AI時代下，自動駕駛技術飛速進化

來源：汽車測試網

作者：北斗

北斗簡介：10年智能座艙及導航娛樂系統開發管理經驗、3年自動駕駛產品化經驗、5年自動駕駛模擬仿真測試環境構建經驗。

近年來，隨著政策和市場的賦能推動，自動駕駛產業加速落地，產業鏈基礎配套和市場開發也越來越成熟。自2020年開始，自動駕駛行業就正式邁入“黃金十年”，預計到2030年，我國無人駕駛汽車的市場佔有率有望超過50%，無人車服務市場規模有望達1.3萬億。從技術發展趨勢來看，目前我國自動駕駛技術產業正由單車智能向車路協同時代演進，而支撐這種進化的正是AI（人工智能）技術。由深度學習而興起的第3次AI熱潮，推動了AI時代的到來。 **本文重點分析介紹在AI時代下AI技術應用對自動駕駛領域的進化推動。 **

圖1 自動駕駛進化內容思維導圖

自動駕駛系統的進化

1、自動駕駛圖像分析中的AI

在自動駕駛系統中，車輛搭載了多種感知傳感器如攝像頭、毫米波雷達、激光雷達等，系統會對感知獲取到的數據進行分析，基於AI數據分析結果，進行車輛控制的判斷。

對於攝像頭等感知傳感器獲取到的原始數據，自動駕駛系統是無法直接進行判斷的，因為系統初期就像嬰兒一樣對事物缺乏分類認知能力。所以首先要對數據進行逐一的目標分類區分，這項工作就是數據標註。對各種交通設施（車道線、道路標牌、交通信號燈等）、各種交通參與者（行人、自行車、乘用車、商用車、特種車輛等）一切交通道路相關的要素進行分類標記。

圖2 交通實景的數據標註圖

自動駕駛系統處理單元會以這些標註分類結果為基礎，AI會各種分類對象的特徵進行學習。基礎數據越多，特徵越突出，對象判別的精度越高。 AI就像自動駕駛系統的大腦，對每一個對象進行特徵分析，一點一點地學習對象的外觀特徵和動作習慣等。 AI頭腦通過這樣反复的學習工作逐漸變得更加聰明，在識別圖像中物體是什麼類別的同時，還可以掌握物體的整體狀況。這就是我們所熟知的計算機視覺相關技術領域的應用。另外，將分類、區分標註工作讓AI自動化完成，也是可以實現的。

2、自動駕駛決策判斷中的AI

系統通過計算機視覺可以實現對感知傳感器獲取數據進行狀態整體把握，並以此為基礎，對車輛控制進行判斷決策。這正是AI推進自動駕駛技術的進化。

基於感知數據，AI會在盡可能短的是時間內，做出與人類駕駛習慣相同的判斷。為了實現圖像處理的實時性、判斷決策的瞬時性，基於強大數據處理能力的高精度AI的開發，在領域內有著強烈的需求。

3、自動駕駛預測控制中的AI

判斷決策的要素之一是“預測”。在前方行駛的車輛或者行人接下來將怎樣運動，AI需要對對交通環境中所有對象進行可能發生動作的事前預判，並在預測的基礎上實施車輛控制。

AI眼中的“電車難題”

假設自動駕駛車輛行駛在一條兩邊都是樹木的單向單車道道路中，剎車突然失靈，前方是有一位正在馬路的老人，還有一個過馬路的嬰兒，我們應該則應抉擇，這其實就是“電車難題”一個變形場景。在超出系統預測能力範疇的情況下，自動駕駛汽車無法在極端情況下做出決策和判斷，決策衝突狀態將成為系統安全性的致命弱點。基於常識性判斷邏輯，為了避免危及人員安全，只能急轉彎，把自動駕駛車輛撞到樹上。系統在被迫做出無法避免行車或乘員受傷的終極選擇時，AI應該做出怎樣的決定，其實反映開發者的部分意向，到底是應該保護自車以外的人員，還是應該保護自車的駕乘人員呢。抑或是應該根據人數的多少來判斷，又或者應該盡最大努力踩急剎車，順其自然。

圖3 “電車難題”變形版卡通圖

其實這個問題一直以來都存在爭議，即便是對人類來說得出準確的結論也並不簡單。但在有些地區，政府通過立法，對類似問題做出了規定。例如德國通過並實施的《自動駕駛法（修正道路交通法）》中規定：“在不可避免地存在人身損害風險的情況下，事故預防系統應具備不根據個人特徵進行人命加權的決策能力。”這也給AI針對此類問題提供了一個明確的決策方向。

自動駕駛系統路徑規劃的進化

對途徑地和目的地的綜合判斷，規劃出最合適的路徑，是自動駕駛車輛必備技能之一。在規劃路徑時，不但需要考慮目的地之間存在的交通堵塞預測和道路施工等情況，還要選擇出最合適的車道級的路線規劃，以及在確保多名乘客路線便捷性的同時，系統必須瞬間判斷以怎樣的順序執行路徑，才能實現最有效且最短的路徑規劃。

為了不斷完善系統能力，需要對規劃路徑的實際事故發生率進行風險分析，基於規劃路徑中途徑道路的路況、拐彎次數、信號燈次數等信息進行數據分析，逐漸優化路徑規劃策略，最終完善系統規劃能力。

圖4 自動駕駛多途徑點路徑規劃示意圖

在自動駕駛出租車應用的時候，同一區域內多車同時運行，可能會同時提出用車需求，車輛調度調配也需要自動駕駛系統規劃出相對全體出租車的最合適的路徑。而且，針對於在何時何地將要發生用車需求的預測，也是後續自動駕駛系統針對車輛調度功能需要實現的基礎功能。在復雜應用場景中加入對未來發生需求的預測，並且可以在瞬間給出相應決策結果的技術，目前也只有AI能勝任了。

自動駕駛系統人機交互的進化

在沒有配備駕駛員或者安全員的自動駕駛車輛中，最重要的是要準確把握乘客的狀態和需求。那麼系統將替代駕駛員完成目前車輛行駛狀態信息的回复或是上報，以及完成與乘客在行駛過程中發生的必要交流。這些要求恰恰是AI比較擅長的。

圖5 自動駕駛車輛與乘客交互示意圖

乘客與自動駕駛車輛之間的交流，也會使用目前廣泛應用手機、平板電腦上的語音識別技術。雖然人類語言往往除了表面意思之外，還會有更難領悟的引申含義，由於AI的介入，系統理解能力也會從基礎的明確指令“我要去飯店”，逐漸提升到理解需要進一步理解乘客真正需求的模糊指令“我要吃好吃的”，而也其實也是AI所擅長的。

除了理解乘客的各種指令之外，AI還可以根據車內攝像頭等傳感器採集的信息，分析乘客處於怎樣的狀態，實現獨立思考並自主執行相對應的措施。例如，當AI判定乘員正在睡覺的情況下，可以考慮調暗車內的燈光亮度，播放輕鬆助眠的音樂。在乘客連續咳嗽、體溫升高的情況下，主動提示路徑中附近的藥店和診所等。

未來的自動駕駛汽車，AI對待乘客就像對待尊貴的VIP客戶一樣，提供無微不至的服務。特別是2023年，ChatGPT的發布又掀起了一波AI熱潮。在自動駕駛車輛中，AI用語音回答別人的問題已經是必然要實現的功能進化了。

自動駕駛系統雲端與邊緣計算的進化

隨著自動駕駛車輛需要處理的數據逐漸持續增加，單純車輛終端逐漸無法滿足數據處理的運算能力需求。為了滿足處理需求，將數據發送給雲端，並在雲端AI進行數據處理、分析，AI分析結果可以隨時回傳給自動駕駛車輛終端，這樣的數據處理方式也隨著AI的發展，成為了自動駕駛的標準架構之一。

圖5 雲端學習與邊緣計算預測示意圖

而在整個數據傳輸的過程中肯定會存在數據延長，數據實時性可能受到損害。解決這一問題，一方面需要對無線通信的通信速率和通信數據量進行優化提升，另一方面AI也推動了自動駕駛車端邊緣計算技術的發展應用，使車端的數據預處理能力水平得到深層進化。

總結

總體而言，自進入數字化時代以來，AI已深度賦能各行各業，“大模型”時代的到來，更讓AI產業與包括汽車在內更多的傳統行業產生交集，並對其產生了進化及推動作用。 AI已逐步替代駕駛員，在行駛環境感知、路徑規劃、車輛控制、乘客交互等諸多方面進行了安全性、準確性以及舒適性的提升與進化。期待AI時代中，自動駕駛技術保持高速進化態勢，推動自動駕駛車輛全面應用。