75-76].現階段的自動駕駛系統由感知系統接受外界的環境信息后,將信息直接交由決策系統用于行為的規劃,這種簡單的串級處理方式通常表現為信息-行為的映射.規則系統隱含在“感知-決策”的過程中,驅動信息數據的篩選和任務行為的觸發.由于關注的信息有限,這種系統在處理封閉場景任務時,具有較高的效率和可解釋性.

人類在駕駛中的認知過程包括四個主要環節:1)接受駕駛環境的物理刺激;2)結合駕駛任務對環境信息進行評估;3)以實現任務目標為導向展開思考決策;4)形成對于車輛的準確合理的操作控制.為跨越現有自動駕駛系統從數據到決策之間的認知鴻溝,本文提出構建知識驅動的認知子系統作為實現認知自動駕駛智能的核心環節,仿照人類駕駛過程中對信息的綜合處理、因果分析和邏輯推理過程,利用已有經驗知識解析物理刺激、制定決策并指導外部駕駛行為.融合人類認知過程的自動駕駛認知流程架構如圖6 所示.

圖6 類人駕駛行為的認知與決策流程圖Fig.6 Cognitive and decision flowchart of humanoid driving behavior

其中信息認知過程即是對信息的深入加工的過程[77],能否在構建的人工世界中全面客觀地描述環境,并基于目標任務的解析對答案進行搜索推理是認知系統能力的評判標準.認知系統的功能構建總體分為三部分: 1)在信息的預認知部分,利用傳感系統采集的數據和感知系統部分預處理信息,根據先驗知識進一步建立信息間的內部關聯關系,形成結構化、可計算的知識圖譜;2)在信息的深入加工部分,通過數據轉化、信息抽取、知識融合、知識加工等一系列信息的深度挖掘工作,形成用于知識表示、儲存和推理的語義知識網絡;3)在構建的知識網絡下,逐步實現聯想、記憶、思考、推理、想象等高級思維的認知知識系統,以應對陌生、未知條件下的環境認知任務,實現對感知數據的合理解讀與分析并制定有效的行為動作策略.

系統強調在車輛自動化的基礎上進一步增強對周圍環境的深入思考和對決策行為的評估反饋能力,著重開發無人車輛對環境信息的結構化知識建模、綜合理解駕駛情景,并構建車輛自發性推理和自主決策的能力.認知自動駕駛智能旨在通過學習人類駕駛中觀察、思考、定向、行動一系列閉環行為和對于整體行為過程的評估,構架自動駕駛的認知知識系統,驅動自動駕駛車輛的“感知-認知-決策”過程,使自動駕駛車輛具備主動感知、邏輯推理、持續學習等類人智能,以提高系統的智能性、可解釋性和魯棒性,實現駕駛過程中的信息獲取自發性、知識構建自動化、行為交互自主化.

3.2 人類駕駛行為的認知分析研究

從人工智能和自動駕駛技術整體發展來看,機器智能正經歷從計算智能、感知智能到認知智能轉變的階段,受此影響,自動駕駛技術也逐步從以規則驅動、數據驅動走向以知識為驅動的新階段,并朝著高級認知水平快速發展,實現對人類思維運算的進一步解放[19,76,78].現階段自動駕駛智能性提升的關鍵在于如何解決系統的內部認知問題.

構建自動駕駛的認知知識系統,尤其強調開展對駕駛員的研究,主要分析隨著車外環境的改變駕駛員觀察、心理和行為之間的因果關聯,嘗試利用人工智能技術、腦科學以及神經科學等對其“高級認知”能力進行解釋,并期望在機器上復現類似高效的“感知-認知-決策”一體化行為[79].研究過程中發現,人類駕駛相比于現階段自動駕駛系統在不同行為決策時長上,主要存在三個關鍵環節的差異表現.

3.2.1 瞬時的應變反應需求

在自動駕駛車輛的信息傳遞過程中,部分特異或危險信號需要被額外特殊關注,并應具有一定的保護性應急措施.現階段的自動駕駛車輛的安全標準絕大部分僅圍繞自車行為安全定義,缺少對于車輛主動避險的技術規范.在Waymo 公開的自動駕駛報告中提及的8 起嚴重事故,責任均在其他車輛的人類司機.盡管報告的真實性有待考究,但也警示了研究者,對自動駕駛系統應激反應,以及如何及時主動躲避潛在危險的研究應置于重要的地位.此外,當前自動駕駛系統未對危險行為進行系統化的等級劃分,導致面對具有不同危險程度的交通情形時,無人車輛所采取的相同的應對策略將難以及時規避事故.在危急時刻更應該以最小損失(而不是零損失)作為效用函數重新制定行為策略.

3.2.2 短時的直覺反應需求

駕駛的直覺,通俗上可稱為駕駛經驗,決定了一個駕駛員的駕駛熟練度和安全性,也是區別駕駛水平的主要標志[80-81].駕駛直覺的產生來自長期的駕駛經驗累計和駕駛技巧磨練,包括觀察直覺和操作直覺.觀察直覺表現在對繁雜環境的信息過濾能力、合理分配注意力,使精神集中在和車輛駕駛最相關的信息上,從而提升有效信息獲取的效率和對險情的捕捉靈敏度[82].而操作直覺指駕駛員對于車輛控制的熟悉度,除了對駕駛倉和車況的熟悉程度外還包括在特殊環境下的駕駛技巧,如雨雪路面、急彎通行、車距保持等,在復雜駕駛操作上具有一套成熟的操作技巧,大大節省了對特殊環境的適應過程.當前自動駕駛算法單一,模型固化嚴重,缺乏將經驗數據主動訓練為操作技巧的能力,無法在行駛過程中有效總結駕駛經驗,在環境適應性上表現為學習能力低,更新迭代速度慢.而在系統遷移能力上,當前自動駕駛系統通常只針對部分型號的車輛進行調試適配,難以實現自動駕駛系統在其他車輛上的快速移植.

3.2.3 長時的策略優化需求

駕駛策略是駕駛員在面對動態環境變化時表現出的應對方法[83].類比人類駕駛員,無人車輛基于全局環境和動態信息的理解,分析未來行車環境并預測變化趨勢,逐步完成行駛策略的調整與優化[61,84-85].由于環境動態交互性強,事件的長期發展隨機性高,且行為決策通常具有較高的控制空間,無人駕駛策略存在短期內難以評估策略優劣的現象.以擁堵路段的換道行為為例,為提高自車的通行速度,駕駛者通常在行駛過程中會將車輛變更至行進更快的車道,期間根據對不同車道的觀察與總結,做出向左變道、向右變道、跟車行駛或連續變道等行為;以及在得知前方路段發生交通事故后,根據前方車輛的變道規律,推測出事故發生的車道位置,并提前調整車輛位置以遠離該車道方便后續通行[86-87].這種關聯前后信息以及對于事件連貫性的推理分析能力,是現階段自動駕駛系統中最為缺乏的部分,而對于整體環境的情景分析和對未來態勢發展的把控也有待進一步開發,如何根據記錄下的有限場景信息實現長期任務的邏輯推理分析,將成為自動駕駛高效規劃駕駛策略的關鍵技術環節.

3.3 基于平行測試的認知智能訓練與提升

由于缺乏對于場景整體的實時理解與分析能力,以及無法綜合篩選處理感知信息以有效理解場景語義,現有自動駕駛系統在面對具有較高道路復雜度、交通復雜度和天氣復雜度等困難場景時,系統穩定性和泛化能力受到嚴重挑戰,自動駕駛技術仍迫切需要持續性技術突破和長期全方位的穩定性檢驗.

平行測試方法[7,25,88]為認知行為的分析與提升提供了可控、安全、低成本的實驗環境.基于已有的交通場景,以交通參與者狀態和行為等因素為研究對象,通過控制變量方法定制化地擴充已有場景,添加日常行駛過程中難以遇到的狀態和交互行為.根據場景調整所引發的駕駛行為的改變,量化分析環境改變對駕駛決策規劃等環節的影響,建模駕駛過程中的認知機理;在此基礎上,進行定向數據擴充,以針對性認知能力提升為目標,產生大量的場景擴充實例,以此訓練自動駕駛系統,實現對自動駕駛認知能力的增強,其整體框架如圖7 所示.

圖7 基于平行測試的認知智能訓練空間Fig.7 Cognitive intelligence training space based on parallel testing

基于平行測試的認知智能通過融合路側傳感及車載采集設備的實時通訊數據,能夠有效彌補單車傳感中的局部信息缺失;同時,在車輛行駛過程中,實時接收行車狀態反饋,監測駕駛過程.基于真實數據和虛擬仿真數據,將知識與經驗數字化、動態化和即時化,在完成模型的學習與訓練后,構建集成化測試系統,如圖8 所示.通過真實數據和虛擬場景數據融合,為平行駕駛系統[89]提供不同場景變體,測試自動駕駛對于不同場景的認知理解程度.特別針對收集的罕見情景(如逆光、雨雪、打滑)進行特征分析,完成當前駕駛場景的演化遷移.

圖8 基于平行測試的復雜環境數據生成Fig.8 Data generation for complex environment based on parallel testing

測試過程中,通過對場景復雜度和任務復雜度的探索,逐步構建具有不同挑戰等級的認知任務,以分析特定環境下的認知水平和駕駛表現.場景復雜度主要與場景開放程度和構成場景的各元素種類、行為及關系多樣性等因素相關;任務復雜度則與構成任務的原子任務種類及數量相關,同時還要考慮待測試對象的能力,因此需要通過測試過程的進行不斷獲得挖掘更具挑戰性的任務[9].通過與實車駕駛司機的互動,開展集成測試,平行測試的架構可有效評測無人駕駛車輛的智能水平、環境認知能力、自主駕駛能力以及對道路交通環境的適應能力;通過真車測試和虛擬測試平行執行的方式,進行實時且在線的借鑒、預估與引導,循環往復,協同優化[80-81].與此同時,通過引入對抗性的學習模型[90-91],根據已有的測試結果自動生成更具挑戰性的環境,可推動系統的升級迭代,以及在陌生環境下的類比學習能力,以認知水平提升增強對抗罕見事件的應對能力.基于平行測試研發的平行礦山操作系統(慧拓)[92]實現了露天煤礦的無人化升級,如圖8 所示,針對礦山環境惡劣、工況復雜、場景難以模擬等問題,實現了復雜環境海量數據生成,加速測試迭代速度,有效推動自動駕駛產業化應用進程[93].

4 結束語

本文結合人類駕駛的認知智能與平行系統理論,深入分析因社會復雜度、環境復雜度和任務復雜度導致的自動駕駛技術挑戰.圍繞現階段自動駕駛技術發展的挑戰,提出認知自動駕駛智能架構,將認知計算和人類認知過程引入自動駕駛流程中,并結合平行測試提出構建智能駕駛空間用于認知能力的提升,給出了解決復雜環境下自動駕駛長尾問題的新思路與有效技術路徑.

現階段,認知智能領域的研究已引起國際的廣泛認可和高度重視,隨著前沿領域的發展,認知自動駕駛作為一個融合多領域知識的交叉技術,必將成為未來智能發展中的重要方向,和促進工程應用落地的催化劑,也是推動社會智能化變革、技術全面迭代升級的關鍵動力.

我們認為,隨著計算架構、車載算力升級以及信息通訊、計算機視覺、機器學習等技術的發展,未來自動駕駛研究和系統構建將進一步結合社會學、心理學和神經科學,形成多學科、跨學科知識體系,不僅實現對車輛外部環境更好的解析能力,還會更進一步賦予車輛理解與思考等能力,使車輛的邏輯思維更具有創造性,能夠更好地理解人類意圖,以服務情感、情緒等高級交互需求.