详述人工智能在自动驾驶中的应用

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

来源：智能技术，编辑：Datawhale

随着云计算、大数据和人工智能技术的快速发展，人工智能是人类进入信息时代后的另一场技术革命越来越受到重视。无人驾驶作为人工智能技术在汽车工业和交通领域的延伸和应用，近年来引起了世界工业界乃至国家的密切关注。

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，使计算机能够在没有任何人类主动操作的情况下自动安全地操作机动车。自动驾驶技术将成为未来汽车的新发展方向。

本文将主要介绍人工智能技术在自动驾驶中的应用，并简要分析自动技术的发展前景。

人工智能是一门起步较晚但发展迅速的科学。20 自世纪以来，科学家们一直在寻找赋予机器人智慧的方法。现代人工智能的概念是从英国科学家图灵对智能机器的追求。直到1937年，图灵发表的论文《理想自动机》对人工智能进行了严格的数学定义。现实世界中的许多问题不能简单地计算数值，如语言理解和表达、图形图像和声音理解、医学诊断等。

1955 年Newell 和Simon 的Logic Theorist《数学原理》证明了前52名 个定理中的38 个。Simon 断言他们解决了物质构成系统如何获得精神性质的问题( 在后来的哲学领域，这领域被称为强人工智能) ，认为机器有能力像人一样逻辑思维。1956 年，人工智能( AI) 由美国的JohnMcCarthy 经过早期的探索阶段，人工智能向更系统的方向发展，成为一门独立的学科。

20世纪50年代，人工智能研究以游戏为对象；20世纪60年代，人工智能学者进行了有效的人工智能研究；20世纪80年代，不确定推理、非单调推理、定理推理方法、知识表达、机器学习、分布式人工智能等基础研究取得了突破。

人工智能在自动驾驶技术中的应用概述

人工智能已经发展了60年，现在迎来了另一个热潮。深度学习、计算机视觉和自然语言理解的突破使得许多曾经是幻想的应用程序成为可能，无人驾驶汽车就是其中之一。无人驾驶作为人工智能等技术在汽车工业和交通领域的延伸和应用，近年来引起了全球工业甚至国家的密切关注。人工智能也广泛应用于汽车自动驾驶技术中。

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，是集环境感知、规划决策、多级辅助驾驶等功能于一体的综合系统，它专注于计算机、现代传感、信息融合、通信、人工智能和自动控制， 是典型的高新技术综合体。

这种车可以像人一样思考 、判断 ，让计算机在没有任何人类主动操作的情况下自动安全地操作机动车辆 。按照SAE(美国汽车工程师协会)分为五个层次:驾驶员辅助、部分自动驾驶、有条件自动驾驶、高度自动驾驶和完全自动驾驶。

第一阶段：驾驶员辅助目的是帮助驾驶员，包括重要或有益的驾驶信息，并在情况开始变得危急时发出明确和简洁的警告。现阶段大部分ADAS主动安全辅助系统，使车辆能够感知和干预操作。比如防抱死制动系统（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。此时，车辆可以通过摄像头和雷达传感器了解周围的交通状况，然后进行警告和干预。

第二阶段：部分自动驾驶车辆通过摄像头、雷达传感器、激光传感器等设备获取道路及周边交通信息，车辆将为方向盘和加减速操作提供驾驶支持，在驾驶员收到警告但未能及时采取相应行动可自动干预，其他操作给驾驶员，实现人机驾驶，但车辆不允许驾驶员的手离开方向盘。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：自动驾驶有条件由自动驾驶系统完成驾驶操作，根据路况有限，必要时必须向驾驶员发出系统请求。

第四阶段：高度自动驾驶所有的驾驶操作都由自动驾驶系统完成。根据系统要求，驾驶员不能接管车辆。车辆可以完成自动驾驶。一旦自动驾驶系统无法启动，车辆也可以调整自动驾驶，驾驶员无需干涉。

第五阶段：完全自动驾驶理想的自动驾驶形式，乘客只需要提供目的地，车辆可以在任何道路条件和天气自动驾驶。这种自动化水平允许乘客在任何时候都不需要监控计算机工作、休息、睡眠和其他娱乐活动。

实现自动驾驶

车辆必须通过三个环节实现自动驾驶：

第一，感知。也就是让车辆获取，不同的系统需要由不同类型的车用感测器，包含毫米波雷达、超声波雷达、红外雷达、雷射雷达、CCD \CMOS图像传感器和轮速传感器收集整车的工作状态及其参数变化。

第二，处理。即大脑分析处理传感器收集到的信息，然后将控制信号输出到控制装置。

第三，执行ECU输出信号，让汽车完成动作执行。每一个环节都离不开人工智能技术的基础。

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、激光导航等。

磁导航是目前最成熟可靠的方案，大多数应用都采用这种导航技术。磁导航技术通过在车道上埋设磁性标志，为车辆提供车道的边界信息。磁性材料具有良好的环境适应性。它可以适应雨天、冰雪覆盖、光线不足甚至无光的情况。缺点是需要对现有道路设施进行更大的改变，成本更高。同时，磁导航技术无法预测车道前方的障碍物，因此不使用。

视觉导航对基础设施的要求较低，被认为是最有前途的导航方法。视觉方法在高速公路和城市环境中备受关注。

人工智能在自动驾驶图像识别和感知中的应用

无人驾驶汽车感知依赖于传感器。目前，传感器性能越来越高，体积越来越小，功耗越来越低，其快速发展是无人驾驶繁荣的重要驱动力。相反，无人驾驶对车载传感器提出了更高的要求，并促进了其发展。

无人驾驶传感器可分为四类：

• 雷达传感器

主要用于探测某一范围内障碍物（如车辆、行人、路肩等）的方向、距离和移动速度。常用的车载雷达有激光雷达、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，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

主要用于识别车道线、停车线、交通信号灯、交通标志、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，相关研究和产品多，但视觉算法易受光照、阴影、污损、遮挡等影响，准确性和鲁棒性有待提高。因此，图像识别作为人工智能技术广泛应用的领域之一，也是无人驾驶汽车领域的研究热点。

• 定位及位置传感器

主要用于获取经纬度坐标、速度、加速度、航向角等实时高精度定位和位置感知，一般包括全球卫星定位系统（GNSS）、惯性设备、轮速计、里程计等。我国常用的高精度定位方法是使用差异化定位设备，如RTK-GPS，但是，固定差分基站需要额外架设，应用距离有限，容易受到建筑物和树木的影响。近年来，许多省市的测绘部门都建立了相当于固定差异基站连续运行的参考站系统（CORS），如辽宁、湖北、上海等，实现了定位信号的广泛覆盖，为智能驾驶提供了强有力的技术支持。定位技术是无人驾驶的核心技术，因为位置信息可以使用丰富的地理、地图和其他先验知识，以及基于位置的服务。

• 车身传感器

从车辆本身，通过车辆网络接口获取车速、轮速、档位等车辆本身的信息。

人工智能在自动驾驶深度学习中的应用

司机的认知取决于大脑，而无人驾驶汽车的大脑是计算机。无人驾驶汽车中的计算机与我们常用的台式机和笔记本电脑略有不同，因为车辆在行驶时会遇到颠簸、振动、灰尘甚至高温。一般来说，计算机不能在这些环境中长时间运行。因此，无人驾驶汽车一般选择工业环境中的计算机-工业控制机。

操作系统在工业控制机器上运行，无人驾驶软件在操作系统中运行。如图1所示，它是一个无人驾驶汽车软件系统架构。支持模块（该模块指计算机程序）在操作系统上，为上层软件模块提供基本服务。

支持模块包括：模块间通信的虚拟交换模块；日志记录、检索和回放的日志管理模块；过程监控模块整个系统的运行状态，如果某个模块运行不正常则提示操作人员并自动采取相应措施；交互调试模块，负责开发人员与无人驾驶系统交互。

图：某无人驾驶车软件系统架构

除了对外界进行认知之外，机器还必须要能够进行学习。深度学习是无人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无人驾驶。

在无人驾驶汽车通过雷达等收集到数据时，对于原始的训练数据要首先进行数据的预处理化。计算均值并对数据的均值做均值标准化、对原始数据做主成分分析、使用PCA白化或ZCA白化。例如：将激光传感器收集到的时间数据转换为车与物体之间的距离；将车载摄像头拍摄到的照片信息转换为对路障的判断，对红绿灯的判断，对行人的判断等；雷达探测到的数据转换为各个物体之间的距离。

将深度学习应用于无人驾驶汽车中，主要包含以下步骤：

1. 准备数据，对数据进行预处理再选用合适的数据结构存储训练数据和测试元组；

2. 输入大量数据对第一层进行无监督学习；

3. 通过第一层对数据进行聚类，将相近的数据划分为同一类，随机进行判断；

4. 运用监督学习调整第二层中各个节点的阀值，提高第二层数据输入的正确性；

5. 用大量的数据对每一层网络进行无监督学习，并且每次用无监督学习只训练一层，将其训练结果作为其更高一层的输入。

6. 输入之后用监督学习去调整所有层。

人工智能在自动驾驶信息共享中的应用

• 首先，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。

• 其次，是3D路况感应，车辆将结合超声波传感器、摄像机、雷达和激光测距等技术，检测出汽车前方约5米内地形地貌，判断前方是柏油路还是碎石、草地、沙滩等路面，根据地形自动改变汽车设置。

• 另外，汽车还将能进行自动变速，一旦探测到地形发生改变，可以自动减速，路面恢复正常后，再回到原先状态。

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。

人工智能应用于自动驾驶技术中的优势

人工智能算法更侧重于学习功能，其他算法更侧重于计算功能。学习是智能的重要体现，学习功能是人工智能的重要特征，现阶段大多人工智能技术还处在学的阶段。如前文所说，无人驾驶实际上是类人驾驶，是智能车向人类驾驶员学习如何感知交通环境，如何利用已有的知识和驾驶经验进行决策和规划，如何熟练地控制方向盘、油门和刹车。

从感知、认知、行为三个方面看，感知部分难度最大，人工智能技术应用最多。感知技术依赖于传感器，比如摄像头，由于其成本低，在产业界倍受青睐。以色列一家名叫Mobileye的公司在交通图像识别领域做得非常好，它通过一个摄像头可以完成交通标线识别、交通信号灯识别、行人检测，甚至可以区别前方是自行车、汽车还是卡车。

人工智能技术在图像识别领域的成功应用莫过于深度学习，近几年研究人员通过卷积神经网络和其它深度学习模型对图像样本进行训练，大大提高了识别准确率。Mobileye目前取得的成果，正是得益于该公司很早就将深度学习当作一项核心技术进行研究。认知与控制方面，主要使用人工智能领域中的传统机器学习技术，通过学习人类驾驶员的驾驶行为建立驾驶员模型，学习人的方式驾驶汽车。

无人驾驶技术所面临的挑战和展望

在目前交通出行状况越来越恶劣的背景下，“无人驾驶”汽车的商业化前景，还受很多因素制约。

主要有：

1. 法规障碍

2. 不同品牌车型间建立共同协议，行业缺少规范和标准

3. 基础道路状况，标识和信息准确性，信息网络的安全性

4. 难以承受的高昂成本

此外，“无人驾驶”汽车的一个最大特点，就是车辆网络化、信息化程度极高，而这也对电脑系统的安全问题形成极大挑战。一旦遇到电脑程序错乱或者信息网络被入侵的情况，如何继续保证自身车辆以及周围其他车辆的行驶安全，这同样是未来急需解决的问题。虽然无人驾驶技术还存在着很多挑战，但是无人驾驶难在感知，重在“学习”，无人驾驶的技术水平迟早会超过人类，因为稳、准、快是机器的先天优势，人类无法与之比拟。

驾驶有时并不是负担，相反是一种乐趣，体现了人类拓展自身极限的能力。笔者相信，完全的无人驾驶也许有些遥远，但随着机器学习算法的提升和应用的挖掘，更接地气人机和谐共驾指日可待。不管在自动驾驶这条路上有多少困难，但我相信总有它出现在城市道路上的一天，技术的发展充满激情与动力。在不久的将来，也许自动驾驶会成为主流。

小白团队出品：零基础精通语义分割↓↓↓

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~