e-works数字化企业网  »  文章频道  »  基础信息化  »  IT综合

CAAI:《中国人工智能系列白皮书——智能驾驶》

2017/10/31    来源:软件定义世界    作者:佚名      
关键字:人工智能  智能驾驶  
10月12日,中国人工智能协会发布中国人工智能系列白皮书,雷锋网作为邀请媒体见证了白皮书的发布。本文将对《中国人工智能系列白皮书——智能驾驶》进行介绍和精编。

    基于模型的控制
 
    基于模型的控制,一般称为模型预测控制(Model predictive control,MPC),又可称为滚动时域控制(Moving horizon control,MHC)和后退时域控制(Receding horizon control,RHC),它是一类以模型预测为基础的计算机优化控制方法,在近些年来被广泛研究和应用的一种控制策略。其基本原理可概括为:在每个采样时刻,根据当前获得的当前测量信息,在线求解一个有限时域的开环优化问题1,并将得到的控制序列的第一个元素作用于被控对象,在一个采样时刻,重复上述过程,再用新的测量值刷新优化问题并重新求解。在线求解开环优化问题获得开环优化序列是模型预测控制与传统控制方法的主要区别。预测控制算法主要由预测模型、反馈校正、滚动优化、参考轨迹四个部分组成,最好将优化解的第一个元素(或第一部分)作用于系统。
 
    神经网络控制
 
    神经控制是研究和利用人脑的某些结构机理以及人的知识和经验对系统的控制[60]。利用神经网络,可以把控制问题看成模式识别问题,被识别的模是映射成“行为”信号的“变化”信号。神经控制最显著的特点是具有学习能力。它是通过不断修正神经元之间的连接权值,并离散存储在连接网络中来实现的。它对非线性系统和难以建模的系统的控制具有良好效果。一般情况下,神经网络用于控制系统有两种方法:一种是用其建模,主要利用神经网络能任意近似任何连续函数和其学习算法的优势,存在前馈神经网络和递归神经网络两种类型;另一种是直接作为控制器使用。
 
    深度学习方法
 
    深度学习源于神经网络的研究,可理解为深层的神经网络]。通过它可以获得深层次的特征表示,免除人工选取特征的繁复冗杂和高维数据的维度灾难问题。 深度学习在特征提取与模型拟合方面显示了其潜力和优势。对于存在高维数据的控制系统,引入深度学习具有一定的意义,近年来, 已有一些研究关注深度学习在控制领域的应用。目前较为公认的深度学习的基本模型包括基于受限玻尔兹曼机 (Restricted Boltzmann machine,RBM)的深度信念网络 (Deep belief network,DBN)、基于自动编码器 (Autoencoder,AE)的堆叠自动编码器 (Stacked autoencoders, SAE)、卷积神经网络 (Convolutional neural networks, CNN)、递归神经网络 (Recurrent neural networks,RNN)。无人驾驶系统需要尽量减少人的参与或者没有人的参与,深度学习自动学习状态特征的能力使得深度学习在无人驾驶系统的研究中具有先天的优势。如何充分利用和发挥深度学习在无人驾驶系统中的优势并发展深度学习在环的无人驾驶系统控制是目前的研究方向。
 
    >>>>
 
    自动驾驶控制技术方案
 
    根据从行驶环境到驾驶动作的映射过程,自动驾驶控制技术可以分为间接控制和直接控制两种不同方案。
 
    基于规划-跟踪的间接控制方法
 
    自动驾驶间接控制是一类基于规划-跟踪的主流智能驾驶车辆控制方法。根据当前车辆行为需求,在满足车辆自身运动学和动力学约束条件下规划出一条空间上可行且时间上可控的无碰撞安全运动轨迹,然后设计适当的控制律跟踪生成的目标轨迹,从而实现自主驾驶。如下图所示
 
CAAI:《中国人工智能系列白皮书——智能驾驶》
 
    基于人工智能的直接控制方法
 
    自动驾驶的直接控制是一类基于人工智能的智能驾驶车辆自主控制决策方法。自动驾驶直接控制方法采用人工智能等手段,建立了从行驶环境到驾驶动作的直接映射过程,具体讲是在认知的范畴内试图建立一种先进的驾驶员模型以完成实际复杂驾驶过程,此外控制过程无需建立被控对象的数学模型,具有较强的机动性和实时性。
 
    基于人工智能决策控制模型本质上是模拟人脑对外界环境信息和车体本身信息的感知(图 4-7),同时由驾驶经验并同在线学习机制来获得持续稳定输出的过程。
 
设备号				已签合同内容											设备号				要求变更内容										 1	M17NJ0985			曳引机及对重在面朝井道的右边											1	M17NJ0985			曳引机及对重在面对井道左边(控制柜位置不变)
 
    >>>>
 
    人机交互系统
 
    人机交互系统作为智能驾驶的关键技术之一,对于智能汽车发展和应用有着十分重要的作用和意义,包括:进一步提高智能汽车的可靠性和安全性;拥有更强的实用性和更加出色的用户体验;增强智能汽车的灵活性和机动性;提高智能汽车的任务执行力。
 
    智能汽车人机交互系统发展现状目前世界上比较主流的人车交互系统主要有以下几种:奥迪MMI、奔驰COMMAND、宝马iDrive、丰田G-BOOK、苹果CarPlay等人机交互系统。
 
    人机交互系统的核心技术人机界面技术的研究主要针对驾驶员和车辆驾驶信息的交互。
 
设备号				已签合同内容											设备号				要求变更内容										 1	M17NJ0985			曳引机及对重在面朝井道的右边											1	M17NJ0985			曳引机及对重在面对井道左边(控制柜位置不变)
 
    人机交互的核心技术
 
    驾驶员信息交互的研究开始于1970s,但直到1990s车辆导航系统的出现才真正应用到商业产品中。在过去十年间,人们通过驾驶员负荷测量技术研究了驾驶员在利用HMI信息时的精神负担,这方面的研究结果对HMI的设计起到十分重要的作用,并且进一步推动了相关标准和设计准则的制定。
 
    人机共驾技术
 
    人机共驾技术的研究主要面向先进驾驶辅助系统。对于辅助驾驶系统,人机交互是其中很重要的一环。随着越来越多的辅助驾驶系统进入产品化的阶段,系统对于车辆的控制权变得越来越大,越来越复杂。因此,如何将多个辅助驾驶系统和驾驶员之间进行集成已经成为当前的一个研究热点。ADAS系统本身就被定义为辅助驾驶系统,这就不可避免的需要考虑到和驾驶员行为之间的交互关系。如果辅助驾驶系统不考虑驾驶员的操纵行为反而会增加车辆行驶过程中的危险性。
 
    驾驶行为特性研究
 
    驾驶员在真实道路中的驾驶行为研究是人机共驾技术中十分重要的一部分,也是智能辅助系统的研究的基础。计算机图形学和计算性能的发展使得道路结构和交通车行为的虚拟建模成为可能,这就使得驾驶模拟器可以模拟更为广泛的道路和交通状况。再加上处理器处理能力的发展和成本的下降,驾驶模拟器再次成为驾驶员行为特性研究的有力工具。和真实道路试验相比,驾驶模拟器具有可重复性好,工况设定更为灵活,耗时少,效率高,风险低等优点。尽管驾驶模拟器现在被广泛的应用于驾驶员特性研究中,但是对于通过驾驶模拟器获得的驾驶员特性数据和真实道路试验获得的驾驶员特性数据相比,其可靠性仍然需要进一步的验证。
 
    人机交互系统的发展趋势
 
    通过对目前人机交互系统的研究现状的分析,未来有关人机界面,人机交互和人机共驾可能的发展趋势包括:
 
    在人机交互设计过程中,需要考虑不同人群的需求,这也是未来HMI设计标准和准则的制定方向。
 
    车辆中和驾驶员操纵输入密切相关的部分,如转向盘力感,踏板脚杆,座椅舒适度,体感等,依然会是未来的研究方向之一。更适合驾驶员的操纵输入和身体感知将是一个需要持续努力的研究方向。
 
    对于ADAS系统,驾驶员在获得辅助驾驶的同时,也会分散注意力增加驾驶负担,这是ADAS系统面临的一个重要问题。如何协调好驾驶员基本操纵行为和辅助驾驶系统之间的关系需进一步研究。
 
    未来车辆以及交通领域不仅仅是驾驶员和车之间关系的研究,这一领域所面临的问题可能会是更为广泛的社会问题,需要更多领域的研究人员参与进来,如城市规划师,社会学家,人类学家等。
 
    目前各国虽然都获得大量的驾驶员行为信息的数据库,但是如何将这些数据应用于工程系统中仍有待研究。
 
    ◆◆ ◆
 
    测试验证
 
    自动驾驶将历经4至5个阶段才能进入完全无人驾驶的时代。目前可以实用化的技术是高级辅助驾驶(ADAS),而高级自动驾驶、完全无人驾驶等技术正在实验室和封闭、半封闭测试区紧锣密鼓的进行。只有经过长期的测试验证,自动驾驶车辆才能为大众提供安全可靠的出行服务。具体的讲,自动驾驶测试包括软件在环(SIL)、硬件在环(HIL)、车辆在环(VIL)、场测、路测等环节,测试内容包括传感器、算法、执行器、人机界面等等各个环节,测试目的从应用功能、性能、稳定性和鲁棒性、功能安全、形式认证等等。
 
    自动驾驶汽车的开发测试,需要大量的训练数据采集和标注工作。如何有效采集数据,以及如何标记数据,是当前自动驾驶领域的一个热门话题。测试数据的简单标注可以自动化,复杂标注仍然需要大量人力。首先要有标记和训练学习的工作,把环境关键因素提取出来,然后要用图像处理等方式提取与环境其他要素之间的时空关系,这样形成的数据就可以拿来分析建模,包括后续的算法开发和功能测评都可以用。除了训练数据采集,一个全面的评测数据集和合理的评测指标也非常关键。对于不同的任务,不同的技术阶段,需要有不同的评测指标和方法。
 
    在智能驾驶领域,技术的每一步发展都必须以保障个人安全为丈量,于是它的发展除了将带给人们欢喜鼓舞的便利之外,也引发了对其安全性的担忧。自动驾驶汽车的实际道路测试有很大的局限性,需要用模拟仿真测试来弥补。谷歌、特拉斯、Zoox等很多公司借助模拟仿真的方法力图使无人驾驶车的行驶里程尽快达到十亿英里。从软件到硬件的模拟仿真被合理建模时,就会为公司实验和测试他们的无人驾驶汽车模式提供了可能性。它包括各种各样的应用场景,实时交通、司机行为、天气以及道路环境等。
 
    >>>>
 
    技术方案
 
    Waymo的自动驾驶模拟仿真软件Carcraft
 
    最初开发Carcraft是作为一种“回放”无人车在公共道路行驶经历场景的方式,之后慢慢发展成了仿真,并在Waymo自动驾驶项目中发挥了重大作用。Waymo可以在一天内沿着一条特别复杂的道路模拟行驶数十万次,总行驶里程达到800万英里左右。2016年,与谷歌IRL自动驾驶汽车在实际公共道路上运行的300多万英里相比,Waymo已经行驶了25亿英里的虚拟路程。
 
    仿真测试是Waymo自动驾驶汽车研发中的一部分,仿真将Waymo自动驾驶原型车在实际道路中的测试与中央谷地一个叫做「城堡」(Castle)的秘密基地进行的“结构化测试”项目紧密结合在了一起。Waymo 此前从未公布过「城堡」的内部运作细节。在实际公共道路上进行的测试能够让开发人员知道需要在哪种地形进行额外训练。随后他们将这种地形在秘密基地「城堡」中复刻,使得测试车辆能够在不同的场景中进行训练。在这两种实体测试中,Waymo的自动驾驶原型车捕获了足够数据,未来可以在任何时候进行全数字化的仿真模拟测试。
 
    >>>>
 
    未来发展的技术挑战和趋势
 
    对于模拟的里程效用真的有用吗?大家所持观点不一。支持一方认为,模拟可以用来模拟罕见情况和基线数据,罕见的情况是指难以重现或足够随机的场景。如果无人驾驶能够提供99%的可靠性,因为大部分场景已经通过模拟得以优化。而AI或ML的一些未来技术迭代则允许我们在没有事先数据预备的情况下,对极端情况做出反应。排除特殊情况之外,仿真对于构建基础数据集也非常有用,并且在此基础上不断进行进一步的测试。反对一方则认为与此相对应的是:模拟环境不够好以至于不能高效地生成模型。通常,这是一个环境与车辆交互的场景,并且很难在现实场景中复现。此外,还存在着图像保真度过低的情景等等。
 
    为了帮助解决有关数据质量的一些问题,研究人员正在测试将虚拟图像输入转化为现实模型的可能性,以改进模拟实验。谷歌曾放出消息,虽然许多政府机构还不愿意将模拟英里数作为规定中的自主驾驶测试所需里程的一部分,但随着对模拟的监管变得更加明确,这种情况可能会发生变化。
 
    如果精确度足够高,那么模拟是有价值的。诚然,模拟可能不会解决的最后1%的自主驾驶问题。但如果技术可靠,那么在未来可以让模型完成更好的场景识别或应对更大范围的场景。许多公司对此表示赞同,包括特斯拉,Zoox,Comma.ai,Drive.ai等。
 
    模拟仿真技术的使用还能够扩展到无人驾驶领域之外。比如,我们可以借此理解无人机如何感知周围的世界,也能更好地明白交通、驾驶行为,甚至是行人行为的潜在逻辑。一个模拟环境中,存在足够多的特定模型和动态生命,因此我们还可以更好地理解机器人,它们将与我们的真实世界和数字世界发生交互。
 
    以上为雷锋网对中国人工智能协会智能驾驶白皮书的精编,如需下载完整报告请回复(中国人工智能协会智能驾驶)关键词,再次感谢中国人工智能协会对雷锋网的支持。
 
责任编辑:李欢
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐