劉雙霞

摘 要：自20世紀初，隨著人工智能的迅速發(fā)展，“自動駕駛”汽車也被雄心勃勃的工業(yè)巨頭提出，作為新世紀科技時代的一大重要工業(yè)改革。從2005年DARPA挑戰(zhàn)賽以來，基于車輛智能化的自動駕駛，進入快速發(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)這場出行技術(shù)的革命。本論文將概述自動駕駛這一方興未艾的應(yīng)用領(lǐng)域，并介紹機器學(xué)習(xí)算法在自動駕駛汽車領(lǐng)域發(fā)揮的作用及其實現(xiàn)原理。

關(guān)鍵詞：自動駕駛;機器學(xué)習(xí);算法

中圖分類號：U471.1? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? 文章編號：1006—7973（2021）09-0148-04

1自動駕駛汽車研究現(xiàn)狀

1.1 研究背景及其國內(nèi)外研究現(xiàn)狀

21世紀已經(jīng)到了一個科技迅速爆發(fā)的時代，無人駕駛新能源汽車[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)一款無人駕駛新能源汽車，優(yōu)勢相得而補，各有所需，也大大減少了政府籌措用于發(fā)展自動駕駛技術(shù)[2]的資本、人才對自己主營業(yè)務(wù)的沖擊。2016年福特作為目前中國所有傳統(tǒng)的智能車企中唯一的最后一家從迭加替代式自動安全駕駛智能汽車硬件擴充至第二代智能汽車硬件生產(chǎn)商，然而它的自動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要微弱得多。從現(xiàn)階段國內(nèi)的汽車智能無人駕駛產(chǎn)業(yè)市場總體分析情況來看，現(xiàn)代中國的智能無人駕駛這一技術(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，隨著國內(nèi)國外諸如百度等眾多科技公司及其龍頭企業(yè)在現(xiàn)代中國汽車智能無人駕駛這一關(guān)鍵技術(shù)發(fā)展方向上的深入研究和產(chǎn)業(yè)布局，智能無人駕駛這一技術(shù)已經(jīng)逐漸獲得更多國家政策上的支持。

1.2自動駕駛汽車的發(fā)展歷程

自動駕駛的級別劃分主要包括兩套標準：一套由美國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[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輔助駕駛。

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

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

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

L5完全自動無人駕駛：汽車是自動駕駛汽車無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汽車目的地，無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現(xiàn)完全自動汽車駕駛。

2自動駕駛汽車的組成及優(yōu)缺點

2.1硬件組成

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

2.2軟件框架

自動駕駛汽車軟件[5]主要包括：感知、認知、行為、支撐和操作模塊。各模塊如圖2。

2.3自動駕駛的優(yōu)缺點

安全：從理論上講，一個完美的自動駕駛解決方案，每年至少能夠拯救120萬中國老年人的健康和生命。

方便：自動駕駛可以將駕駛員從方向盤后面解放出來，在乘車時進行工作和娛樂。

高效共享：如果能夠?qū)崿F(xiàn)自動駕駛，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，可以使得人們的出行更加方便快捷。

3 機器學(xué)習(xí)在自動駕駛系統(tǒng)中的作用

作為一種人工智能[5]技術(shù)在汽車行業(yè)、運輸領(lǐng)域的一個延伸和應(yīng)用，無人駕駛近幾年來已經(jīng)在全球乃至國際社會各個地區(qū)以及其他國家和地區(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，而且自動駕駛的本質(zhì)是通過智能汽車向人們學(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]辨識技術(shù)就是通過一個攝像頭，我們就可以輕松地完成對交通標志的辨識、交通信號燈的辨識、行人的檢測，甚至我們就可以辨識前方到底是自行車、汽車或者卡車。認知與控制這兩個方面，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)機器人學(xué)習(xí)技術(shù)，通過機器學(xué)習(xí)對人類駕駛員的行動和駕駛方式建立了駕駛員的模型，學(xué)習(xí)機器人的駕駛方式來操縱和控制[9]汽車。

4 自動駕駛中應(yīng)用的機器學(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、圖像識別和語義分割技術(shù)，而自動駕駛汽車的實現(xiàn)必須用到這三項技術(shù)，其中機器學(xué)習(xí)可包括監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和增強學(xué)習(xí)。

假設(shè)自動駕駛被劃分為四項子任務(wù)，分別為檢測目標、物體的識別和分類、對物體的定位與運動進行預(yù)測?？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器學(xué)習(xí)算法[10]和任務(wù)分類并不都是一一相互對應(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)用于物體的檢測和對象運動的預(yù)測。

4.2決策矩陣算法

決策矩陣算法可以系統(tǒng)地分析、識別和評價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adaptive boosting 算法簡單地稱之為 adaboost ，它是多種機器學(xué)習(xí)算法的完美組合，可以廣泛地應(yīng)用在回歸和分類問題中。

上面這張圖片描述了如何通過一個能夠理解度量代碼的簡單文件來實現(xiàn) adaboost 算法。

4.3聚類算法

有時，系統(tǒng)所獲取的信息或者圖像并沒有很清楚，使得對于一個物體來說難以進行定位和檢測。

4.3.1 K-均值算法

K-均值用來表示若有一個點送到某一質(zhì)心的時間距離相對于到其他質(zhì)心都近，這個點就被指派送到這個最近的質(zhì)心所需要代表的簇。K均值圖如下：

用“x”這個符號直接表示在該圖中各點的最近聚合分類質(zhì)心，在每次迭加替代中各點的每個訓(xùn)練樣本實例都可能需要再次指派該輸出來用以找到一個最近的集合聚類質(zhì)心，每個訓(xùn)練集合的最近聚合分類質(zhì)心被通過轉(zhuǎn)換來作為從點移動到其他點的一個平均值。

4.3.2支持向量機（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)分成兩個部分。

4.4卷積神經(jīng)網(wǎng)絡(luò)

卷積式運動神經(jīng)網(wǎng)絡(luò)在各個可廣泛應(yīng)用的技術(shù)領(lǐng)域主要應(yīng)用有：圖像識別、語音信息識別、自然語言處理（或者例如根據(jù)語句順序劃分）。它們還能夠準確地快速識別隨時出現(xiàn)在人臉、物件和其他交通運輸工具上的各種信號，從而給駕駛機器人和智能電子自動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人工智能在自動駕駛定位技術(shù)中的應(yīng)用

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

利用深度學(xué)習(xí)[11]算法實現(xiàn)無人駕駛的實施步驟如下：

（1）對數(shù)據(jù)進行預(yù)處理。

（2）輸入大量數(shù)據(jù)對第一層進行無監(jiān)督學(xué)習(xí)。

（3）對數(shù)據(jù)分類，將相近的數(shù)據(jù)劃分為同一類，隨機進行判斷。

（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 自動駕駛技術(shù)所面臨的挑戰(zhàn)和展望

在我國交通運輸和出行條件越來越糟糕的大環(huán)境情況下，“自動駕駛”小型汽車在市場上的商業(yè)化發(fā)展前景，還是會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)范與標準、基本的道路情況，標志和信息的準確。

（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)來說，L4自動駕駛汽車于2020年底已初步實現(xiàn)，但還是無法實現(xiàn)全自動駕駛L5。好在自動汽車駕駛困難關(guān)鍵在于人的感知，重在“學(xué)習(xí)”，自動汽車駕駛的基礎(chǔ)科學(xué)和工業(yè)技術(shù)水平遲早會遠遠地要超越現(xiàn)代人類，完全自動無人駕駛或許有點遙遠，但要實現(xiàn)這種人機和諧的共同試駕的目標指日可待。

參考文獻：

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

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

[3]朱敏慧.逐步實現(xiàn)自動駕駛5個層級[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)在無人駕駛汽車領(lǐng)域應(yīng)用的研究進展[J].智能系統(tǒng)學(xué)報，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. 無人車的場景理解與自主運動[J].無人系統(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）.