劉雙霞

摘 要：自20世紀(jì)初，隨著人工智能的迅速發(fā)展，“自動(dòng)駕駛”汽車也被雄心勃勃的工業(yè)巨頭提出，作為新世紀(jì)科技時(shí)代的一大重要工業(yè)改革。從2005年DARPA挑戰(zhàn)賽以來(lái)，基于車輛智能化的自動(dòng)駕駛，進(jìn)入快速發(fā)展期。從互聯(lián)網(wǎng)巨頭到傳統(tǒng)汽車企業(yè)紛紛投入巨資，試圖引領(lǐng)這場(chǎng)出行技術(shù)的革命。本論文將概述自動(dòng)駕駛這一方興未艾的應(yīng)用領(lǐng)域，并介紹機(jī)器學(xué)習(xí)算法在自動(dòng)駕駛汽車領(lǐng)域發(fā)揮的作用及其實(shí)現(xiàn)原理。

關(guān)鍵詞：自動(dòng)駕駛;機(jī)器學(xué)習(xí);算法

中圖分類號(hào)：U471.1? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? 文章編號(hào)：1006—7973（2021）09-0148-04

1自動(dòng)駕駛汽車研究現(xiàn)狀

1.1 研究背景及其國(guó)內(nèi)外研究現(xiàn)狀

21世紀(jì)已經(jīng)到了一個(gè)科技迅速爆發(fā)的時(shí)代，無(wú)人駕駛新能源汽車[1]更是如火如荼地發(fā)展，2016年7月，寶馬、英特爾、mobileye正式宣布將與寶馬共同合作開發(fā)一款無(wú)人駕駛新能源汽車，優(yōu)勢(shì)相得而補(bǔ)，各有所需，也大大減少了政府籌措用于發(fā)展自動(dòng)駕駛技術(shù)[2]的資本、人才對(duì)自己主營(yíng)業(yè)務(wù)的沖擊。2016年福特作為目前中國(guó)所有傳統(tǒng)的智能車企中唯一的最后一家從迭加替代式自動(dòng)安全駕駛智能汽車硬件擴(kuò)充至第二代智能汽車硬件生產(chǎn)商，然而它的自動(dòng)安全駕駛智能汽車硬件產(chǎn)品能力相比特斯拉而言卻確實(shí)要微弱得多。從現(xiàn)階段國(guó)內(nèi)的汽車智能無(wú)人駕駛產(chǎn)業(yè)市場(chǎng)總體分析情況來(lái)看，現(xiàn)代中國(guó)的智能無(wú)人駕駛這一技術(shù)發(fā)展起步較晚，它的L2和以及L3階段均落后于歐美，但在L3和L4階段卻明顯地呈現(xiàn)有所加速趕超之勢(shì)，隨著國(guó)內(nèi)國(guó)外諸如百度等眾多科技公司及其龍頭企業(yè)在現(xiàn)代中國(guó)汽車智能無(wú)人駕駛這一關(guān)鍵技術(shù)發(fā)展方向上的深入研究和產(chǎn)業(yè)布局，智能無(wú)人駕駛這一技術(shù)已經(jīng)逐漸獲得更多國(guó)家政策上的支持。

1.2自動(dòng)駕駛汽車的發(fā)展歷程

自動(dòng)駕駛的級(jí)別劃分主要包括兩套標(biāo)準(zhǔn)：一套由美國(guó)高速公路安全管理局制定的，一套由SAE International制定的。專業(yè)分級(jí)[3]定義如下：

L1駕駛員輔助：基本相當(dāng)于人工駕駛，應(yīng)其只是依賴不太靈敏的輔助功能來(lái)輔助駕駛。

L2部分自動(dòng)駕駛：部分自動(dòng)駕駛是當(dāng)乘車人員在接受到車身發(fā)出的警告時(shí)沒做出相應(yīng)的應(yīng)急動(dòng)作時(shí)，部分駕駛汽車就會(huì)及時(shí)啟動(dòng)駕駛系統(tǒng)，做出應(yīng)急操作[4]。

L3條件下的自動(dòng)駕駛：該階段的自動(dòng)駕駛車輛就是在對(duì)駕駛員進(jìn)行監(jiān)控的條件下，讓這輛汽車能夠自動(dòng)地控制其行駛方向和車輛的行駛速度。

L4高度自動(dòng)駕駛：該階段的自動(dòng)駕駛汽車是指即使在沒有駕駛員監(jiān)視的情況下，汽車也可以自動(dòng)改變汽車的行駛路徑及行駛速度。

L5完全自動(dòng)無(wú)人駕駛：汽車是自動(dòng)駕駛汽車無(wú)人駕駛的一種非常理想駕駛類型和一種形式，乘客不僅僅只是需要為他們自己提供一個(gè)汽車目的地，無(wú)論在任何的惡劣路況，任何的惡劣天氣，車輛都一樣可以輕松實(shí)現(xiàn)完全自動(dòng)汽車駕駛。

2自動(dòng)駕駛汽車的組成及優(yōu)缺點(diǎn)

2.1硬件組成

無(wú)人駕駛汽車的硬件[4]組成主要包括車身各個(gè)模塊的傳感器系統(tǒng)、攝像頭系統(tǒng)、供電系統(tǒng)、啟動(dòng)系統(tǒng)，具體組成如圖所示：

2.2軟件框架

自動(dòng)駕駛汽車軟件[5]主要包括：感知、認(rèn)知、行為、支撐和操作模塊。各模塊如圖2。

2.3自動(dòng)駕駛的優(yōu)缺點(diǎn)

安全：從理論上講，一個(gè)完美的自動(dòng)駕駛解決方案，每年至少能夠拯救120萬(wàn)中國(guó)老年人的健康和生命。

方便：自動(dòng)駕駛可以將駕駛員從方向盤后面解放出來(lái)，在乘車時(shí)進(jìn)行工作和娛樂。

高效共享：如果能夠?qū)崿F(xiàn)自動(dòng)駕駛，那么人們可以不再買車和養(yǎng)車，完全依賴于共享出行，這將為每個(gè)家庭節(jié)約大量在交通方面的開支。

減少擁堵：減少擁堵這一優(yōu)點(diǎn)，可以使得人們的出行更加方便快捷。

3 機(jī)器學(xué)習(xí)在自動(dòng)駕駛系統(tǒng)中的作用

作為一種人工智能[5]技術(shù)在汽車行業(yè)、運(yùn)輸領(lǐng)域的一個(gè)延伸和應(yīng)用，無(wú)人駕駛近幾年來(lái)已經(jīng)在全球乃至國(guó)際社會(huì)各個(gè)地區(qū)以及其他國(guó)家和地區(qū)得到了廣泛的密切重視。

學(xué)習(xí)是現(xiàn)階段人工智能發(fā)展的重要表現(xiàn)，深度學(xué)習(xí)[6][7]和功能是人工智能發(fā)展的重要特點(diǎn)，而且自動(dòng)駕駛的本質(zhì)是通過(guò)智能汽車向人們學(xué)習(xí)而駕駛汽車。感知技術(shù)主要依靠傳感器，比如攝像頭，由于它們的成本較低，在行業(yè)內(nèi)倍受廣泛青睞。圖像[8]辨識(shí)技術(shù)就是通過(guò)一個(gè)攝像頭，我們就可以輕松地完成對(duì)交通標(biāo)志的辨識(shí)、交通信號(hào)燈的辨識(shí)、行人的檢測(cè)，甚至我們就可以辨識(shí)前方到底是自行車、汽車或者卡車。認(rèn)知與控制這兩個(gè)方面，主要利用了人工智能技術(shù)領(lǐng)域下汽車中的一種傳統(tǒng)機(jī)器人學(xué)習(xí)技術(shù)，通過(guò)機(jī)器學(xué)習(xí)對(duì)人類駕駛員的行動(dòng)和駕駛方式建立了駕駛員的模型，學(xué)習(xí)機(jī)器人的駕駛方式來(lái)操縱和控制[9]汽車。

4 自動(dòng)駕駛中應(yīng)用的機(jī)器學(xué)習(xí)算法

4.1算法概述

人工智能算法主要包括數(shù)據(jù)處理、圖像識(shí)別和語(yǔ)義分割技術(shù)，而自動(dòng)駕駛汽車的實(shí)現(xiàn)必須用到這三項(xiàng)技術(shù)，其中機(jī)器學(xué)習(xí)可包括監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)。

假設(shè)自動(dòng)駕駛被劃分為四項(xiàng)子任務(wù)，分別為檢測(cè)目標(biāo)、物體的識(shí)別和分類、對(duì)物體的定位與運(yùn)動(dòng)進(jìn)行預(yù)測(cè)?？纱笾聞澐譃樗姆N類型：回歸算法、聚類算法和決策矩陣算法，其中需要特別注意的就是機(jī)器學(xué)習(xí)算法[10]和任務(wù)分類并不都是一一相互對(duì)應(yīng)的，比如回歸算法既然可以廣泛應(yīng)用于物體的定位，也同樣可以廣泛應(yīng)用于物體的檢測(cè)和對(duì)象運(yùn)動(dòng)的預(yù)測(cè)。

4.2決策矩陣算法

決策矩陣算法可以系統(tǒng)地分析、識(shí)別和評(píng)價(jià)一組信息集和值之間的關(guān)系性表現(xiàn)，主要是為了幫助用戶做出決策adaboosting 是最常見的算法。我們可以把a(bǔ)daptive boosting 算法簡(jiǎn)單地稱之為 adaboost ，它是多種機(jī)器學(xué)習(xí)算法的完美組合，可以廣泛地應(yīng)用在回歸和分類問(wèn)題中。

上面這張圖片描述了如何通過(guò)一個(gè)能夠理解度量代碼的簡(jiǎn)單文件來(lái)實(shí)現(xiàn) adaboost 算法。

4.3聚類算法

有時(shí)，系統(tǒng)所獲取的信息或者圖像并沒有很清楚，使得對(duì)于一個(gè)物體來(lái)說(shuō)難以進(jìn)行定位和檢測(cè)。

4.3.1 K-均值算法

K-均值用來(lái)表示若有一個(gè)點(diǎn)送到某一質(zhì)心的時(shí)間距離相對(duì)于到其他質(zhì)心都近，這個(gè)點(diǎn)就被指派送到這個(gè)最近的質(zhì)心所需要代表的簇。K均值圖如下：

用“x”這個(gè)符號(hào)直接表示在該圖中各點(diǎn)的最近聚合分類質(zhì)心，在每次迭加替代中各點(diǎn)的每個(gè)訓(xùn)練樣本實(shí)例都可能需要再次指派該輸出來(lái)用以找到一個(gè)最近的集合聚類質(zhì)心，每個(gè)訓(xùn)練集合的最近聚合分類質(zhì)心被通過(guò)轉(zhuǎn)換來(lái)作為從點(diǎn)移動(dòng)到其他點(diǎn)的一個(gè)平均值。

4.3.2支持向量機(jī)（SVM）

SVM最主要的特征之一就是決策平面，其可以把明顯具有類似或類別之間關(guān)系的物體與對(duì)象區(qū)分開。例如圖5所示，決策的邊界將紅色與綠色之間的物體區(qū)分成兩個(gè)部分。

4.4卷積神經(jīng)網(wǎng)絡(luò)

卷積式運(yùn)動(dòng)神經(jīng)網(wǎng)絡(luò)在各個(gè)可廣泛應(yīng)用的技術(shù)領(lǐng)域主要應(yīng)用有：圖像識(shí)別、語(yǔ)音信息識(shí)別、自然語(yǔ)言處理（或者例如根據(jù)語(yǔ)句順序劃分）。它們還能夠準(zhǔn)確地快速識(shí)別隨時(shí)出現(xiàn)在人臉、物件和其他交通運(yùn)輸工具上的各種信號(hào)，從而給駕駛機(jī)器人和智能電子自動(dòng)車輛駕駛中的車輛應(yīng)用提供了新的視力。卷積神經(jīng)網(wǎng)絡(luò)的具體操作示意圖如圖6所示：

5人工智能在自動(dòng)駕駛定位技術(shù)中的應(yīng)用

自動(dòng)駕駛汽車若想安全行駛，必須要能實(shí)現(xiàn)精準(zhǔn)的定位，包括行駛路上車道線的定位、停車如圖定位，紅綠燈定位，所以說(shuō)自動(dòng)駕駛行駛的基礎(chǔ)就是定位技術(shù)。下圖為定位算法實(shí)施框圖：

利用深度學(xué)習(xí)[11]算法實(shí)現(xiàn)無(wú)人駕駛的實(shí)施步驟如下：

（1）對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

（2）輸入大量數(shù)據(jù)對(duì)第一層進(jìn)行無(wú)監(jiān)督學(xué)習(xí)。

（3）對(duì)數(shù)據(jù)分類，將相近的數(shù)據(jù)劃分為同一類，隨機(jī)進(jìn)行判斷。

（4）調(diào)整閥值，提高數(shù)據(jù)輸入的正確性。

（5）將其訓(xùn)練結(jié)果作為其更高一層的輸入。

（6）輸入之后用監(jiān)督學(xué)習(xí)去調(diào)整所有層。

6 自動(dòng)駕駛技術(shù)所面臨的挑戰(zhàn)和展望

在我國(guó)交通運(yùn)輸和出行條件越來(lái)越糟糕的大環(huán)境情況下，“自動(dòng)駕駛”小型汽車在市場(chǎng)上的商業(yè)化發(fā)展前景，還是會(huì)受到許多因素的制約。主要包括：

（1）法規(guī)障礙。

（2）不同品牌車型間建立共同協(xié)議[12]。

（3）產(chǎn)品行業(yè)缺乏規(guī)范與標(biāo)準(zhǔn)、基本的道路情況，標(biāo)志和信息的準(zhǔn)確。

（4）信息網(wǎng)絡(luò)的安全性和難以承受的高昂成本。

這些制約就目前的技術(shù)來(lái)說(shuō)，L4自動(dòng)駕駛汽車于2020年底已初步實(shí)現(xiàn)，但還是無(wú)法實(shí)現(xiàn)全自動(dòng)駕駛L5。好在自動(dòng)汽車駕駛困難關(guān)鍵在于人的感知，重在“學(xué)習(xí)”，自動(dòng)汽車駕駛的基礎(chǔ)科學(xué)和工業(yè)技術(shù)水平遲早會(huì)遠(yuǎn)遠(yuǎn)地要超越現(xiàn)代人類，完全自動(dòng)無(wú)人駕駛或許有點(diǎn)遙遠(yuǎn)，但要實(shí)現(xiàn)這種人機(jī)和諧的共同試駕的目標(biāo)指日可待。

參考文獻(xiàn)：

[1]陳曉博.發(fā)展自動(dòng)駕駛汽車的挑戰(zhàn)和前景展望[J].綜合運(yùn)輸，2016（11）：9-13.

[2]余阿東，陳睿煒. 汽車自動(dòng)駕駛技術(shù)研究[J].汽車實(shí)用技術(shù)，2017（2）：124-125.

[3]朱敏慧.逐步實(shí)現(xiàn)自動(dòng)駕駛5個(gè)層級(jí)[J].汽車與配件，2016（11）：4.

[4]2018 Self-driving safety report[R]. General Motors Cooperation，F(xiàn)ebruary 2018.

[5]郭旭.人工智能視角下的無(wú)人駕駛技術(shù)分析與展望[J].電子世界，2017（20）：64-65.

[6]王科俊，趙彥東，邢向磊.深度學(xué)習(xí)在無(wú)人駕駛汽車領(lǐng)域應(yīng)用的研究進(jìn)展[J].智能系統(tǒng)學(xué)報(bào)，2018，13（1）：55-69.

[7]On the road to fully self-driving-modeling the future challenge[R]. Waymo Safety Report，October 2017.

[8]Seif H G，胡曉龍.智能城市中自動(dòng)駕駛汽車工業(yè)的關(guān)鍵挑戰(zhàn)：高清地圖[J]. Engineering，2016（02）：27-35.

[9]薛建儒，李庚欣. 無(wú)人車的場(chǎng)景理解與自主運(yùn)動(dòng)[J].無(wú)人系統(tǒng)技術(shù)，2018，1（2）：24-33.

[10]Lillicrap T P，Hunt J，Pritzel A，et al. Continuous control with deep reinforcement learning[J]. Computer Science，2015，8（6）：A187.

[11]Van HH ，Guez A ，Silver D. Deep reinforcement learning with double q-learning[J]. Computer Science，2015.

[12]Scott P，Hans A，Xinxin D，etal. Perception，planning，control，and coordination for autonomous vehicles[J].Machines，2017，5（1）.