現(xiàn)代汽車集團宣布開發(fā)了全球首款基于機器學(xué)習(xí)的智能巡航控制技術(shù)，可識別和分析駕駛模式，打造定制的自動駕駛體驗。

基于機器學(xué)習(xí)的智能巡航控制

對于駕駛愛好者來說，將制動和加速控制權(quán)轉(zhuǎn)讓給諸如自適應(yīng)巡航控制之類的駕駛輔助系統(tǒng)可能會感到有些放松，但也可能會感到有些機械，因為目前人工智能在汽車上的應(yīng)用還并不完善，自適應(yīng)巡航系統(tǒng)往往會出現(xiàn)反應(yīng)遲鈍、跑偏或者比較小心翼翼的跟車以及加速過快等問題，讓一些系統(tǒng)變得很雞肋。

為了給AI帶來一些人的直覺，現(xiàn)代汽車透露正在開發(fā)一種新型的巡航控制系統(tǒng)，該技術(shù)可以研究方向盤后面人的駕駛方式，然后在機器學(xué)習(xí)的幫助下模仿他們的習(xí)慣。

現(xiàn)代汽車稱該新系統(tǒng)為SCC－ML，即基于機器學(xué)習(xí)的智能巡航控制系統(tǒng)，它是該公司高級駕駛員輔助系統(tǒng)（ADAS）的一部分。

它稱SCC－ML是第一個結(jié)合人工智能的巡航控制技術(shù)。它通過使用傳感器，攝像頭和車載計算機來監(jiān)視駕駛員的模式和習(xí)慣，從而發(fā)揮作用。這可能包括其典型的跟隨距離和加速度。然后，通過機器學(xué)習(xí)算法運行數(shù)據(jù)，以模仿其駕駛風(fēng)格。

智能巡航控制（SCC）支持基本的自動駕駛功能和ADAS核心技術(shù)，在以駕駛員選定的速度行駛時，可以保持與前方車輛的距離。SCC－ ML將AI和智能巡航控制集成到一個系統(tǒng)中，可以學(xué)習(xí)駕駛員的駕駛模式和習(xí)慣。通過機器學(xué)習(xí)，智能巡航控制系統(tǒng)采用與駕駛員相同的模式，進(jìn)行自動駕駛。

為了操作智能巡航控制，駕駛員需要手動調(diào)整駕駛模式，如與前車的距離和加速度。如果沒有機器學(xué)習(xí)技術(shù)，就無法對設(shè)置進(jìn)行細(xì)微調(diào)整，從而適應(yīng)駕駛員的個人偏好。例如，在高速、中速和低速環(huán)境中，即使是同一個駕駛員也可能根據(jù)不同的環(huán)境，采取不同的加速度，但卻無法進(jìn)行細(xì)致的微調(diào)。因此，當(dāng)智能巡航控制啟用時，并且車輛的操作方式與駕駛員所希望的不同時，他們會感覺到差異，而不愿使用該技術(shù)，因為這會讓他們感到焦慮和不安。

現(xiàn)代汽車集團研發(fā)的SCC－ML的工作原理為：首先，前置攝像頭、雷達(dá)等傳感器不斷獲取駕駛信息，并將其發(fā)送到中央計算機。然后，計算機從收集的信息中提取相關(guān)細(xì)節(jié)，從而識別駕駛員的駕駛模式。該過程使用了機器學(xué)習(xí)算法。

駕駛模式可以分為三個部分：與前車的距離、加速（加速的速度）和響應(yīng)（對駕駛條件的響應(yīng)速度）。此外，還考慮了駕駛條件和速度。例如，在市區(qū)慢速行駛時，與前車保持較短距離，在快車道行駛時，與前車保持較遠(yuǎn)距離。針對這些不同的情況，SCC－ML進(jìn)行分析，區(qū)分上萬種模式，開發(fā)出靈活的智能巡航控制技術(shù)，適應(yīng)所有駕駛員的駕駛模式。

駕駛模式信息與傳感器會定期更新，反映駕駛員的最新駕駛風(fēng)格。此外，SCC－ML經(jīng)過專門編程，避免學(xué)習(xí)不安全的駕駛模式，增加了可靠性和安全性。未來的高速公路駕駛輔助系統(tǒng)將具備自動變道輔助功能，意味著SCC－ML可達(dá)到L2．5自動駕駛。

ADAS功能的焦慮

目前新款的智能車都配備了很多駕駛輔助功能，成為銷售時的賣點之一，然而在實際使用過程中，并沒有為駕駛員分擔(dān)駕駛壓力，反而讓人覺得很焦慮。

這家韓國汽車制造商表示，其技術(shù)是針對顧客的焦慮而開發(fā)的，這種焦慮是由于客戶在駕駛方式與巡航控制模式下的行為之間存在差異時引起的。它說這導(dǎo)致根本不愿使用該功能。

現(xiàn)代汽車集團副總裁Woongjun Jang說：“新的SCC－ML改進(jìn)了先前ADAS技術(shù)的智能性，從而大大提高了半自動功能的實用性。” “現(xiàn)代汽車集團將繼續(xù)致力于創(chuàng)新AI技術(shù)的開發(fā)工作，在自動駕駛領(lǐng)域引領(lǐng)行業(yè)。”

系統(tǒng)可靠性

據(jù)了解，目前該系統(tǒng)還并沒有在實車上引用，不過這種基于機器學(xué)習(xí)算法的調(diào)效方法也未必完全可靠。建立一個機器學(xué)習(xí)模型需要在大量的例子上訓(xùn)練它，然后在一堆它還沒有見過的類似的例子上測試它。當(dāng)模型通過測試時，就完成了。

然而根據(jù)最近谷歌的研究人員指出，這樣的機器學(xué)習(xí)標(biāo)準(zhǔn)太低了。訓(xùn)練過程可以產(chǎn)生許多不同的全部通過測試的模型，但是這些模型會有一些小差異，取決于諸如在培訓(xùn)開始之前隨機值的神經(jīng)網(wǎng)絡(luò)中的節(jié)點、訓(xùn)練數(shù)據(jù)、被選中或者代表的方式、培訓(xùn)運行的數(shù)量等等。如果這些微小的、隨機的差異不影響模型在測試中的表現(xiàn)，它們通常會被忽視。但事實證明，在現(xiàn)實世界中，它們會導(dǎo)致巨大的表現(xiàn)差異。

所以，現(xiàn)代這種基于機器學(xué)習(xí)的智能巡航技術(shù)仍需要被進(jìn)一步拷證。

責(zé)任編輯：haq