人工智能在智能网联汽车上的应用进展

2019-03-04付磊张昶

汽车文摘 2019年3期

关键词：车辆人工智能智能

付磊张昶

（中国第一汽车集团有限公司新能源开发院长春 130011）

主题词：人工智能（AI）智能网联汽车深度神经网络（DNN）增加学习（RL）

1 前言

全球汽车制造业在第四次工业革命的大潮下正在经历着颠覆式的巨变，信息物理融合和智能制造是这场颠覆式变革的主角。而物联网在这场变革的重要性是不言而喻的，功能包括人工智能、互联、传感器、主动参与和小设备的使用。

麦肯锡Asustosh Padhi在文献[1]的Disruptive forc⁃es in the industrial sectors-Global executive survey，Automotive& Assembly,Advanced Electronics and Aerospace&Defense March 2018产业颠覆性的力量报告中指出，全球制造业正在经历巨变，而背后的驱动力是5大颠覆性的力量，其中人工智能（Artificial Intel⁃ligence,AI）是对汽车制造业、航空工业和其他行业的影响深远的颠覆性力量。

麦肯锡在其报告中估计AI相关的产业市场规模将从2016年的20亿美元增长到2025年的1 300亿美元[1]。麦肯锡还指出，调查中的企业高管认为，特定领域的人才稀缺性会越来越突出，尤其是需要更多的数据科学家、AI专家和程序员。预计到2030年，美国需要100 000名软件工程师才能应对不断增加的车辆复杂性软件[1]。

在汽车行业，虽然汽车创新内容非常丰富，汽车销售在不断增长，但价格大多稳定。这给OEM提高生产效率方面带来了巨大的压力。人工智能技术是汽车行业创新技术的一部分，麦肯锡全球研究院预计使用人工智能的协作机器人可以提高生产力任务，这些任务的20%是无法由完全自动化完成的[1]。

基于大数据的机器学习（Machine Learning,ML）是实现AI的主要方式，AI对汽车和移动出行的最重要的贡献包括3方面[2]:

（1）根据高度复杂的情况采取行动；

（2）应对大量的复杂情况，这些情况无法用明确的编程所能充分涵盖；

（3）改善明确的指令，从先前的数据中学习未结构化的未知情况，持续改善没有明确的指令[2]。

BCG的报告显示，人工智能在汽车工业全产业链上可以发挥巨大的作用（图1）。基于数字化技术和大数据技术的人工智能可以自动完成设计工作和产品功能的认证工作，提升研发效率3%～5%，制造过程可以改善总装配的认证过程，降低材料成本2%～3%，在售后领域，改进识别产品失效的检测过程，降低质量保证期成本[3]。

图1 AI在汽车产业链的应用[3]

麦肯锡Jan Brockhaus,et al.关于人工智能的报告指出，人工智能将是创造汽车新价值的引擎[4]。在短期到中期内，全球汽车行业范围内整车企业（OEM）有一个重要的关于AI的商业价值机遇，总累计到2025年将达到约2 150亿美元的潜力。这相当于整个汽车行业的息税前收益（EBIT）的9%，或平均生产力约为每年1.3%的增长，这是一个显著的价值增长，大部分价值来自沿着价值链的核心流程的优化[4]。

即使在短期内，AI也可以在整个价值链中实现效率提升和成本节约，连锁店可以通过汽车销售和售后市场销售创造额外收入。最具价值的来源是通过四个核心过程产生的。在采购、供应链管理和制造环节，高效率可节省510亿美元的成本，在营销和销售方面分别可以节省220亿美元和610亿美元。基于AI的效率都很高，降低成本并创造更多的收入，使总价值潜力达到310亿美元[4]。

虽然采用AI的车辆功能和移动服务可以产生实质性的颠覆，但从长远来看，整个行业的价值上，这些功能和服务只会创造有限的价值。然而，从这些功能中产生价值和服务一样重要，因为个别OEM的表现优于竞争对手的车辆功能和移动服务，可以获得可观的市场份额，技术领先者的市场份额失去的风险相比较小[4]。

有4个关键成功因素使OEM能够为AI转型做好准备，收获短期内人工智能的价值：收集和同步来自不同来源的数据，建立伙伴生态系统，建立人工智能操作系统，建立核心AI功能和核心AI团队，以推动所需的转型[4]。

OEM需要通过实施示范来获取知识，从而开始他们的AI转型并捕捉短期价值。然后他们应该在整个组织范围内建立AI核心能力。最后，将使OEM能够扩展和推广端到端的AI转换，系统地捕获AI和构建的全部价值潜力，提升其长期ACES（Autonomous driv⁃ing,Connectivity,Electrification and Shared mobility）战略的能力[4]。

随着人工智能基础和应用的迅速发展，而汽车技术在智能化的发展提出并展示了巨大的发展需求，人工智能在智能汽车上应用将充满无限的发展空间和前景。人工智能支撑汽车技术发展的最大好处可以概括为，使汽车和相关的应用环境更安全、使汽车更节能、从而更加环保、更低的排放、更高的效率，也可以使汽车避免拥堵。在汽车制造环节，人工智能可以使制造更节能、更高效、更高质量。

2 人工智能基本概念

物联网实际上几乎可以使任何物品“智能”，这意味着它可以通过强大功能增强生活的方方面面，包括数据收集、人工智能算法和网络。这可能意味着一些简单的事情，如增强冰箱和橱柜功能，以检测牛奶和你最喜欢的食物何时储量最低，然后自动与首选的杂货店进行订购[5]。

1955年John McCarthy第1次给人工智能进行了定义，他认为AI的目的是开发机器，使这些机器行为表现好像具有智能一样[6]（The aim of AI is to develop machines that behave as if they wereintelligent）。

根据《大英百科全书》的定义:人工智能是数字计算机或计算机控制机器人执行通常与智能相关的任务。按此定义，任何计算机都是AI系统[6]。

目前人工智能已经开始在公共场所的身份认证中获得应用，如人脸识别。人工智能在汽车工业也已经开启了广泛的极具潜力的应用，使汽车技术在智能化的道路上开启了颠覆式的新篇章。

3 汽车行业人工智能应用现状

按照SAE J3016标准，智能驾驶分为Level 1-5级，Level 3-5级为高度智能驾驶[7]，是V2X和人工智能广泛应用的、最具前景的领域。

图2 解读互联网（IoT）[5]

智能汽车的发展目标是应用既实用又先进的人工智能技术，使车辆可以做出类似人类甚至超人的行为。而深度神经网络等算法则是模仿人类大脑的工作原理，在大数据集上进行培训，以执行各种任务。聪明的车辆结合了人工智能技术，如环保感知、地图构建、路径规划与整合具有多维度辅助驾驶等服务功能，使车辆能够智能化决策。它专注于人工智能的应用、机器学习与车辆自动控制，如图3所示[8]。

图3 AI与汽车技术框架[8]

3.1 在汽车工业中应用人工智能的必要性

李骏院士和程洪教授提出了人工智能应用的4大必然[8]：

（1）AI是中国作为领先的发展中国家的必然需求[8]。中国汽车工业一直处于发展阶段，中国经济战略需求决定了汽车工业需要车辆相关的创新技术，如电动汽车。当前蓬勃发展的AI技术为国家发展智能汽车提供了重要支撑。

（2）中国人工智能（AI）2.0已经提出人工智能技术的新发展趋势，如混合智能、多模态数据融合技术将是一个非常重要的战略制高点，开发新智能汽车AI技术符合这一战略需求[8]。

（3）中国汽车的社会需求处于其独特的交通状况中，包括城市地区和驾驶场景[8]。中国的交通状况复杂，且驾驶员的驾驶行为很多情况是不符合交通规则的要求。这使得中国成为最需要具有AI功能的车辆，以便在复杂的交通环境中表现出正确的驾驶行为，做出正确的驾驶动作。

（4）中国汽车商业模式的变化需要AI的支撑[8]。随着通信技术发展，新的汽车运营商业模式应运而生，如优步和滴滴这样的共享汽车公司正在兴起。几乎所有新的商业模式都需要人工智能技术来支持和实现优化决策。图4展示了以上描述的人工智能应用的4要素。

图4 人工智能在汽车业的需求的4个因素[8]

3.2 人工智能在汽车上的应用

（1）深度神经网络（Deep Neural Network）

随着计算资源的发展和预训练技术的成熟，在人工智能领域深度学习取得了突破性进展，包括语音识别、视觉对象识别和检测等领域。目前，典型的深度学习模型包括卷积神经网络（Convolutional Neu⁃ral Networks，CNNs）、递归神经网络（Recurrent Neural Networks，RNN）、深信念网络（Deep Belief Networks,DBN）和堆叠自动编码器（Stacked Auto Encoder，SAE）[8]。

最近，使用CNN自动学习功能成为一种倾向。国内外学者的研究证明了CNN具有强大的一般性和代表性功能，无需人为干预。经过更深入的研究，提出了改进方法，虽然已经实现了良好的性能，但精细的操作过程很耗时限制了他们的实际使用。国内学者提出基于更快的R-CNN的端到端网络中用于行人检测的神经级联分类器。不同于更快的R-CNN，它只使用了最后一个卷积层，利用多个特征图层并将它们提供给神经级联分类器。这样的体系结构支持更多低级功能和实现网络中的深度挖掘过程。这两个因素在行人检测中很重要。分类器在统一网络中与更快的R-CNN共同训练。

此外，媒介化的感知（Mediated perception）方法涉及用于识别驱动相关的多个初始子组件物体，如车道、交通标志、信号灯、汽车和行人。然后组合识别结果进入一个一致的汽车直接环境世界表达。行为反射方法构建一个从图像直接映射到驾驶动作。这个想法可以追溯到20世纪80年代后期，使用神经网络构建从图像到转向角的直接映射角。普林斯顿大学学者提出直接的感知自动驾驶方法，他们建议将图像输入到少量的关键感知指示器，这些指示器与驾驶需要的道路/交通的可供性直接相关。他们的建议提供了一套紧凑但完整的场景描述，以实现简单的控制器自动驾驶。他们训练了一个深度CNN与12小时的人类驾驶，并显示他们的模型可以很好地实现在一个非常多样化的一组虚拟环境中驾驶汽车。DNN和RNN的模型结构如图5所示。

图5 深度神经网络[8]

（2）强化学习

强化学习（Reinforcement Learning，RL）如图6所示，决策者面临顺序决策问题，并使用评估反馈作为评估表现。RL的一般目的是找到一个‘良好’的映射，为‘行动’和‘分配’感知'经典地解决单一决策情形，这些情形中制造商与静止的环境相互作用。功能强大RL的方法和令人印象深刻的结果在计算机和机器人社区中展示了框架，受到了好评。近年来见证了越来越多的学者有兴趣将RL方法扩展到多代理问题。马尔可夫游戏（也称为随机游戏）及其几种变化或专业化被用来模拟多代理RL问题。一些研究人员已将单一RL方法应用在这个多代理框架[8]。

图6 基本的强化学习框架[8]

随着强化学习研究算法与理论的深入，强化学习算法已广泛应用于实际工程优化和工程控制中。非线性强化学习方法控制，如机器人控制、解决问题、组合优化和调度、通信和数字信号处理、多智能体、模式识别和交通管制等领域取得了一些进展。近年来，特别是在自动化方面智能车辆驾驶技术、RL学习具有巨大的潜力，例如在2016年，AlphaGo计算机系统结合了RL算法和深度学习，使计算机达到甚至超过顶级职业选手的水平，引起世界轰动。因此强化学习作为一种普遍性可以解决智能车辆问题的学习算法，从感知到决策控制，将更加广泛用于现实智能汽车设计、制造和使用的各个领域[8]。

4 汽车行业人工智能发展展望

图7显示了如何使用AI技术的框架协助车辆开发，随着 AI技术从 ANI（Artificial Normal Intelligence）到 AGI（Artificial Generalized Intelligence）和 ASI（Arti⁃ficial Super Intelligence）的不断发展成熟，从自动驾驶汽车级别L1到L4，AI技术将大力提升汽车智能化程度。在网联车辆技术方面，AI将在车载计算机到云计算方面，实现汽车V2X的实时通讯，包括路边设施通讯（RSU）[8]。

图7 整合人工智能以帮助车辆开发的前景[8]

4.1 汽车智能化应用

在智能汽车（Autonomous Vehicle,AV）中，驾驶环境感知、认知图建立、路径规划和控制是同等重要的任务。如何像人类一样开车是最重要的任务。开发AV需要集成真实的多模态高维数据处理时间、高精度认知地图的建立和定位技术、最优路径规划和决策控制技术、人机交互和冗余补偿技术。最近，深度学习技术广泛应用于智能汽车[8]。

2010年，7辆谷歌无人驾驶汽车组建车队，开始在加州的路上进行路试。2012年8月，谷歌宣布在电脑的控制下，10多辆无人驾驶汽车已经安全行驶48万公里。2013年5月8日，内华达州机动车管理局正式给谷歌发放了世界上第一张无人驾驶汽车的许可证。一家新加坡公司NuTonomy，希望为用户提供手机控制无人驾驶出租车。2016年，该公司的试驾车在新加坡成功穿越各种障碍，通过了第一次测试。该公司还会继续进行这种商业测试，并计划在未来几年在新加坡的汽车市场投放数千辆无人驾驶出租车。它利用了协调对无人机(UAV)的算法进行管理无人驾驶汽车，NuTon⁃omy公司表示，它将改进汽车并提高其效率，从而减少交通拥堵和减少排放二氧化碳。NuTonomy公司的算法包含一个“形式”逻辑的功能，赋予汽车灵活性，可以让汽车违反不那么重要的交通规则。它可以利用复杂的判断来超越停在路边的汽车，而不影响交通[8]。

智能驾驶汽车广泛应用也存在一些障碍。除了技术挑战，还有有关驾驶责任的争议、将现存的车辆从非智能驾驶改造成智能技术的时间需求、驾驶人员对失去控制车辆的抵触、消费者对无人驾驶汽车安全的关注、法律框架的实施和政府制定智能驾驶汽车法规、隐私和安全隐患的风险，例如黑客或恐怖主义，智能驾驶会使人担心在道路运输业中失去驾驶相关的工作、风险随着驾驶速度越高变得越来越高，因为郊区化程度越来越高[8]。

4.2 AI在汽车网联技术中的应用

智能网联汽车就是汽车配备先进的车辆传感器、控制器和执行器等，使车辆能够自主实现驾驶功能。新一代智能车辆，集成了现代通讯与网络技术，实现复杂的环境感知、智能决策和控制功能，使其实现安全、节能、环保和驾驶舒适。网联技术可以实现车与车、车内以及车与道路基础设施通讯，这样就可以实现车辆内外网之间信息交流，解决车辆与环境之间的信息交换问题。人工智能在网联车辆（CV）中的关键因素如图8所示。

图8 AI网联车辆的关键因素是数字和智能[8]

网联汽车的主要益处如下[8]：

（1）提供信息共享服务以确保安全出行，网联汽车可以形成交通报告，结合电子地图通过GPS全球卫星定位系统，根据当前的交通拥堵情况或复杂的道路状况，发出交通安全、碰撞警告，或提出出行路线建议，可以发出在前面交叉路口限速的早期预警，以确保安全驾驶。

（2）卫星定位导航和自动检测联网车辆可以确定被盗的车辆位置和路线，通过GPS卫星定位技术搜索和跟踪车辆，以便逮捕盗窃犯。另外，可以实现远程车辆性能和条件自动监控，可以实现在远程专家咨询中传播指导车辆维修等。

（3）在驾驶过程中如果发生交通事故，可以实现道路救援和车辆紧急预警。通过远程信息处理系统的紧急呼叫按钮，司机可以联系紧急服务或汽车服务站。当车辆处于危险状态时，司机可以收到紧急警报和紧急情况道路交通管理部门发布的响应计划，确保道路安全和道路救援顺利进行。

CV的新技术由传感、决策、控制、通信定位和数据平台技术组成，主要包括以下5方面[8]：

（1）先进的传感技术，包括机器视觉图像识别技术，如雷达（激光、毫米波、超声波）检测周围障碍物技术，检测和监控驾驶员生理状态的灵活的电子光学装置等。

（2）通信位置和映射，包括必要的信息共享和协作控制，主要涉及到汽车网络安全技术、移动自组织化网络技术、高精度定位技术、高精度地图和本地场景。

（3）智能决策技术，包括风险情况建模技术、风险预警和控制优先分工、多目标协同技术、车辆轨迹规划、驾驶员多样性分析和人机交互。

（4）车辆控制技术，包括基于驱动的纵向运动控制系统。制动系统方面，基于MATLAB的横向运动控制转向系统，基于驾驶的垂直运动控制/制动/转向/底盘集成控制和悬架，同时，它可以使用通信和车辆传感器实现团队协作和车辆协同。

（5）包含非关系的数据平台技术数据库模式，高效的数据存储和检索，关联分析与大数据云深度挖掘操作系统和信息安全机制。

4.3 智能网联汽车的关键技术

智能网联汽车的关键技术包括世界模型、路径规划与决策、计算平台和使用案例。

关键技术1：世界模型[8]

世界模型旨在为智能驾驶提供精确的世界表征。精度是衡量智能汽车地图性能的关键参数。建议使用不同的多个支持区域（MSR）围绕兴趣点的不同尺寸选择最佳尺度支持区域。文献[8]提出了一种新颖的通过动态增强驾驶员情境意识的方法，为驾驶员提供全球环境视野。目前高精度地图分为两类，即ADAS和HAD。ADAS地图的精度是米级精度，而HAD地图可以实现厘米的精度。HAD地图比ADAS地图更精确，具有更精确的车道和人行横道线信息。这提供了基本的恢复数据中真实的道路场景。因此，HAD地图可以用于自动驾驶汽车。

汽车智能化是汽车工业必然的发展趋势，需要高精度的地图和高的更新率。要达到全自动驾驶的状态，高精度地图是基础，是获得实时信息必需的工具。

2015年，高德完成了高速公路和城市高速公路ADAS地图的开发。2016年，高德完成了国家高速公路和省级公路地图的开发。2016年，高德完成了高速公路的HAD高精地图的开发。2017年高德开发了30多个城市的ADAS地图，还开发了国家高速公路和省级公路HAD地图。目前，HAD地图已经将精度提高到厘米，HAD地图是为专门为智能汽车而构建的，它允许汽车在高速公路上进行自动驾驶。图9显示了HAD地图构建框架和世界模型。本地化功能是基于图像，高精度认知地图基于深度学习，并且获取车辆数据来自GIS采集模块。

图9 世界模型与HAD构建

关键技术2：路径规划和决策[8]

决策模块集成了路径规划、行为规划、参考规划和运动规划，做出最终的智能决策并驱动智能车。程洪教授基于驾驶行为，提出了一个开发框架和新颖的算法，通过模拟真实驾驶行为来分析安全状况。基于HAD的输入地图和驾驶员的期望、路径规划方案、行为规划，提出了参考路径规划和车辆运动规划。

（1）根据地图和大数据导航算法的应用，提出最适合驾驶员的路径规划；

（2）根据地图和司机的历史行为，行为规划提出拟人化的驾驶方案；

（3）基于移动障碍物的模型输入到地图上，参考轨迹规划预测未来参考目标的轨迹；

（4）运动规划结合其他车辆轨迹并提出具体的短时间轨迹。

决策是基于预测其他车辆的行为并做出相应的决定，这个决策必须被乘客接受（主要考虑舒适、可靠和敏捷性等），也必须被其他交通参与者（例如不能引起恐慌、模糊、奇异和其他问题）所接受，详细规划与决策框架如图10所示。

图10 规划和决策框架[8]

关键技术3：计算平台[8]

计算平台现有解决方案有两个主要方向。一个是由NVIDIA PX2代表的中央计算方式。另一个是分布式计算，以英特尔、恩智浦和英飞凌等为代表。英特尔和NVIDIA正在竞相推动无人驾驶汽车。Intel Go和NVIDIA Drive PX2都有同样的目标，训练计算机，使其更智能，帮助汽车检测行人并识别车道和车道上的信号灯，根据算法、照相机和传感器收集的数据做出决定。

新的计算和发展平台旨在实现在整合汽车领域，包括与AI计算架构和开发智能车辆AI的界面模型方面取得突破。它显示了一辆车的高性能计算平台处理大数据是绝对必要的，促进智能驾驶技术迅速、顺利地进入新阶段，图11显示了计算的一个平台示例。

关键技术4：智能驾驶车辆使用案例[8]

先进的驾驶员辅助系统(ADAS)利用各种车内传感器，收集实时的环境信息，识别静态和动态对象，然后推荐给驾驶人员最合适采取的措施，避免危险情况的发生。ADAS通常包括GPS导航系统、智能交通服务(ITS)、自动泊车(AP)、自适应巡航控制(ACC)和车道保持辅助系统(LKAS)。

图11 计算平台实例[8]

基于当前交通信息的GPS导航系统和短期预测，将推荐给驾驶人员最适合的行驶路线。ITS还可以给驾驶人员提供其他交通服务信息，如实时拥塞信息、红绿灯信息。停车时，自动泊车（AP）可以给驾驶员停车提供辅助机动动作，并提供有用的信息，如距离后墙有多远等。ACC将驾驶员从无聊的驾驶任务中解放出来，并使车辆在高速公路上的行车速度保持恒定。LKAS将使车辆保持在车道上，如果驾驶人员开车发生无意跨越车道的情况，LKAS会向驾驶人员发出警告。