隨著自動駕駛逐步邁向量產(chǎn)階段，來自傳統(tǒng)OEM和Tier1對新技術(shù)的投入正在產(chǎn)生結(jié)果。

去年6月14日，法雷奧全球首家人工智能和深度學(xué)習(xí)研究中心在巴黎成立。該中心將充分發(fā)揮法雷奧在自動駕駛領(lǐng)域的優(yōu)勢，與科學(xué)界的專家機構(gòu)、初創(chuàng)型企業(yè)、以及集團在全球的應(yīng)用中心緊密合作。

這個命名為Valeo.ai的研發(fā)中心將致力于人工智能的算法、基礎(chǔ)架構(gòu)、學(xué)習(xí)過程及模擬。所謂的深度學(xué)習(xí)是一種人工智能學(xué)習(xí)方法，向機器提供數(shù)據(jù)，以便其分析并適應(yīng)新情境。該理念設(shè)法復(fù)制人類大腦的學(xué)習(xí)及思考功能，有助于使自動駕駛車輛識別目標(biāo)并確定采取何種行動。

法雷奧的研究人員最近開發(fā)了一種端到端的汽車速度控制模仿學(xué)習(xí)系統(tǒng)。他們在arXiv上發(fā)表的一篇論文中概述了他們的方法，該方法使用具有長短期記憶網(wǎng)絡(luò)(LSTM)的神經(jīng)網(wǎng)絡(luò)，這是一種可以學(xué)習(xí)長期依賴關(guān)系的遞歸神經(jīng)網(wǎng)絡(luò)(RNN)。

就在剛剛結(jié)束的CES2019上，法雷奧展出了首款L4級自動駕駛汽車Drive4U，該車搭載了法雷奧目前已量產(chǎn)的各類傳感器（超聲波傳感器、攝像頭、雷達(dá)和激光雷達(dá)）及人工智能技術(shù)和數(shù)字大腦，能輸入并學(xué)習(xí)城市環(huán)境中遇到的各類環(huán)境信息并進(jìn)行數(shù)據(jù)計算。

同時，法雷奧設(shè)定了每10億公里的重大事故數(shù)低于1起的安全目標(biāo)，并通過Drive4U Remote遠(yuǎn)程控制和Voyage XR虛擬感知技術(shù)來保證安全。

“我和我的團隊研究如何利用深度學(xué)習(xí)來實現(xiàn)更好的自動駕駛汽車的決策和控制?！鄙鲜鲅芯咳藛T表示，這項研究的目的是證明，在城市環(huán)境中，只使用相機，學(xué)習(xí)人類司機的能力，就可以處理復(fù)雜的情況。

法雷奧團隊開發(fā)的新系統(tǒng)使用了一個依賴于深度學(xué)習(xí)技術(shù)的人工神經(jīng)網(wǎng)絡(luò)(ANN)。首先，通過前向攝像頭拍攝有人駕駛車輛時的路面環(huán)境，因此很像這個人在開車時看到的東西。

然后訓(xùn)練神經(jīng)網(wǎng)絡(luò)來模仿駕駛員的動作，特別是專注于再現(xiàn)汽車當(dāng)前的速度。例如，當(dāng)輸入圖像包含一個50公里每小時的限速面板時，網(wǎng)絡(luò)會確保汽車的速度不會超過50公里每小時。當(dāng)前面有另一輛車時，人類司機會相應(yīng)地減速，網(wǎng)絡(luò)也學(xué)著這樣做。

“我們的方法試圖復(fù)制人類學(xué)習(xí)和駕駛的方式。該網(wǎng)絡(luò)只接收來自前端攝像頭的信息，不需要顯式感知，例如，與交通燈或車道相關(guān)的信息，就像人類司機沒有一個明確的模型，來精確地知道這些線在哪里，它們的形狀是什么?！毖芯咳藛T表示。

在訓(xùn)練完他們的神經(jīng)網(wǎng)絡(luò)之后，研究人員在一個模擬環(huán)境中測試了這套神經(jīng)網(wǎng)絡(luò)，然后把它集成到一輛真正的汽車上，在一個具有挑戰(zhàn)性的測試軌道上評估它的性能。他們發(fā)現(xiàn)他們的系統(tǒng)能有效地應(yīng)對復(fù)雜的情況，在必要時控制汽車的速度(例如在交通錐和急轉(zhuǎn)彎時減速，在障礙物前停車，接近警告標(biāo)志時等等)。

從目前自動駕駛的發(fā)展方向來看，首先是達(dá)到人類司機駕駛的水平，然后是更安全。而不是系統(tǒng)的駕駛能力不如人類司機。

上述研究證明，復(fù)雜的情況，比如工作區(qū)域、意想不到的障礙等等，僅僅通過觀察一個人類司機會做什么，然后在新的類似的情況下進(jìn)行復(fù)制就可以解決。這意味著，只要我們有足夠的演示數(shù)據(jù)，我們就可以處理人類司機可以合理處理的用例。

這可以用在復(fù)雜的交互情況下結(jié)合更經(jīng)典的方法，使車輛的自動駕駛系統(tǒng)做到和人類司機能夠一致和更智能地反應(yīng)。

目前，這個系統(tǒng)已經(jīng)取得了很好的效果，很快就可以應(yīng)用到自動駕駛汽車上，從而實現(xiàn)更有效的速度控制和更直觀的駕駛。

研究人員正計劃將他們的概念驗證擴展到更復(fù)雜的情況，教他們的系統(tǒng)如何處理與路上其他車輛的更廣泛的互動，以及增加更復(fù)雜的操作，比如換車道、在十字路口轉(zhuǎn)彎或在環(huán)形車道上導(dǎo)航。

一直以來，深度學(xué)習(xí)很好用，幾乎改變了整個人工智能領(lǐng)域的發(fā)展，但在自動駕駛系統(tǒng)中，過去在感知的某一些部分（主要是圖像及視頻處理）使用比較多的端到端技術(shù)，而在決策控制層較少應(yīng)用，原因在于深度學(xué)習(xí)沒有可解釋性。

不可解釋同樣也意味著危險，事實上很多領(lǐng)域?qū)ι疃葘W(xué)習(xí)模型應(yīng)用的顧慮除了模型本身無法給出足夠的信息之外，也有或多或少關(guān)于安全性的考慮。

研究人員補充介紹:“我們還希望研究該系統(tǒng)的可解釋性和與現(xiàn)有自動駕駛車輛的兼容性，向最終用戶解釋網(wǎng)絡(luò)如何感知其環(huán)境，以及它為什么做出決定?！?/p>