人工智能技术在自动驾驶的应用案例.docx

人工智能技术在自动驾驶的应用一、概要1.1案例背景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。作为人工智能技术在汽车行业、交通领域的延伸与应用，自动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。二、案例过程分析2.1 现阶段自动驾驶的情况2.1.1自动驾驶等级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(美国汽车工程师协会)的分级，共分为：驾驶员辅助(L1)、部分自动驾驶(L2)、有条件自动驾驶(L3)、高度自动驾驶(L4)、完全自动驾驶五个层级(L5)。第一阶段(L1)：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(L2)：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(L3)：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(L4)：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驾驶，驾驶员不需要干涉。第五阶段(L5)：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。2.1.1 当前自动驾驶技术概况目前L2级别自动驾驶技术已经非常普及，其已能具备自适应巡航系统、车道保持系统、自动刹车辅助系统等功能，车辆的各种辅助驾驶系统确实让我们开车轻松了不少，特别是L2级别智能驾驶已经给我们带来很大便利性。而L3目前因为法规的限制只在AUDIA8的TrafficPilot功能中出现过很短的一段时间。因为这个功能对驾驶环境要求非常严苛，比如必须是封闭的单向车道，车速必须很低，比如必须是堵车的情况，这些条件将L3级别自动驾驶功能的风险降低到很低的水平。至于L4级别自动驾驶虽然奔驰在某些特定的停车场的自动寻址泊车功能达到L4级，用户只要在特定的停车场下车，之后车辆会自动寻找车位并泊入，全程无需用户参与，但这个共能也是需要提前在停车场安置众多传感器协助实现的，实用性并不高。目前由特斯拉首推，国产造车新势力纷纷跟进的自动辅助导航驾驶(NOA,NavigateonAutopilot)技术,使得L2级别辅助驾驶功能迈上新台阶。其最典型的特征就是高速高架上，自动调节车速、自动变道超车、自动进出匝道。也就是说，当你从北京四环切换到京藏高速，可以自动实现。这意味着，对于很多人来说，平时上下班的大部分时间，都可以实现自动驾驶。自动辅助导航驾驶本质意思是把“导航”和“辅助驾驶”结合。在原来L2辅助驾驶的基础上(如车道线保持、自动跟车)，加上车机的导航信息(如百度高精地图)，自动变道，实现从A点到B点的自动驾驶。这和人脑一样，人开车时，一边看百度地图，一边看路上的车道线和车辆，两者结合，就能驾驶汽车，控制方向盘、油门和刹车。可以说驾驶员的高速高架的驾驶时间占比越大。越能在N0A是自动驾驶中受益。2.2 实现自动驾驶所要解决的问题2.2.1 技术方面技术方面的问题是自动驾驶汽车所遇到的一个主要问题。不论是何种程度的自动驾驶，感知都是必不可少的步骤，只有通过感知车辆行驶过程中其周围的路况环境，才能在此基础上做出相应的路径规划和驾驶行为决策。目前，感知所用的传感器各有优缺点，很难找到一种能够适应各种环境的传感器器件。例如，激光雷达对雨雾的穿透能力受到限制，对黑颜色的汽车反射率有限；毫米波雷达对动物体的反射不敏感；超声波雷达的感知距离与频率受限；摄像头本身靠可见光成像，在雨雾天、黑夜的情况下其灵敏度会有所下降除此之外，如何提高汽车的视觉能力也是当前自动驾驶汽车中所面临的一个难点，自动驾驶汽车不仅需要识别周边的其他车辆，还必须能够在各种环境下能够检测周围的车道、行人、交通标志等一系列相关因素，而当处于雨雪天等恶劣的环境中时，自动驾驶汽车可能无法精确识别周围环境中的相关因素，难以进行判断和决策。此外，复杂的路况问题也是自动驾驶汽车所需要考虑和解决的另一个难题，不同国家的路况，甚至一个国家的不同城市，不同地区的道路状况会存在一定程度的差异，以更好的技术手段应对不同的道路状况，并且解决相应的问题，是未来自动驾驶汽车所面临的任务之一。2.2.2 认知困境自动驾驶汽车作为一项新技术新产品，在逐步形成新市场的过程中，政府、市场以及消费者的认知程度至关重要。消费者对于自动驾驶汽车的理解及接受程度是一个无法回避的问题。据美国相关研究机构调查，75%的驾驶者对于自动驾驶汽车保持谨慎的态度，其中一部分甚至持怀疑态度。而在国内，由于自动驾驶汽车起步较晚，大多数人对于自动驾驶的理解只是简单了解而已，对于消费者而言，自动驾驶安全性的问题是其最为关注的问题，一些负面消息可能使其望而却步。近年来，随着特斯拉、Uber、福特等主要车企相继出现自动驾驶汽车发生事故，导致驾驶人员伤亡事件，有关自动驾驶汽车安全问题引起越来越多的广泛讨论。2.2.3 伦理和法律困境:关于自动驾驶，有许多伦理和法律困境尚未解决。当路况发生意外的时候,自动驾驶汽车做出的判断，是否应该优先保护车主，还是要为了保护装满孩子的校车，而牺牲掉自己和车主；当自动驾驶出现车祸的时候，是车主负责还是造车厂负责？相关领域的法律还未成熟。这些伦理困境和法律困境无限延长着无人机驾驶汽车大规模普及进程。总的来说，虽然目前自动驾驶汽车在技术、认知、成本以及法律法规方面还面临着诸多困难和问题，产业化也遇到了瓶颈，但是实质上自动驾驶汽车是建立在传统汽车安全技术和智能化技术逐步升级的基础之上,对于交通系统的安全性和通行效率有较高的保障，并且在一定程度上代表了未来智能驾驶的发展方向，因此，其前景为许多企业所看好。2.3 自动驾驶所采用人工智能技术2.3.1 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。2.3.2 人工智能在自动驾驶图像识别与感知中的应用自动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，其飞速发展是自动驾驶热潮的重要推手。反过来，自动驾驶又对车载传感器提出了更高的要求，又促进了其发展。用于自动驾驶的传感器可以分为四类：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。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，也是自动驾驶汽车领域的一个研究热点。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。定位技术是自动驾驶的核心技术，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。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。2.3.3 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，自动驾驶汽车的“大脑”则是计算机。除了对外界进行认知之外，机器还必须要能够进行学习。深度学习是自动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自动驾驶。2.3.4 人工智能在自动驾驶信息共享中的应用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。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。2.4 解决问题的过程分析2.4.1 解决问题的过程车身架构联网。智能汽车要实现L4、L5级，从感知到决策到控制全部由汽