1.自動(dòng)駕駛技術(shù)的發(fā)展趨勢(shì)與 AI 應(yīng)用現(xiàn)狀分析 1.1 自動(dòng)駕駛技術(shù)發(fā)展現(xiàn)狀

自動(dòng)駕駛汽車(chē)是一個(gè)機(jī)電一體、軟硬件高度集成、以最終實(shí)現(xiàn)替代人操作的復(fù)雜信息物理融合系統(tǒng)，主要由感知、決策和執(zhí)行子系統(tǒng)構(gòu)成，自動(dòng)駕駛技術(shù)涉及環(huán)境感知、決策規(guī)劃、控制執(zhí)行、V2X 通信等關(guān)鍵技術(shù)，其結(jié)構(gòu)如圖 1 所示。

圖 1 自動(dòng)駕駛汽車(chē)分層結(jié)構(gòu)示意圖

1.1.1 自動(dòng)駕駛發(fā)展路線

1.1.2 我國(guó)自動(dòng)駕駛技術(shù)發(fā)展現(xiàn)狀

1.2 AI 在自動(dòng)駕駛中的應(yīng)用現(xiàn)狀與挑戰(zhàn)

1.2.1人工智能技術(shù)簡(jiǎn)介

AI 是一門(mén)研究模擬、延伸和擴(kuò)展人類(lèi)智能的理論、方法及技術(shù)的科學(xué)，其誕生于 20 世紀(jì) 50 年代，目前發(fā)展為計(jì)算機(jī)視覺(jué)、自然語(yǔ)言理解與交流、認(rèn)知與推理、機(jī)器人學(xué)、博弈與倫理和機(jī)器學(xué)習(xí)六大領(lǐng)域，并呈現(xiàn)出各領(lǐng)域相互滲透的趨勢(shì)。

其中，機(jī)器學(xué)習(xí)研究如何在算法的指導(dǎo)下自動(dòng)學(xué)習(xí)輸入數(shù)據(jù)樣本的數(shù)據(jù)結(jié)構(gòu)和內(nèi)在規(guī)律并獲得新的經(jīng)驗(yàn)與知識(shí)，從而對(duì)新樣本進(jìn)行智能識(shí)別，甚至對(duì)未來(lái)進(jìn)行預(yù)測(cè) 。典型的機(jī)器學(xué)習(xí)算法有線性回歸、K-均值、K-近鄰、主成份分析、支持向量機(jī)、決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)等。

在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展起來(lái)的深度學(xué)習(xí)模型是當(dāng)前最為有效的機(jī)器學(xué)習(xí)算法模型之一，成為當(dāng)前人工智能研究與應(yīng)用的熱點(diǎn)。深度學(xué)習(xí)模型在人工神經(jīng)網(wǎng)絡(luò)中加入了多個(gè)隱層，于 2006 年由 Geoffrey Hinton 和 Ruslan Salakhutdinov 提出。由于在 2012 年的 ImageNet 比賽（計(jì)算機(jī)視覺(jué)領(lǐng)域最具影響力的國(guó)際比賽）中成績(jī)突出，深度學(xué)習(xí)模型受到社會(huì)各界的極大關(guān)注，并在多個(gè)領(lǐng)域取得研究進(jìn)展，出現(xiàn)了一批成功的商業(yè)應(yīng)用，如谷歌翻譯、蘋(píng)果語(yǔ)音工具 Siri、微軟的 Cortana 個(gè)人語(yǔ)音助手、螞蟻金服的掃臉技術(shù)、谷歌的 AlphaGo 等。

1.2.2 人工智能在自動(dòng)駕駛技術(shù)中的應(yīng)用

AI 在自動(dòng)駕駛技術(shù)中有著豐富的應(yīng)用，諸如深度學(xué)習(xí)、增強(qiáng)學(xué)習(xí)都在自動(dòng)駕駛技術(shù)中取得較好的研究結(jié)果。

1）環(huán)境感知領(lǐng)域

感知處理是 AI 在自動(dòng)駕駛中的典型應(yīng)用場(chǎng)景。如基于 HOG 特征的行人檢測(cè)技術(shù)在提取圖像的 HOG 特征后通常通過(guò)支持向量機(jī)算法進(jìn)行行人檢測(cè)；基于激光雷達(dá)與攝像頭的車(chē)輛檢測(cè)技術(shù)中，需對(duì)激光雷達(dá)數(shù)據(jù)做聚類(lèi)處理；線性回歸算法、支持向量機(jī)算法、人工神經(jīng)網(wǎng)絡(luò)算法也常被用于車(chē)道線和交通標(biāo)志的檢測(cè)。

圖 2 基于機(jī)器學(xué)習(xí)的非結(jié)構(gòu)化道路檢測(cè)框架

圖 2［7］所示的框架把機(jī)器學(xué)習(xí)用到鄉(xiāng)村公路、野外土路等非結(jié)構(gòu)化道路的檢測(cè)中。由于車(chē)輛行駛環(huán)境復(fù)雜，已有感知技術(shù)在檢測(cè)與識(shí)別精度方面尚無(wú)法滿足自動(dòng)駕駛的需要，基于深度學(xué)習(xí)的圖像處理成為自動(dòng)駕駛視覺(jué)感知的重要支撐［8］。在感知融合環(huán)節(jié)，常用的 AI 方法有貝葉斯估計(jì)、統(tǒng)計(jì)決策理論、證據(jù)理論、模糊推理，、神經(jīng)網(wǎng)絡(luò)以及產(chǎn)生式規(guī)則等。

2）決策規(guī)劃領(lǐng)域

決策規(guī)劃處理是 AI 在自動(dòng)駕駛中的另一個(gè)重要應(yīng)用場(chǎng)景，狀態(tài)機(jī)、決策樹(shù)、貝葉斯網(wǎng)絡(luò)等 AI 方法已有大量應(yīng)用。近年來(lái)興起的深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)能通過(guò)大量學(xué)習(xí)實(shí)現(xiàn)對(duì)復(fù)雜工況的決策，并能進(jìn)行在線學(xué)習(xí)優(yōu)化，由于需要較多的計(jì)算資源，當(dāng)前是計(jì)算機(jī)與互聯(lián)網(wǎng)領(lǐng)域研究自動(dòng)駕駛規(guī)劃決策處理的熱門(mén)技術(shù) [8]。

3）控制執(zhí)行領(lǐng)域

傳統(tǒng)控制方法有 PID 控制、滑?？刂啤⒛：刂?、模型預(yù)測(cè)控制等。智能控制方法主要有基于模型的控制、神經(jīng)網(wǎng)絡(luò)控制和深度學(xué)習(xí)方法等。

1.2.3 自動(dòng)駕駛領(lǐng)域AI應(yīng)用面臨的挑戰(zhàn)

當(dāng)前，以深度學(xué)習(xí)為代表的當(dāng)代 AI 技術(shù)，基于在機(jī)器視覺(jué)（MV）、自然語(yǔ)言處理（NLP）等領(lǐng)域的成功應(yīng)用，被引入到自動(dòng)駕駛技術(shù)的環(huán)境感知、決策規(guī)劃和控制執(zhí)行的研究中，獲得了較好的效果。

由于車(chē)輛行駛環(huán)境復(fù)雜，一些嚴(yán)重依賴于數(shù)據(jù)、計(jì)算資源和算法的 AI 技術(shù)，在自動(dòng)駕駛的感知、決策、執(zhí)行等環(huán)節(jié)尚無(wú)法滿足實(shí)時(shí)性需求，一些以其作為核心支撐的自動(dòng)駕駛系統(tǒng)原型面臨挑戰(zhàn)：

1）實(shí)時(shí)可靠性需求給系統(tǒng)的計(jì)算速度和計(jì)算可靠性帶來(lái)挑戰(zhàn)。自動(dòng)駕駛系統(tǒng)要求感知、決策和執(zhí)行各子系統(tǒng)的響應(yīng)必須是實(shí)時(shí)可靠的，因此需要系統(tǒng)提供高速可靠的計(jì)算能力。

2）部件小型化的產(chǎn)業(yè)化需求使目前系統(tǒng)龐大的硬件尺寸面臨挑戰(zhàn)。當(dāng)前的自動(dòng)駕駛系統(tǒng)原型大多是計(jì)算機(jī)系統(tǒng)或工控機(jī)系統(tǒng)，不滿足車(chē)規(guī)級(jí)部件需求。

3）個(gè)性化適配無(wú)法滿足。當(dāng)前興起的深度學(xué)習(xí)算法對(duì)應(yīng)用環(huán)境變異的自適應(yīng)性較差，對(duì)不同車(chē)型和不同場(chǎng)景存在模型重新訓(xùn)練的適配問(wèn)題，已有的自動(dòng)駕駛系統(tǒng)原型不能滿足。

4）自主學(xué)習(xí)、自主維護(hù)需求無(wú)法滿足。深度學(xué)習(xí)呈現(xiàn)出學(xué)習(xí)集越大，效果越好的特點(diǎn)，由此需要自動(dòng)駕駛系統(tǒng)具備持續(xù)自主學(xué)習(xí)能力，而已有的自動(dòng)駕駛原型無(wú)法滿足。面對(duì)老化、磨損等問(wèn)題，部件出廠時(shí)的標(biāo)定參數(shù)不再處于最優(yōu)狀態(tài)，自動(dòng)駕駛系統(tǒng)需要基于汽車(chē)行駛數(shù)據(jù)、性能評(píng)價(jià)進(jìn)行智能整定（自標(biāo)定）、診斷和維護(hù)，已有的自動(dòng)駕駛原型也無(wú)法滿足需求。

5）成本控制面臨挑戰(zhàn)。當(dāng)前自動(dòng)駕駛系統(tǒng)原型造價(jià)尚不滿足產(chǎn)業(yè)化成本需求。

上述問(wèn)題本質(zhì)上是由于智能駕駛單車(chē)數(shù)據(jù)積累深度與廣度不足、強(qiáng)計(jì)算能力欠缺、任務(wù)自適應(yīng)能力差、AI 算法優(yōu)化適配困難。為解決上述問(wèn)題，完成 AI 在車(chē)載終端的深度集成應(yīng)用，考慮構(gòu)建車(chē)云協(xié)同一體的智能駕駛系統(tǒng)。借助云平臺(tái)靈活、豐富的計(jì)算資源，處理復(fù)雜的 AI 算法，并將分析結(jié)果發(fā)給車(chē)端進(jìn)行實(shí)時(shí)決策規(guī)劃，使云端域作為具有網(wǎng)絡(luò)功能開(kāi)放的大腦和核心，成為連接網(wǎng)絡(luò)內(nèi)部和車(chē)端業(yè)務(wù)需求的紐帶，借此真正實(shí)現(xiàn)網(wǎng)絡(luò)智能化?；谠朴?jì)算和大數(shù)據(jù)技術(shù)的發(fā)展，把自動(dòng)駕駛系統(tǒng)分為車(chē)、云（平臺(tái)）兩層，提出車(chē)云協(xié)同自動(dòng)駕駛系統(tǒng)架構(gòu)。在云端提供數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)共享和計(jì)算資源，支持深度學(xué)習(xí)、自主學(xué)習(xí)、自主維護(hù)和個(gè)性化適配等復(fù)雜 AI 算法。通過(guò)部分軟/硬件共享技術(shù)，可降低車(chē)端成本，使計(jì)算量減少，有利于車(chē)端嵌入式 AI 硬件產(chǎn)品的研發(fā)，以滿足車(chē)規(guī)級(jí)部件的需求。

2. 基于 AI 的車(chē)云協(xié)同自動(dòng)駕駛系統(tǒng)架構(gòu)及關(guān)鍵技術(shù)

圍繞 AI 技術(shù)應(yīng)用于自動(dòng)駕駛中的數(shù)據(jù)、計(jì)算與算法三大要素，面向多車(chē)型、多場(chǎng)景與個(gè)性化智能駕駛需求，針對(duì)智能駕駛單車(chē)系統(tǒng)面臨的等問(wèn)題，提出一種基于 AI 的車(chē)云協(xié)同的自動(dòng)駕駛系統(tǒng)架構(gòu)方案，如圖 3 所示。

圖 3 基于 AI 的車(chē)云協(xié)同自動(dòng)駕駛系統(tǒng)架構(gòu)方案示意圖

該架構(gòu)方案由基于 AI 的自動(dòng)駕駛智能車(chē)端設(shè)備和基于大數(shù)據(jù)分析的自動(dòng)駕駛云端系統(tǒng)兩部分組成，共同形成一個(gè)集復(fù)雜環(huán)境精確感知、通行智慧決策與行車(chē)控制優(yōu)化執(zhí)行的車(chē)云協(xié)同一體自動(dòng)駕駛系統(tǒng)。

2.1 基于 AI 的自動(dòng)駕駛智能終端

自動(dòng)駕駛智能終端是一個(gè)集環(huán)境感知、規(guī)劃決策、執(zhí)行控制等多項(xiàng)功能于一體的信息物理融合系統(tǒng)（CPS）[9]。為適應(yīng)不同場(chǎng)景不同車(chē)型汽車(chē)自動(dòng)駕駛的應(yīng)用需求，需深入研究自動(dòng)駕駛汽車(chē)嵌入式智能控制器軟硬件協(xié)同設(shè)計(jì)技術(shù)，建立可承載集傳感器數(shù)據(jù)采集、環(huán)境感知數(shù)據(jù)融合、規(guī)劃決策，執(zhí)行控制 AI 算法為一體，滿足自動(dòng)駕駛行車(chē)需求的智能終端軟硬件體系架構(gòu)，設(shè)計(jì)實(shí)時(shí)可靠、具有系統(tǒng)容錯(cuò)和“跛行”能力的自動(dòng)駕駛汽車(chē) AI 終端，提出實(shí)時(shí)可靠、任務(wù)自適應(yīng)的智能終端專用系統(tǒng)軟件，實(shí)現(xiàn) AI 算法的系統(tǒng)集成驗(yàn)證與實(shí)車(chē)應(yīng)用。需突破的關(guān)鍵技術(shù)包括實(shí)時(shí)可靠的自動(dòng)駕駛 AI 終端硬件架構(gòu)、可靠自適應(yīng)的自動(dòng)駕駛 AI 終端軟件架構(gòu)和自動(dòng)駕駛智能終端的 AI 技術(shù)集成應(yīng)用等。

1）自動(dòng)駕駛 AI 終端硬件架構(gòu)

自動(dòng)駕駛汽車(chē) AI 終端是一個(gè)集環(huán)境感知、規(guī)劃決策、控制執(zhí)行等多項(xiàng)功能于一體的綜合智能系統(tǒng)。根據(jù)自動(dòng)駕駛系統(tǒng)在典型應(yīng)用場(chǎng)景中針對(duì)環(huán)境感知、規(guī)劃決策以及執(zhí)行控制等業(yè)務(wù)模塊體現(xiàn)出的不同任務(wù)分工、工作模式及通信互聯(lián)方式，研究自動(dòng)駕駛 AI 終端的系統(tǒng)可靠性設(shè)計(jì)及模塊化設(shè)計(jì)方法，重點(diǎn)研究基于 GPU 和 MCU 的異構(gòu)多核硬件系統(tǒng)架構(gòu)和基于以太網(wǎng)的高速互聯(lián)通信架構(gòu)。

2）自動(dòng)駕駛 AI 終端軟件架構(gòu)

自動(dòng)駕駛車(chē)端系統(tǒng)集成了多個(gè)軟件功能模塊（環(huán)境感知、規(guī)劃決策、執(zhí)行控制、導(dǎo)航、定位、交通信號(hào)監(jiān)測(cè)等）和多個(gè)硬件執(zhí)行單元（計(jì)算單元、控制單元、傳感器等），研究：

基于 AI 的感知、規(guī)劃、執(zhí)行等功能性應(yīng)用軟件系統(tǒng)架構(gòu)與層次化、模塊化的設(shè)計(jì)方法；

基于任務(wù)自適應(yīng)的系統(tǒng)軟件和應(yīng)用軟件最優(yōu)構(gòu)架；

確保合理分配和調(diào)度包括 GPU、CPU、內(nèi)存、總線和通信接口等在內(nèi)的軟硬件資源，提供系統(tǒng)自我修復(fù)能力、模塊資源隔離能力、計(jì)算與內(nèi)存資源分配能力、優(yōu)先級(jí)執(zhí)行能力，以及模塊間有效通信能力等。

3）自動(dòng)駕駛 AI 終端的技術(shù)集成應(yīng)用

自動(dòng)駕駛系統(tǒng)作為一個(gè)典型的物理信息融合系統(tǒng)，必須通過(guò) AI 方法的綜合運(yùn)用才能實(shí)現(xiàn)進(jìn)行數(shù)據(jù)信息和知識(shí)信息的綜合集成。

針對(duì)自動(dòng)駕駛智能終端的有限軟硬件資源，構(gòu)建面向自動(dòng)駕駛智能終端的 AI 操作系統(tǒng)，使自動(dòng)駕駛的感知融合、決策控制等任務(wù)能夠?qū)崟r(shí)執(zhí)行。