任淏哲

摘 要 無(wú)人駕駛作為當(dāng)前社會(huì)的技術(shù)熱點(diǎn)和人工智能產(chǎn)業(yè)的重要一支，引起了越來(lái)越多的人的關(guān)注。神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)諸多技術(shù)中重要的一環(huán)，其在無(wú)人駕駛中也有著至關(guān)重要的應(yīng)用。文章介紹了神經(jīng)網(wǎng)絡(luò)的原理并闡述其在無(wú)人駕駛中的具體應(yīng)用。

關(guān)鍵詞 無(wú)人駕駛；神經(jīng)網(wǎng)絡(luò)；增強(qiáng)學(xué)習(xí)；決策；識(shí)別

中圖分類號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2019）230-0138-02

隨著科學(xué)技術(shù)的發(fā)展和進(jìn)步，大數(shù)據(jù)、人工智能等新興技術(shù)開(kāi)始被應(yīng)用于生產(chǎn)生活中，而隨著近些年來(lái)社會(huì)生產(chǎn)力的不斷提升，這些新興技術(shù)與新興產(chǎn)業(yè)也蓬勃發(fā)展，在很多領(lǐng)域已經(jīng)有了顛覆傳統(tǒng)方式的趨勢(shì)。

自動(dòng)駕駛作為人工智能浪潮中重要的一股分支，其發(fā)展一直備受社會(huì)關(guān)注。與傳統(tǒng)的人工駕駛有所不同，自動(dòng)駕駛一般按照其自動(dòng)化程度分為4個(gè)等級(jí)：輔助駕駛，半自動(dòng)駕駛，自動(dòng)駕駛，完全自動(dòng)駕駛。目前已經(jīng)有很多廠商將輔助駕駛應(yīng)用于量產(chǎn)車，并積極研制開(kāi)發(fā)半自動(dòng)駕駛和自動(dòng)駕駛技術(shù)。

如今的自動(dòng)駕駛領(lǐng)域，通用公司是業(yè)界的翹楚，通用已在美國(guó)的許多洲開(kāi)設(shè)了無(wú)人駕駛的區(qū)域用于自動(dòng)駕駛的研究與測(cè)試。特斯拉，谷歌也開(kāi)始在無(wú)人駕駛領(lǐng)域加大投入，在國(guó)內(nèi)，以BAT為首的互聯(lián)網(wǎng)公司開(kāi)始重視自動(dòng)駕駛。前些日子，李彥宏在北京五環(huán)正式開(kāi)始了自動(dòng)公交汽車的項(xiàng)目，標(biāo)志著自動(dòng)駕駛逐漸走進(jìn)我們的生活。

但目前自動(dòng)駕駛的發(fā)展形勢(shì)仍不明朗，尤其是對(duì)于駕駛網(wǎng)絡(luò)的研究還有許多發(fā)展的空間。現(xiàn)在的無(wú)人駕駛主要所面臨的問(wèn)題就是識(shí)別復(fù)雜的駕駛場(chǎng)景和駕駛情況[ 1 ]，對(duì)于雨雪天氣、霧天、晴天等不同天氣的識(shí)別，對(duì)于高速路，城市道路等不同路段中選擇不同的駕駛模式。對(duì)于道路上行人或是其他移動(dòng)中的物體的識(shí)別（如貓狗，其他汽車等），綜合交通信號(hào)燈，指示牌，路標(biāo)等對(duì)現(xiàn)行狀況的判定，這些都是十分復(fù)雜的。而神經(jīng)網(wǎng)絡(luò)的運(yùn)用將極大地改變無(wú)人駕駛，使得無(wú)人駕駛的識(shí)別準(zhǔn)確性大大提升，具有更多的現(xiàn)實(shí)意義。

1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是當(dāng)前人工智能技術(shù)鏈中極其重要的一環(huán)，被廣泛應(yīng)用于數(shù)據(jù)挖掘、數(shù)據(jù)分析、機(jī)器學(xué)習(xí)等領(lǐng)域，無(wú)人駕駛作為人工智能技術(shù)的衍生，也大量應(yīng)用了神經(jīng)網(wǎng)絡(luò)技術(shù)[ 2 - 3 ]。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡(jiǎn)寫(xiě)為ANNs）是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的，并具有自主學(xué)習(xí)和自適應(yīng)的能力。

具體而言，神經(jīng)網(wǎng)絡(luò)是一種數(shù)學(xué)算法，其核心思想在于挖掘大量數(shù)據(jù)中的特征并給這些特征賦予權(quán)重，使得他們對(duì)于網(wǎng)絡(luò)結(jié)果的輸出給予不同程度的影響。例如，在判斷一個(gè)人是否患有肥胖癥時(shí)，大多數(shù)人都會(huì)選擇將該人的體重和身高作為重要的評(píng)判標(biāo)準(zhǔn)。

對(duì)于神經(jīng)網(wǎng)絡(luò)而言，在最初各個(gè)輸入數(shù)據(jù)并沒(méi)有好壞優(yōu)劣之分，其各自的權(quán)重也是隨機(jī)的、無(wú)章法的，而隨著我們把網(wǎng)絡(luò)的輸出結(jié)果與實(shí)際結(jié)果作比較并將比較結(jié)果反饋給網(wǎng)絡(luò)，網(wǎng)絡(luò)就可以自行調(diào)節(jié)各項(xiàng)權(quán)重，使得對(duì)結(jié)果影響更大的項(xiàng)的權(quán)重更大（或者說(shuō)比重更大）。通過(guò)循環(huán)這樣的過(guò)程，我們就能夠不斷調(diào)整整個(gè)網(wǎng)絡(luò)，使得其對(duì)于那些重要的數(shù)據(jù)更加敏感并且能夠?qū)⑦@些數(shù)據(jù)做必要的處理來(lái)進(jìn)行準(zhǔn)確的判斷。

2 神經(jīng)網(wǎng)絡(luò)在無(wú)人駕駛中的應(yīng)用

一般認(rèn)為無(wú)人駕駛技術(shù)上可被分為三大模塊，分別是：感知模塊、決策模塊和執(zhí)行模塊。其中，執(zhí)行模塊隨著自動(dòng)化技術(shù)（尤其是控制技術(shù)）的逐漸成熟而不斷完善。因此，“感知”和“決策”也常常被認(rèn)為是自動(dòng)駕駛技術(shù)發(fā)展道路上的“攔路虎”。雖然有著這樣那樣的困難，但感知和決策將會(huì)是接下來(lái)幾十年各大科技公司關(guān)注的技術(shù)方向。

一般認(rèn)為，感知模塊要完成兩個(gè)功能：識(shí)別與定位。所謂識(shí)別是指系統(tǒng)要及時(shí)收集周圍環(huán)境的各項(xiàng)障礙物（此處的障礙物既包括有生命的，也包括無(wú)生命的，是對(duì)周圍物體的一種泛稱）并對(duì)其性質(zhì)加以界定，并且對(duì)其方位做出比較準(zhǔn)確的判斷。

決策模塊則是無(wú)人駕駛的“大腦”，需要將感知模塊收集的信息加以整合并作出相應(yīng)決策。這個(gè)模塊比起感知模塊可能更加符合人們對(duì)于“人工智能”的認(rèn)知。

2.1 卷積神經(jīng)網(wǎng)絡(luò)與目標(biāo)識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)實(shí)際上是普通神經(jīng)網(wǎng)絡(luò)的變式，對(duì)于邏輯較為復(fù)雜的神經(jīng)網(wǎng)絡(luò)，準(zhǔn)確的判斷往往需要大量的輸入，而在圖片判斷及其相關(guān)問(wèn)題中，我們需要考慮每一個(gè)像素——這也意味著一幅1080×1020的圖片最少需要1080×1020個(gè)輸入，盡管理論上我們可以通過(guò)控制神經(jīng)網(wǎng)絡(luò)的層數(shù)（但是強(qiáng)行下降層數(shù)也意味著判斷準(zhǔn)確率會(huì)大打折扣）來(lái)減小數(shù)據(jù)維度，但即便只有三層（已經(jīng)是神經(jīng)網(wǎng)絡(luò)的極限?。?，運(yùn)算規(guī)模也已經(jīng)非常巨大。

為了解決這個(gè)問(wèn)題，人們?cè)谏窠?jīng)網(wǎng)絡(luò)正式開(kāi)始計(jì)算前加入了卷積層。所謂卷積是指按照一定的權(quán)重將局部的圖像化為一個(gè)“點(diǎn)”（例如將3×3大小的圖像按照一定的權(quán)重相乘并相加，變成一個(gè)像素），而卷積的權(quán)重則是由訓(xùn)練所得。這樣我們就能夠在正式計(jì)算前有效降低數(shù)據(jù)維度[ 4 ]。

對(duì)于卷積層的作用有多種說(shuō)法，一般認(rèn)為卷積層的作用是“將重要的特征進(jìn)一步放大，將無(wú)用的數(shù)據(jù)進(jìn)一步降零”。

目標(biāo)識(shí)別是無(wú)人駕駛中至關(guān)重要的功能之一。如前文所說(shuō)，無(wú)人駕駛汽車需要實(shí)時(shí)地對(duì)周圍目標(biāo)加以識(shí)別并將識(shí)別結(jié)果傳輸給決策網(wǎng)絡(luò)，而卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)D片進(jìn)行比較好的識(shí)別。我們都知道視頻本質(zhì)上是由一幀一幀的圖像構(gòu)成的，因此實(shí)時(shí)的目標(biāo)識(shí)別任務(wù)就轉(zhuǎn)換為了連續(xù)的圖像識(shí)別任務(wù)。這也是為什么卷積神經(jīng)網(wǎng)絡(luò)能夠較好地應(yīng)用于感知模塊。

2.2 決策網(wǎng)絡(luò)

2.2.1 增強(qiáng)學(xué)習(xí)

增強(qiáng)學(xué)習(xí)是在決策問(wèn)題中廣泛應(yīng)用的一種人工智能算法[ 5 ]，其本質(zhì)在于設(shè)定一個(gè)“外部獎(jiǎng)勵(lì)”，該外部獎(jiǎng)勵(lì)是評(píng)價(jià)決策好壞的重要指標(biāo)，當(dāng)我們發(fā)現(xiàn)某個(gè)決策帶來(lái)大的獎(jiǎng)勵(lì)更多時(shí)，我們認(rèn)為該決策是更加科學(xué)的、可取的，反之，當(dāng)某個(gè)決策帶來(lái)的獎(jiǎng)勵(lì)很少甚至沒(méi)有時(shí)，系統(tǒng)對(duì)于該策略的選取傾向就更低。

例如，我們?cè)谕尜愜囉螒驎r(shí)，就可以將單位時(shí)間內(nèi)賽車前進(jìn)的距離作為決策系統(tǒng)的外部獎(jiǎng)勵(lì)，但是這種操作從本質(zhì)上來(lái)講并不嚴(yán)謹(jǐn)，因?yàn)槲覀兒雎粤舜罅科渌摹疤厥馇闆r”，比如碰撞、刮蹭，因此筆者所提出的這種類比雖然在思想上是正確的，但并不可行。

究其根本，一個(gè)合格的外部獎(jiǎng)勵(lì)或者稱之為決策系統(tǒng)的“指導(dǎo)函數(shù)”應(yīng)當(dāng)是很復(fù)雜的，它不僅要隨外界環(huán)境的變化而變化，并且其需要納入考慮的評(píng)估指標(biāo)也是復(fù)雜而多樣的，以無(wú)人駕駛為例，當(dāng)汽車行駛在空曠無(wú)人的高速公路上時(shí)，速度的優(yōu)先級(jí)自然會(huì)提高；當(dāng)汽車行駛在城市中時(shí)，速度的優(yōu)先級(jí)必然需要降低。除此之外，指導(dǎo)函數(shù)還應(yīng)該有一定的“預(yù)見(jiàn)性”，因?yàn)楹芏鄾Q策并不是一開(kāi)始執(zhí)行就會(huì)立即帶來(lái)有效收益，或者我們可以這樣理解，在謀劃一場(chǎng)戰(zhàn)爭(zhēng)時(shí)，將軍不僅要有戰(zhàn)術(shù)意識(shí)，更要有戰(zhàn)略意識(shí)。

綜上，在決策系統(tǒng)工作時(shí)，指導(dǎo)函數(shù)并不是一成不變的，而是隨著外部環(huán)境/信息的變化而不斷調(diào)整的，而這種調(diào)整顯然是需要大量計(jì)算的（因?yàn)橐紤]各種各樣的信息），那么從本質(zhì)上來(lái)講該問(wèn)題仍然屬于神經(jīng)網(wǎng)絡(luò)非常適合解決的問(wèn)題，即我們可以使用神經(jīng)網(wǎng)絡(luò)的計(jì)算來(lái)得到一個(gè)能夠及時(shí)變化的指導(dǎo)函數(shù)。該神經(jīng)網(wǎng)絡(luò)的輸入是感知系統(tǒng)的各項(xiàng)信息，而輸出是當(dāng)前時(shí)刻的指導(dǎo)函數(shù)/外部獎(jiǎng)勵(lì)。

2.2.2 決策網(wǎng)絡(luò)

決策網(wǎng)絡(luò)，或者說(shuō)決策系統(tǒng)是一種非常典型的機(jī)器學(xué)習(xí)產(chǎn)物。如前文所說(shuō)，通過(guò)增強(qiáng)學(xué)習(xí)我們能夠得到一個(gè)科學(xué)的指導(dǎo)函數(shù)，在不同外界數(shù)據(jù)的輸入下會(huì)給出不同的評(píng)估結(jié)果，無(wú)人駕駛汽車根據(jù)該時(shí)刻決策系統(tǒng)的評(píng)估選擇最優(yōu)的策略并傳輸給控制系統(tǒng)。

3 結(jié)論

在不遠(yuǎn)的將來(lái)無(wú)人駕駛汽車就能夠替代如今的駕駛者，無(wú)人駕駛的發(fā)展道路還很長(zhǎng)，人工智能的不斷發(fā)展為無(wú)人駕駛指明了一條嶄新的發(fā)展道路，人工智能將在感知識(shí)別，計(jì)算決策等方面對(duì)無(wú)人駕駛有著深遠(yuǎn)影響。有人工智能加持的無(wú)人駕駛將大大提高城市交通的效率和安全系數(shù)，使得駕駛不再是人們?nèi)粘Ｉ畹囊粋€(gè)“麻煩事”。

參考文獻(xiàn)

[1]喬維高，徐學(xué)進(jìn).無(wú)人駕駛汽車的發(fā)展現(xiàn)狀及方向[J].上海汽車，2007（7）：40-43.

[2]陳慧巖，熊光明，龔建偉.無(wú)人駕駛汽車概論[M].北京：北京理工大學(xué)出版社，2014.

[3]端木慶玲，阮界望，馬鈞.無(wú)人駕駛汽車的先進(jìn)技術(shù)與發(fā)展[J].農(nóng)業(yè)裝備與車輛工程，2014，52（3）：30-33.

[4]周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2017，40（6）：1229-1251.

[5]馬振.AlphaGo背后的機(jī)器學(xué)習(xí)技術(shù)[J].電腦迷，2018（6）：81.