1.自動駕駛技術(shù)的發(fā)展趨勢與 AI 應用現(xiàn)狀分析

1.1 自動駕駛技術(shù)發(fā)展現(xiàn)狀

自動駕駛汽車是一個機電一體、軟硬件高度集成、以最終實現(xiàn)替代人操作的復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 自動駕駛汽車分層結(jié)構(gòu)示意圖

1.1.1 自動駕駛發(fā)展路線

1.1.2 我國自動駕駛技術(shù)發(fā)展現(xiàn)狀

1.2 AI 在自動駕駛中的應用現(xiàn)狀與挑戰(zhàn)

1.2.1人工智能技術(shù)簡介

AI 是一門研究模擬、延伸和擴展人類智能的理論、方法及技術(shù)的科學，其誕生于 20 世紀 50 年代，目前發(fā)展為計算機視覺、自然語言理解與交流、認知與推理、機器人學、博弈與倫理和機器學習六大領域，并呈現(xiàn)出各領域相互滲透的趨勢。

其中，機器學習研究如何在算法的指導下自動學習輸入數(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)驗與知識，從而對新樣本進行智能識別，甚至對未來進行預測 。典型的機器學習算法有線性回歸、K-均值、K-近鄰、主成份分析、支持向量機、決策樹、人工神經(jīng)網(wǎng)絡等。

在人工神經(jīng)網(wǎng)絡基礎上發(fā)展起來的深度學習模型是當前最為有效的機器學習算法模型之一，成為當前人工智能研究與應用的熱點。深度學習模型在人工神經(jīng)網(wǎng)絡中加入了多個隱層，于 2006 年由 Geoffrey Hinton 和 Ruslan Salakhutdinov 提出。由于在 2012 年的 ImageNet 比賽（計算機視覺領域最具影響力的國際比賽）中成績突出，深度學習模型受到社會各界的極大關(guān)注，并在多個領域取得研究進展，出現(xiàn)了一批成功的商業(yè)應用，如谷歌翻譯、蘋果語音工具 Siri、微軟的 Cortana 個人語音助手、螞蟻金服的掃臉技術(shù)、谷歌的 AlphaGo 等。

1.2.2 人工智能在自動駕駛技術(shù)中的應用

AI 在自動駕駛技術(shù)中有著豐富的應用，諸如深度學習、增強學習都在自動駕駛技術(shù)中取得較好的研究結(jié)果。

1）環(huán)境感知領域

感知處理是 AI 在自動駕駛中的典型應用場景。如基于 HOG 特征的行人檢測技術(shù)在提取圖像的 HOG 特征后通常通過支持向量機算法進行行人檢測；基于激光雷達與攝像頭的車輛檢測技術(shù)中，需對激光雷達數(shù)據(jù)做聚類處理；線性回歸算法、支持向量機算法、人工神經(jīng)網(wǎng)絡算法也常被用于車道線和交通標志的檢測。

圖 2 基于機器學習的非結(jié)構(gòu)化道路檢測框架

圖 2［7］所示的框架把機器學習用到鄉(xiāng)村公路、野外土路等非結(jié)構(gòu)化道路的檢測中。由于車輛行駛環(huán)境復雜，已有感知技術(shù)在檢測與識別精度方面尚無法滿足自動駕駛的需要，基于深度學習的圖像處理成為自動駕駛視覺感知的重要支撐［8］。在感知融合環(huán)節(jié)，常用的 AI 方法有貝葉斯估計、統(tǒng)計決策理論、證據(jù)理論、模糊推理，、神經(jīng)網(wǎng)絡以及產(chǎn)生式規(guī)則等。

2）決策規(guī)劃領域

決策規(guī)劃處理是 AI 在自動駕駛中的另一個重要應用場景，狀態(tài)機、決策樹、貝葉斯網(wǎng)絡等 AI 方法已有大量應用。近年來興起的深度學習與強化學習能通過大量學習實現(xiàn)對復雜工況的決策，并能進行在線學習優(yōu)化，由于需要較多的計算資源，當前是計算機與互聯(lián)網(wǎng)領域研究自動駕駛規(guī)劃決策處理的熱門技術(shù) [8]。

3）控制執(zhí)行領域

傳統(tǒng)控制方法有 PID 控制、滑?？刂啤⒛：刂?、模型預測控制等。智能控制方法主要有基于模型的控制、神經(jīng)網(wǎng)絡控制和深度學習方法等。

1.2.3 自動駕駛領域AI應用面臨的挑戰(zhàn)

當前，以深度學習為代表的當代 AI 技術(shù)，基于在機器視覺（MV）、自然語言處理（NLP）等領域的成功應用，被引入到自動駕駛技術(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。

由于車輛行駛環(huán)境復雜，一些嚴重依賴于數(shù)據(jù)、計算資源和算法的 AI 技術(shù)，在自動駕駛的感知、決策、執(zhí)行等環(huán)節(jié)尚無法滿足實時性需求，一些以其作為核心支撐的自動駕駛系統(tǒng)原型面臨挑戰(zhàn)：

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

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)。當前的自動駕駛系統(tǒng)原型大多是計算機系統(tǒng)或工控機系統(tǒng)，不滿足車規(guī)級部件需求。

3）個性化適配無法滿足。當前興起的深度學習算法對應用環(huán)境變異的自適應性較差，對不同車型和不同場景存在模型重新訓練的適配問題，已有的自動駕駛系統(tǒng)原型不能滿足。

4）自主學習、自主維護需求無法滿足。深度學習呈現(xiàn)出學習集越大，效果越好的特點，由此需要自動駕駛系統(tǒng)具備持續(xù)自主學習能力，而已有的自動駕駛原型無法滿足。面對老化、磨損等問題，部件出廠時的標定參數(shù)不再處于最優(yōu)狀態(tài)，自動駕駛系統(tǒng)需要基于汽車行駛數(shù)據(jù)、性能評價進行智能整定（自標定）、診斷和維護，已有的自動駕駛原型也無法滿足需求。

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

上述問題本質(zhì)上是由于智能駕駛單車數(shù)據(jù)積累深度與廣度不足、強計算能力欠缺、任務自適應能力差、AI 算法優(yōu)化適配困難。為解決上述問題，完成 AI 在車載終端的深度集成應用，考慮構(gòu)建車云協(xié)同一體的智能駕駛系統(tǒng)。借助云平臺靈活、豐富的計算資源，處理復雜的 AI 算法，并將分析結(jié)果發(fā)給車端進行實時決策規(guī)劃，使云端域作為具有網(wǎng)絡功能開放的大腦和核心，成為連接網(wǎng)絡內(nèi)部和車端業(yè)務需求的紐帶，借此真正實現(xiàn)網(wǎng)絡智能化。基于云計算和大數(shù)據(jù)技術(shù)的發(fā)展，把自動駕駛系統(tǒng)分為車、云（平臺）兩層，提出車云協(xié)同自動駕駛系統(tǒng)架構(gòu)。在云端提供數(shù)據(jù)存儲、數(shù)據(jù)共享和計算資源，支持深度學習、自主學習、自主維護和個性化適配等復雜 AI 算法。通過部分軟/硬件共享技術(shù)，可降低車端成本，使計算量減少，有利于車端嵌入式 AI 硬件產(chǎn)品的研發(fā)，以滿足車規(guī)級部件的需求。

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

圍繞 AI 技術(shù)應用于自動駕駛中的數(shù)據(jù)、計算與算法三大要素，面向多車型、多場景與個性化智能駕駛需求，針對智能駕駛單車系統(tǒng)面臨的等問題，提出一種基于 AI 的車云協(xié)同的自動駕駛系統(tǒng)架構(gòu)方案，如圖 3 所示。

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

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

2.1 基于 AI 的自動駕駛智能終端

自動駕駛智能終端是一個集環(huán)境感知、規(guī)劃決策、執(zhí)行控制等多項功能于一體的信息物理融合系統(tǒng)（CPS）[9]。為適應不同場景不同車型汽車自動駕駛的應用需求，需深入研究自動駕駛汽車嵌入式智能控制器軟硬件協(xié)同設計技術(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，滿足自動駕駛行車需求的智能終端軟硬件體系架構(gòu)，設計實時可靠、具有系統(tǒng)容錯和“跛行”能力的自動駕駛汽車 AI 終端，提出實時可靠、任務自適應的智能終端專用系統(tǒng)軟件，實現(xiàn) AI 算法的系統(tǒng)集成驗證與實車應用。需突破的關(guān)鍵技術(shù)包括實時可靠的自動駕駛 AI 終端硬件架構(gòu)、可靠自適應的自動駕駛 AI 終端軟件架構(gòu)和自動駕駛智能終端的 AI 技術(shù)集成應用等。

1）自動駕駛 AI 終端硬件架構(gòu)

自動駕駛汽車 AI 終端是一個集環(huán)境感知、規(guī)劃決策、控制執(zhí)行等多項功能于一體的綜合智能系統(tǒng)。根據(jù)自動駕駛系統(tǒng)在典型應用場景中針對環(huán)境感知、規(guī)劃決策以及執(zhí)行控制等業(yè)務模塊體現(xiàn)出的不同任務分工、工作模式及通信互聯(lián)方式，研究自動駕駛 AI 終端的系統(tǒng)可靠性設計及模塊化設計方法，重點研究基于 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）自動駕駛 AI 終端軟件架構(gòu)

自動駕駛車端系統(tǒng)集成了多個軟件功能模塊（環(huán)境感知、規(guī)劃決策、執(zhí)行控制、導航、定位、交通信號監(jiān)測等）和多個硬件執(zhí)行單元（計算單元、控制單元、傳感器等），研究：

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

基于任務自適應的系統(tǒng)軟件和應用軟件最優(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)自我修復能力、模塊資源隔離能力、計算與內(nèi)存資源分配能力、優(yōu)先級執(zhí)行能力，以及模塊間有效通信能力等。

3）自動駕駛 AI 終端的技術(shù)集成應用

自動駕駛系統(tǒng)作為一個典型的物理信息融合系統(tǒng)，必須通過 AI 方法的綜合運用才能實現(xiàn)進行數(shù)據(jù)信息和知識信息的綜合集成。

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