人工智能在自动驾驶技术中的的应用

1、人工智能在自动驾驶技术中的应用摘要：随着技术的快速发展云计算、大数据、人工智能一些新名词进入大众的视 野，人工智能是人类进入信息时代后的又一技术革命正受到越来越广泛的重视。 作为人工智能等术在汽车行业、交通领域的延伸与应用，无人驾驶近几年在世界 范围内受到了产学界甚至国家层面的密切关注。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作， 让电脑可以在没有任何人类 主动的操作下，自动安全地操作机动车辆。自动驾驶技术将成为未来汽车一个全 新的发展方向。本文将主要介绍人工智能技术在自动驾驶中的应用领域，并对自动技术的发展前景进行一个简单的分析。关键词：人工智能；自动驾驶；智能

2、汽车；图像识别0.引言人工智能是一门起步晚却发展快速的科学。20世纪以来科学工作者们不断 寻求着赋予机器人类智慧的方法。现代人工智能这一概念是从英国科学家图灵的 寻求智能机发展而来，直到1937年图灵发表的论文理想自动机给人工智能 下了严格的数学定义，现实世界中实际要处理的很多问题不能单纯地是数值计算， 如言语理解与表达、图形图像及声音理解、医疗诊断等等。1955年Newell和Simon的Logic Theorist证明了数学原理中前 52个定理中的38个。Simon 断言他们已经解决了物质构成的系统如何获得心灵性质的问题（这种论断在后来的哲学领域被称为“强人工智能”），认为机器具有像人一样

3、逻辑思维的能力。 1956年，“人工智能”（AI）由美国的JohnMcCarthy提出，经过早期的探索阶 段，人工智能向着更加体系化的方向发展，至此成为一门独立的学科。五十年代， 以游戏博弈为对象开始了人工智能的研究；六十年代，以搜索法求解一般问题的研究为主；七十年代，人工智能学者进行了有成效的人工智能研究；八十年代， 开始了不确定推理、非单调推理、定理推理方法的研究；九十年代，知识表示、 机器学习、分布式人工智能等基础性研究方面都取得了突破性的进展。1. 人工智能在自动驾驶技术中的应用概述人工智能发展六十年，几起几落，如今迎来又一次热潮，深度学习、计算机 视觉和自然语言理解等各方面的突破，使

4、得许多曾是天方夜谭的应用成为可能， 无人驾驶汽车就是其中之一。作为人工智能等技术在汽车行业、交通领域的延伸 与应用，无人驾驶近几年在世界范围内受到了产学界甚至国家层面的密切关注。 目前，人工智能在汽车自动驾驶技术中也有了广泛应用。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协 同合作，它是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合 系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制 等技术，是典型的高新技术综合体。这种汽车能和人一样会“思考”、“判断”、“行走”，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车 辆。按照SAE

5、（美国汽车工程师协会）的分级，共分为：驾驶员辅助、部分自 动驾驶、有条件自动驾驶、高度自动驾驶、完全自动驾驶五个层级。第一阶段：驾驶员辅助目的是为驾驶者提供协助，包括提供重要或有益的驾驶相关信息， 以及在形 势开始变得危急的时候发出明确而简洁的警告。现阶段大部分ADAS主动安全辅助系统，让车辆能够实现感知和干预操作。例如防抱死制动系统（ABS ）、电子稳定性控制（ESC）、车道偏离警告系统、正面碰撞警告系统、盲点信息系统 等等，此时车辆是能够通过摄像头、 雷达传感器获知周围交通状况，进而做出警 示和干预。第二阶段：部分自动驾驶车辆通过摄像头、雷达传感器、激光传感器等等设备获取道路以及周边交通

6、信息，车辆会自行对方向盘和加减速中的多项操作提供驾驶支援，在驾驶者收到警告却未能及时采取相应行动时能够自动进行干预，其他操作交由驾驶员，实现人机共驾，但车辆不允许驾驶员的双手脱离方向盘。例如自适应巡航控制（ACC）、 车道保持辅助系统（LKA ）、自动紧急制动（AEB ）系统、车道偏离预警（LDW） 等。第三阶段：有条件自动驾驶由自动驾驶系统完成驾驶操作，根据路况条件所限，必要时发出系统请求， 必须交由驾驶员驾驶第四阶段：高度自动驾驶由自动驾驶系统完成所有驾驶操作，根据系统请求，驾驶员可以不接管车辆。 车辆已经可以完成自动驾驶，一旦出现自动驾驶系统无法招架的情形， 车辆也可 以自行调整完成自动

7、驾驶，驾驶员不需要干涉。第五阶段：完全自动驾驶自动驾驶的理想形态，乘客只需提供目的地，无论任何路况，任何天气，车 辆均能够实现自动驾驶。这种自动化水平允许乘客从事计算机工作、 休息和睡眠 以及其他娱乐等活动，在任何时候都不需要对车辆进行监控。2. 自动驾驶的实现车辆实现自动驾驶，必须经由三大环节：第一，感知，也就是让车辆获取，不同的系统需要由不同类型的车用感测器， 包含毫米波雷达、超声波雷达、红外 雷达、雷射雷达、CCD CMOS影像感测器及轮速感测器等来收集整车的工作状 态及其参数变化情形。第二，处理，也就是大脑将感测器所收集到的资讯进行分 析处理，然后再向控制的装置输出控制讯号。第三，执行

8、，依据ECU输出的讯号，让汽车完成动作执行。其中每一个环节都离不开人工智能技术的基础。2.1人工智能在自动驾驶定位技术中的应用定位技术是自动驾驶车辆行驶的基础。目前常用的技术包括线导航、磁导航、 无线导航、视觉导航、导航、激光导航等。其中磁导航是目前最成熟可靠的方案， 现有大多数应用均采用这种导航技术。磁导航技术通过在车道上埋设磁性标志来 给车辆提供车道的边界信息，磁性材料具有好的环境适应性，它对雨天，冰雪覆盖, 光照不足甚至无光照的情况都可适应，不足之处是需要对现行的道路设施作出较 大的改动，成本较高。同时磁性导航技术无法预知车道前方的障碍 ，因而不可能单 独使用。视觉导航对基础设施的要求较

9、低，被认为是最有前景的导航方法。在高 速路和城市环境中视觉方法受到了较大的关注。2.2人工智能在自动驾驶图像识别与感知中的应用无人驾驶汽车感知依靠传感器。目前传感器性能越来越高、体积越来越小、 功耗越来越低，其飞速发展是无人驾驶热潮的重要推手。 反过来，无人驾驶又对 车载传感器提出了更高的要求，又促进了其发展。用于无人驾驶的传感器可以分 为四类：1. 雷达传感器。主要用来探测一定范围内障碍物（比如车辆、行人、路肩 等）的方位、距离及移动速度，常用车载雷达种类有激光雷达、毫米波雷达和超声波雷达。激光雷达精度高、探测范围广，但成本高，比如Google无人车顶上的64线激光雷达成本高达70多万元人民

10、币；毫米波雷达成本相对较低，探测距 离较远，被车企广泛使用，但与激光雷达比精度稍低、可视角度偏小；超声波雷 达成本最低，但探测距离近、精度低，可用于低速下碰撞预警。2. 视觉传感器。主要用来识别车道线、停止线、交通信号灯、交通标志牌、 行人、车辆等。常用的有单目摄像头、双目摄像头、红外摄像头。视觉传感器成 本低，相关研究与产品非常多，但视觉算法易受光照、阴影、污损、遮挡影响，准确性、鲁棒性有待提高。所以，作为人工智能技术广泛应用的领域之一的图像 识别，也是无人驾驶汽车领域的一个研究热点。3. 定位及位姿传感器。主要用来实时高精度定位以及位姿感知，比如获取经纬度坐标、速度、加速度、航向角等，一般

11、包括全球卫星定位系统（GNSS）、惯性设备、轮速计、里程计等。现在国内常用的高精度定位方法是使用差分定位 设备，如RTK-GPS，但需要额外架设固定差分基站，应用距离受限，而且易受建筑物、树木遮挡影响。近年来很多省市的测绘部门都架设了相当于固定差分基 站的连续运行参考站系统（CORS）,比如辽宁、湖北、上海等，实现了定位信 号的大范围覆盖，这种基础设施建设为智能驾驶提供了有力的技术支撑。定位技 术是无人驾驶的核心技术，因为有了位置信息就可以利用丰富的地理、 地图等先 验知识，可以使用基于位置的服务。4. 车身传感器。来自车辆本身，通过整车网络接口获取诸如车速、轮速、档位等车辆本身的信息。2.3

12、人工智能在自动驾驶深度学习中的应用驾驶员认知靠大脑，无人驾驶汽车的“大脑”则是计算机。无人车里的计算 机与我们常用的台式机、笔记本略有不同，因为车辆在行驶的时候会遇到颠簸、震动、粉尘甚至高温的情况，一般计算机无法长时间运行在这些环境中。 所以无 人车一般选用工业环境下的计算机一一工控机。工控机上运行着操作系统，操作 系统中运行着无人驾驶软件。如图1所示为某无人驾驶车软件系统架构。操作系 统之上是支撑模块（这里模块指的是计算机程序），对上层软件模块提供基础服 务。支撑模块包括：虚拟交换模块，用于模块间通信；日志管理模块，用于日志 记录、检索以及回放；进程监控模块，负责监视整个系统的运行状态，如果

13、某个 模块运行不正常则提示操作人员并自动采取相应措施；交互调试模块，负责开发人员与无人驾驶系统交互。* V V°、厂1 11 1V|认U）按块耳 1 H 1 1障碍潮R别根块1I*V1111驾畏吓境連松槻块 »il1ap* * H j 交通标线识别橡块“11I1I驾验行为辦划帳块* »* 1* * t i I交iilM号町识别模块1 1| 1规划棋诀;1iiiiii注姿感如揍块I1111I莺验地图模块i111i iI 1车身僧魁感知棋块I|1111人机交互模決I tII J1tJX孫j七人邀鸵软件痪统耳 j"t< ft t I t4 I车身电了控制

14、榜诀I|交互戯试揍峡支淨換块I图1某无人驾驶车软件系统架构除了对外界进行认知之外，机器还必须要能够进行学习。深度学习是无人驾 驶技术成功地基础，深度学习是源于人工神经网络的一种高效的机器学习方法。 深度学习可以提高汽车识别道路、 行人、障碍物等的时间效率，并保障了识别的 正确率。通过大量数据的训练之后，汽车可以将收集到的图形，电磁波等信息转 换为可用的数据，利用深度学习算法实现无人驾驶。在无人驾驶汽车通过雷达等收集到数据时，对于原始的训练数据要首先进行 数据的预处理化。计算均值并对数据的均值做均值标准化、 对原始数据做主成分 分析、使用PCA白化或ZCA白化。例如：将激光传感器收集到的时间数据

15、转换 为车与物体之间的距离；将车载摄像头拍摄到的照片信息转换为对路障的判断，对红绿灯的判断，对行人的判断等；雷达探测到的数据转换为各个物体之间的距 离。将深度学习应用于无人驾驶汽车中，主要包含以下步骤：1. 准备数据，对数据进行预处理再选用合适的数据结构存储训练数据和测 试元组；2. 输入大量数据对第一层进行无监督学习；3. 通过第一层对数据进行聚类，将相近的数据划分为同一类，随机进行判 断；4. 运用监督学习调整第二层中各个节点的阀值，提高第二层数据输入的正 确性；5. 用大量的数据对每一层网络进行无监督学习，并且每次用无监督学习只 训练一层，将其训练结果作为其更高一层的输入。6. 输入之后

16、用监督学习去调整所有层。2.4人工智能在自动驾驶信息共享中的应用首先是利用无线网络进行车与车之间的信息共享。 通过专用通道，一辆汽车 可以把自己的位置、路况实时分享给队里的其它汽车，以便其它车辆的自动驾驶 系统，在收到信息后做出相应调整。其次，是3D路况感应，车辆将结合超声波传感器、摄像机、雷达和激光测 距等技术，检测出汽车前方约5米内地形地貌，判断前方是柏油路还是碎石、草 地、沙滩等路面，根据地形自动改变汽车设置。另外，汽车还将能进行自动变速，一旦探测到地形发生改变，可以自动减速， 路面恢复正常后，再回到原先状态。汽车信息共享所收集到的交通信息量将非常巨大， 如果不对这些数据进行有 效处理和

17、利用，就会迅速被信息所湮没。因此需要采用数据挖掘、人工智能等方 式提取有效信息，同时过滤掉无用信息。考虑到车辆行驶过程中需要依赖的信息 具有很大的时间和空间关联性，因此有些信息的处理需要非常及时。3. 人工智能应用于自动驾驶技术中的优势人工智能算法更侧重于学习功能，其他算法更侧重于计算功能。学习是智能 的重要体现，学习功能是人工智能的重要特征，现阶段大多人工智能技术还处在 学的阶段。如前文所说，无人驾驶实际上是类人驾驶，是智能车向人类驾驶员学 习如何感知交通环境，如何利用已有的知识和驾驶经验进行决策和规划，如何熟练地控制方向盘、油门和刹车。从感知、认知、行为三个方面看，感知部分难度最大，人工智

18、能技术应用最 多。感知技术依赖于传感器，比如摄像头，由于其成本低，在产业界倍受青睐。 以色列一家名叫Mobileye的公司在交通图像识别领域做得非常好，它通过一个 摄像头可以完成交通标线识别、 交通信号灯识别、行人检测，甚至可以区别前方 是自行车、汽车还是卡车。人工智能技术在图像识别领域的成功应用莫过于深度 学习，近几年研究人员通过卷积神经网络和其它深度学习模型对图像样本进行训 练，大大提高了识别准确率。Mobileye目前取得的成果，正是得益于该公司很早 就将深度学习当作一项核心技术进行研究。认知与控制方面，主要使用人工智能领域中的传统机器学习技术，通过学习人类驾驶员的驾驶行为建立驾驶员模型

19、，学习人的方式驾驶汽车。4. 无人驾驶技术所面临的挑战和展望在目前交通出行状况越来越恶劣的背景下，“无人驾驶”汽车的商业化前景， 还受很多因素制约。 主要有：1. 法规障碍2. 不同品牌车型间建立共同协议，行业缺少规范和标准3. 基础道路状况，标识和信息准确性，信息网络的安全性4. 难以承受的高昂成本此外，“无人驾驶”汽车的一个最大特点，就是车辆网络化、信息化程度极 高，而这也对电脑系统的安全问题形成极大挑战。 一旦遇到电脑程序错乱或者信 息网络被入侵的情况，如何继续保证自身车辆以及周围其他车辆的行驶安全，这同样是未来急需解决的问题。虽然无人驾驶技术还存在着很多挑战，但是无人驾驶难在感知，重在“学习”，3. 人工智能应用于自动驾驶技术中的优势人工智能算法更侧重于学习功能，其他算法更侧重于计算功能。学习是智能 的重要体现，学习功能是人工智能的重要特征，现阶段大多人工智能技术还处在 学的阶段。如前文所说，无人驾驶实际上是类人驾驶，是智能车向人类驾驶员学 习如何感知交通环境，如何利用已有的知识和驾驶经验进行决策和规