人工智能技术在车辆无人驾驶中的应用

文 / 樊现行

引言

随着我国经济的快速发展和城市人口的快速增加，每天的交通出行是如何保证安全和快捷的？随着人工智能技术的快速发展，无人驾驶的汽车技术已经不再是天方夜谭，而是开始受到国家级的关注。人工智能和无人驾驶相结合成为主要的发展方向。

一、人工智能技术及无人驾驶汽车概述

人工智能技术通常也被人们成为 AI 技术，借助计算机技术模拟人类的思想和行为。人工智能技术是计算机技术中的重要分支，是计算机技术发展中的重要产物。可以说，人工智能技术的出现是技术和经济发展中的必然。合理应用人工智能技术对社会的稳定、和谐发展具有重要意义。无人驾驶汽车就是一种汽车行驶过程中无需人为操控，可借助车载智能系统准确感知周边环境，高效处理获取信息，并规划行驶路线的技术形式。该技术能够自动控制汽车，带领乘车人顺利到达目的地。当前的汽车行业发展中，无人驾驶汽车的发展前景较好。

二、无人驾驶的分类

当前，无人驾驶汽车样式、品牌繁多，找到共性发现差异对无人驾驶汽车进性分类是刑法精细化规制的重要基础。以无人驾驶汽车的自动化程度不同为标准，可以将其划分为 5 个等级。第一等级，人类驾驶员在操控无人驾驶汽车方面与在操控传统汽车基本没有差别，唯一区别的是“智能”系统可以进行简单的（可有可无的）辅助;第二等级，驾驶系统才具备真正意义的智能，相比于传统汽车有了质的提升。它可以在不那么复杂的交通环境中进行小部分驾驶操作，如定速巡航等，但人类驾驶员仍处于主导地位，必须时刻保持注意力集中，关注驾驶环境;第三等级，智能驾驶系统已经可以自主观察周围情况完成主要的驾驶操作，但是这一等级的驾驶操作仍然不够智能，相对而言还比较机械，不能应对行驶过程中各种突发状况，驾驶员还是安全行驶的关键，可以说是一种“人机交互”的驾驶模式;第四等级，驾驶系统才称得上“人工智能”，此时的无人驾驶汽车在多数场景中都能较为安全地行驶，人类驾驶员只在系统发出提示时才需要关注驾驶环境，进行必要的接管，已经不能称为“驾驶员”;第五等级，驾驶系统不受特定道路环境的限制，是一种完全意义上的无人驾驶汽车，无人驾驶汽车只有启动者而没有人类操作者。以上从技术层面对无人驾驶汽车作的分类，对法律层面的分类具有参照意义，但这样的分类不仅过于细致，也不利于法律对无人驾驶汽车进行规制。

三、无人驾驶汽车中人工智能技术的应用优势

在无人驾驶汽车中应用人工智能技术，是现阶段汽车行业发展的主流趋势，而将人工智能技术应用于无人驾驶汽车之中，也具有十分鲜明的优势。主要体现在智能规划路线和确保行车安全等方面。

（一）智能规划路线

尽管现代汽车已经建设了相对完善的汽车导航系统，协助汽车规划行驶路线，但汽车导航系统规划的路线却不一定是最佳路线。尤其是当汽车行驶在陌生城市中时，汽车导航系统对行驶路线并不熟悉，无法合理选择规划路线，如此就降低了车辆的出行效率。同时，汽车导航系统无法合理预判规划路线交通拥堵的可能性，如遇到交通拥堵的情况，会在路上花费较长的时间。人工智能系统能够预先判断交通概况，也可对交通路线做出合理的规划，显著提高了交通路线规划的科学性与准确性，最大限度地降低交通拥堵出现几率。

（二）保证行车的安全性

驾驶员技术水平有限是引发交通事故的主要原因之一。再者，驾驶员疲劳驾驶也是影响车辆行驶安全的关键要素。利用无人驾驶技术，车辆驾驶系统能够观测驾驶员的异常情况，如驾驶员疲劳度较高，可及时切换到无人驾驶模式。在无人驾驶模式下汽车行驶更加安全，规避了由于疲劳驾驶可能引发的交通事故。无人驾驶技术也能够解放驾驶员，使很多没有驾驶技术的人也能够实现有车梦。除此之外，无人驾驶技术也能够最大限度地降低由于驾驶技术欠缺所引发的交通事故发生率。

四、人工智能在车辆无人驾驶中的应用

人工智能技术发展是无人驾驶汽车发展的驱动力。且无人驾驶汽车的快速发展，也促进了人工智能技术的革新优化，社会对于无人驾驶汽车的研发和生产也提出了更为严格的要求。采取有效措施落实系统感知、信息处理和指令执行，是无人驾驶汽车发展中的核心要点。在发展过程中，相关人员要合理应用深度学习、图像处理和数据处理等多种人工智能技术。

（一）实现自动驾驶的流程

1.感知

感知主要是使车辆获取准确的信息，不同系统使用的车辆传感器类型存在较大的差异。其中红外雷达、超声雷达、激光雷达、毫米波雷达、图像传感器和轮速感测器是最为常见的传感器。在检测车辆工作运行的状态下，及时准确地收集车辆的动态信息，以此获取车辆不断变化参数。

2.处理

处理是行车电脑 ECU 分析处理传感器收集到的信息，同时向受控设备发送控制信号的过程。

3.执行

汽车可依据行车电脑发出的控制信号执行各项动作指令，每个环节都需要人工智能技术的大力支持。

（二）深度学习的有效应用

自动驾驶汽车 ECU 一方面要准确感知外界的信息，另一方面也需具备强大的学习功能。深度学习以创建完整的神经网络为主要目标，与人的大脑十分相似，能够不断分析和学习。在自主学习的过程中能够具备数据信息处理、解释和分析的功能。目前，深度学习广泛应用在人工智能之中，有利于无人驾驶技术的发展，在数据准备和预处理中、基于学习开展的数据训练中，均得以广泛应用，而且这也可全方位提升处理的准确性和科学性。

深度学习能够保证汽车识别道路、行人及障碍物等元素的准确性和效率，以此确保行车安全。海量数据训练和演练后证明，汽车能够将收集到的图形和电磁波等数据信息转化为有价值的数据信息，同时，深度学习算法也可实现车辆无人驾驶功能。如无人驾驶车辆使用雷达收集数据时，需要预处理原始训练演练数据。

（三）图像处理中的应用

1.图像语义分割

语音识别中语义主要指的是语音的含义。语义在图像领域主要指图像的内容。图像语义分割通常是计算机结合图像语义完成分割环节，计算机可分析输入图像和输出像素级的语义标记。分割主要指的是基于像素分割图片中的不同对象，并且标注原图当中的每一个像素。

2.目标检测

目标检测通常也被人们称为目标提取。目标检测是基于目标几何和统计特征所开展的图像分割活动。目标检测中，图像分割与识别保持高度的对立统一和相互融合的关系。在功能参数的评价中，高度的准确性和实时的交互性是不可忽视的内容。在相对复杂的环境之中，能够自动提取和识别若干目标，也可对目标作科学的处理。自动驾驶汽车在路面上行驶的过程中可利用目标检测，确定前方是否存在障碍物，也可结合目标检测结果，采取科学有效的处理措施，规避交通事故。

3.立体视觉匹配

立体视觉匹配在计算机视觉中发挥着至关重要的作用。立体视觉匹配以不同的图像和不同的角度为基础匹配视点。立体视觉匹配技术在发展过程中的又一难题和重点是，不同图像匹配的歧义现象较为普遍。对此，要明确正确选择可能存在的相似特征的方法。现阶段，计算机学习计算能力显著提升，相关领域的学者和科学家也开始将图像的稠密关系匹配作为研究重点，也开始使用复杂度更高的计算方法开展计算工作。自动驾驶技术研究中，技术水平日益提高，不断优化和完善该技术能够更好地处理自动驾驶汽车在驾驶过程中遇到的突发状况。机器需要模仿人类大脑的相似图像，科学选择匹配点，同时也应在突发事故出现时做出相对理性和正确的判断，在较短的时间内解决问题。按照要求做好立体视觉匹配后，车辆需要在超声波传感器、摄像机、雷达和激光测距技术的支持下，使用 3D 感应技术检测车辆前方的地形地貌，从而准确地判断前方的路面概况，根据地形概况合理调整汽车参数设置及行驶速度。

（四）车辆无人驾驶信息共享中的应用

无人驾驶车辆并非道路上的信息孤岛。网络信息时代发展中，需要借助无线网络分享其他车辆所提供的交通信息，不仅如此，也要分享大数据中心所提供的数字场景，确保信息的安全性。利用车辆信息交换获取的数据信息具有复杂性，若信息无法得到及时合理的处理和应用，则车辆智能系统也会在较短的时间内受到显著影响，严重情况下还可能引发车辆瘫痪或系统处于疲软状态。一辆无人驾驶汽车能够实时地向其他被信任的汽车分项所处的位置和路况，从而使其他车辆的自动驾驶系统能够在接收并处理信息后，合理调整行车速度和行车路线。

结语

当前，无人驾驶汽车已经出现在部分一线城市中，但无人驾驶汽车发展的时间较短，还需要应对诸多问题。无人驾驶汽车的难点主要体现于感知层面。在其日后发展中，该技术稳定性会明显增强，且稳定性、准确性和可控性也会成为无人驾驶汽车最显著的优势。大范围内实现无人驾驶汽车上路虽然任重而道远，但是智能技术的快速发展，也为人机交互和人机协作提供了技术保障。虽然未来发展中依然需要面临诸多困境，但以优良先进的技术为基础，相信无人驾驶汽车势必成为汽车行业发展的主流趋势。