隨著技術的快速發展云計算、大數據、人工智能一些新名詞進入大眾的視野，人工智能是人類進入信息時代后的又一技術革命正受到越來越廣泛的重視。作為人工智能技術在汽車行業、交通領域的延伸與應用，無人駕駛近幾年在世界范圍內受到了產學界甚至國家層面的密切關注。

自動駕駛汽車依靠人工智能、視覺計算、雷達、監控裝置和全球定位系統協同合作，讓電腦可以在沒有任何人類主動的操作下，自動安全地操作機動車輛。自動駕駛技術將成為未來汽車一個全新的發展方向。

本文將主要介紹人工智能技術在自動駕駛中的應用領域，并對自動技術的發展前景進行一個簡單的分析。

人工智能是一門起步晚卻發展快速的科學。20 世紀以來科學工作者們不斷尋求著賦予機器人類智慧的方法。現代人工智能這一概念是從英國科學家圖靈的尋求智能機發展而來，直到1937年圖靈發表的論文《理想自動機》給人工智能下了嚴格的數學定義，現實世界中實際要處理的很多問題不能單純地是數值計算，如言語理解與表達、圖形圖像及聲音理解、醫療診斷等等。

1955 年Newell 和Simon 的Logic Theorist證明了《數學原理》中前52 個定理中的38 個。Simon 斷言他們已經解決了物質構成的系統如何獲得心靈性質的問題( 這種論斷在后來的哲學領域被稱為“強人工智能”) ，認為機器具有像人一樣邏輯思維的能力。1956 年，“人工智能”( AI) 由美國的JohnMcCarthy 提出，經過早期的探索階段，人工智能向著更加體系化的方向發展，至此成為一門獨立的學科。

五十年代，以游戲博弈為對象開始了人工智能的研究；六十年代，以搜索法求解一般問題的研究為主；七十年代，人工智能學者進行了有成效的人工智能研究；八十年代，開始了不確定推理、非單調推理、定理推理方法的研究；九十年代，知識表示、機器學習、分布式人工智能等基礎性研究方面都取得了突破性的進展。

人工智能發展六十年，幾起幾落，如今迎來又一次熱潮，深度學習、計算機視覺和自然語言理解等各方面的突破，使得許多曾是天方夜譚的應用成為可能，無人駕駛汽車就是其中之一。作為人工智能等技術在汽車行業、交通領域的延伸與應用，無人駕駛近幾年在世界范圍內受到了產學界甚至國家層面的密切關注。目前，人工智能在汽車自動駕駛技術中也有了廣泛應用。

自動駕駛汽車依靠人工智能、視覺計算、雷達、監控裝置和全球定位系統協同合作，它是一個集環境感知、規劃決策、多等級輔助駕駛等功能于一體的綜合系統，它集中運用了計算機、現代傳感、信息融合、通訊、人工智能及自動控制等技術, 是典型的高新技術綜合體。

這種汽車能和人一樣會“思考” 、“判斷”、“行走” ，讓電腦可以在沒有任何人類主動的操作下，自動安全地操作機動車輛 。按照SAE（美國汽車工程師協會）的分級，共分為：駕駛員輔助、部分自動駕駛、有條件自動駕駛、高度自動駕駛、完全自動駕駛五個層級。

第一階段：駕駛員輔助目的是為駕駛者提供協助，包括提供重要或有益的駕駛相關信息，以及在形勢開始變得危急的時候發出明確而簡潔的警告。現階段大部分ADAS主動安全輔助系統，讓車輛能夠實現感知和干預操作。例如防抱死制動系統（ABS）、電子穩定性控制（ESC）、車道偏離警告系統、正面碰撞警告系統、盲點信息系統等等，此時車輛是能夠通過攝像頭、雷達傳感器獲知周圍交通狀況，進而做出警示和干預。

第二階段：部分自動駕駛車輛通過攝像頭、雷達傳感器、激光傳感器等等設備獲取道路以及周邊交通信息，車輛會自行對方向盤和加減速中的多項操作提供駕駛支援，在駕駛者收到警告卻未能及時采取相應行動時能夠自動進行干預，其他操作交由駕駛員，實現人機共駕，但車輛不允許駕駛員的雙手脫離方向盤。例如自適應巡航控制（ACC）、車道保持輔助系統（LKA）、自動緊急制動（AEB）系統、車道偏離預警（LDW）等。

第三階段：有條件自動駕駛由自動駕駛系統完成駕駛操作，根據路況條件所限，必要時發出系統請求，必須交由駕駛員駕駛。

第四階段：高度自動駕駛由自動駕駛系統完成所有駕駛操作，根據系統請求，駕駛員可以不接管車輛。車輛已經可以完成自動駕駛，一旦出現自動駕駛系統無法招架的情形，車輛也可以自行調整完成自動駕駛，駕駛員不需要干涉。

第五階段：完全自動駕駛自動駕駛的理想形態，乘客只需提供目的地，無論任何路況，任何天氣，車輛均能夠實現自動駕駛。這種自動化水平允許乘客從事計算機工作、休息和睡眠以及其他娛樂等活動，在任何時候都不需要對車輛進行監控。

自動駕駛的實現

車輛實現自動駕駛，必須經由三大環節：

第一，感知。也就是讓車輛獲取，不同的系統需要由不同類型的車用感測器，包含毫米波雷達、超聲波雷達、紅外雷達、雷射雷達、CCD \CMOS影像感測器及輪速感測器等來收集整車的工作狀態及其參數變化情形。

第二，處理。也就是大腦將感測器所收集到的資訊進行分析處理，然后再向控制的裝置輸出控制訊號。

第三，執行。依據ECU輸出的訊號，讓汽車完成動作執行。其中每一個環節都離不開人工智能技術的基礎。

人工智能在自動駕駛定位技術中的應用

定位技術是自動駕駛車輛行駛的基礎。目前常用的技術包括線導航、磁導航、無線導航、視覺導航、導航、激光導航等。

其中磁導航是目前最成熟可靠的方案,現有大多數應用均采用這種導航技術。磁導航技術通過在車道上埋設磁性標志來給車輛提供車道的邊界信息,磁性材料具有好的環境適應性,它對雨天,冰雪覆蓋,光照不足甚至無光照的情況都可適應,不足之處是需要對現行的道路設施作出較大的改動,成本較高。同時磁性導航技術無法預知車道前方的障礙,因而不可能單獨使用。

視覺導航對基礎設施的要求較低,被認為是最有前景的導航方法。在高速路和城市環境中視覺方法受到了較大的關注。

人工智能在自動駕駛圖像識別與感知中的應用

無人駕駛汽車感知依靠傳感器。目前傳感器性能越來越高、體積越來越小、功耗越來越低，其飛速發展是無人駕駛熱潮的重要推手。反過來，無人駕駛又對車載傳感器提出了更高的要求，又促進了其發展。

用于無人駕駛的傳感器可以分為四類：

雷達傳感器

主要用來探測一定范圍內障礙物（比如車輛、行人、路肩等）的方位、距離及移動速度，常用車載雷達種類有激光雷達、毫米波雷達和超聲波雷達。激光雷達精度高、探測范圍廣，但成本高，比如Google無人車頂上的64線激光雷達成本高達70多萬元人民幣；毫米波雷達成本相對較低，探測距離較遠，被車企廣泛使用，但與激光雷達比精度稍低、可視角度偏小；超聲波雷達成本最低，但探測距離近、精度低，可用于低速下碰撞預警。

視覺傳感器

主要用來識別車道線、停止線、交通信號燈、交通標志牌、行人、車輛等。常用的有單目攝像頭、雙目攝像頭、紅外攝像頭。視覺傳感器成本低，相關研究與產品非常多，但視覺算法易受光照、陰影、污損、遮擋影響，準確性、魯棒性有待提高。所以，作為人工智能技術廣泛應用的領域之一的圖像識別，也是無人駕駛汽車領域的一個研究熱點。

定位及位姿傳感器

主要用來實時高精度定位以及位姿感知，比如獲取經緯度坐標、速度、加速度、航向角等，一般包括全球衛星定位系統（GNSS）、慣性設備、輪速計、里程計等。現在國內常用的高精度定位方法是使用差分定位設備，如RTK-GPS，但需要額外架設固定差分基站，應用距離受限，而且易受建筑物、樹木遮擋影響。近年來很多省市的測繪部門都架設了相當于固定差分基站的連續運行參考站系統（CORS），比如遼寧、湖北、上海等，實現了定位信號的大范圍覆蓋，這種基礎設施建設為智能駕駛提供了有力的技術支撐。定位技術是無人駕駛的核心技術，因為有了位置信息就可以利用豐富的地理、地圖等先驗知識，可以使用基于位置的服務。

車身傳感器

來自車輛本身，通過整車網絡接口獲取諸如車速、輪速、檔位等車輛本身的信息。

人工智能在自動駕駛深度學習中的應用

駕駛員認知靠大腦，無人駕駛汽車的“大腦”則是計算機。無人車里的計算機與我們常用的臺式機、筆記本略有不同，因為車輛在行駛的時候會遇到顛簸、震動、粉塵甚至高溫的情況，一般計算機無法長時間運行在這些環境中。所以無人車一般選用工業環境下的計算機——工控機。

工控機上運行著操作系統，操作系統中運行著無人駕駛軟件。如圖1所示為某無人駕駛車軟件系統架構。操作系統之上是支撐模塊（這里模塊指的是計算機程序），對上層軟件模塊提供基礎服務。

支撐模塊包括：虛擬交換模塊，用于模塊間通信；日志管理模塊，用于日志記錄、檢索以及回放；進程監控模塊，負責監視整個系統的運行狀態，如果某個模塊運行不正常則提示操作人員并自動采取相應措施；交互調試模塊，負責開發人員與無人駕駛系統交互。

圖：某無人駕駛車軟件系統架構

除了對外界進行認知之外，機器還必須要能夠進行學習。深度學習是無人駕駛技術成功地基礎，深度學習是源于人工神經網絡的一種高效的機器學習方法。深度學習可以提高汽車識別道路、行人、障礙物等的時間效率，并保障了識別的正確率。通過大量數據的訓練之后，汽車可以將收集到的圖形，電磁波等信息轉換為可用的數據，利用深度學習算法實現無人駕駛。

在無人駕駛汽車通過雷達等收集到數據時，對于原始的訓練數據要首先進行數據的預處理化。計算均值并對數據的均值做均值標準化、對原始數據做主成分分析、使用PCA白化或ZCA白化。例如：將激光傳感器收集到的時間數據轉換為車與物體之間的距離；將車載攝像頭拍攝到的照片信息轉換為對路障的判斷，對紅綠燈的判斷，對行人的判斷等；雷達探測到的數據轉換為各個物體之間的距離。

將深度學習應用于無人駕駛汽車中，主要包含以下步驟：

1. 準備數據，對數據進行預處理再選用合適的數據結構存儲訓練數據和測試元組；

2. 輸入大量數據對第一層進行無監督學習；

3. 通過第一層對數據進行聚類，將相近的數據劃分為同一類，隨機進行判斷；

4. 運用監督學習調整第二層中各個節點的閥值，提高第二層數據輸入的正確性；

5. 用大量的數據對每一層網絡進行無監督學習，并且每次用無監督學習只訓練一層，將其訓練結果作為其更高一層的輸入。

6. 輸入之后用監督學習去調整所有層。

人工智能在自動駕駛信息共享中的應用

首先，利用無線網絡進行車與車之間的信息共享。通過專用通道，一輛汽車可以把自己的位置、路況實時分享給隊里的其它汽車，以便其它車輛的自動駕駛系統，在收到信息后做出相應調整。

其次，是3D路況感應，車輛將結合超聲波傳感器、攝像機、雷達和激光測距等技術，檢測出汽車前方約5米內地形地貌，判斷前方是柏油路還是碎石、草地、沙灘等路面，根據地形自動改變汽車設置。

另外，汽車還將能進行自動變速，一旦探測到地形發生改變，可以自動減速，路面恢復正常后，再回到原先狀態。

汽車信息共享所收集到的交通信息量將非常巨大，如果不對這些數據進行有效處理和利用，就會迅速被信息所湮沒。因此需要采用數據挖掘、人工智能等方式提取有效信息，同時過濾掉無用信息。考慮到車輛行駛過程中需要依賴的信息具有很大的時間和空間關聯性，因此有些信息的處理需要非常及時。

人工智能應用于自動駕駛技術中的優勢

人工智能算法更側重于學習功能，其他算法更側重于計算功能。學習是智能的重要體現，學習功能是人工智能的重要特征，現階段大多人工智能技術還處在學的階段。如前文所說，無人駕駛實際上是類人駕駛，是智能車向人類駕駛員學習如何感知交通環境，如何利用已有的知識和駕駛經驗進行決策和規劃，如何熟練地控制方向盤、油門和剎車。

從感知、認知、行為三個方面看，感知部分難度最大，人工智能技術應用最多。感知技術依賴于傳感器，比如攝像頭，由于其成本低，在產業界倍受青睞。以色列一家名叫Mobileye的公司在交通圖像識別領域做得非常好，它通過一個攝像頭可以完成交通標線識別、交通信號燈識別、行人檢測，甚至可以區別前方是自行車、汽車還是卡車。

人工智能技術在圖像識別領域的成功應用莫過于深度學習，近幾年研究人員通過卷積神經網絡和其它深度學習模型對圖像樣本進行訓練，大大提高了識別準確率。Mobileye目前取得的成果，正是得益于該公司很早就將深度學習當作一項核心技術進行研究。 認知與控制方面，主要使用人工智能領域中的傳統機器學習技術，通過學習人類駕駛員的駕駛行為建立駕駛員模型，學習人的方式駕駛汽車。

無人駕駛技術所面臨的挑戰和展望

在目前交通出行狀況越來越惡劣的背景下，“無人駕駛”汽車的商業化前景，還受很多因素制約。

主要有：

1. 法規障礙

2. 不同品牌車型間建立共同協議，行業缺少規范和標準

3. 基礎道路狀況，標識和信息準確性，信息網絡的安全性

4. 難以承受的高昂成本

此外，“無人駕駛”汽車的一個最大特點，就是車輛網絡化、信息化程度極高，而這也對電腦系統的安全問題形成極大挑戰。一旦遇到電腦程序錯亂或者信息網絡被入侵的情況，如何繼續保證自身車輛以及周圍其他車輛的行駛安全，這同樣是未來急需解決的問題。 雖然無人駕駛技術還存在著很多挑戰，但是無人駕駛難在感知，重在“學習”，無人駕駛的技術水平遲早會超過人類，因為穩、準、快是機器的先天優勢，人類無法與之比擬。

駕駛有時并不是負擔，相反是一種樂趣，體現了人類拓展自身極限的能力。筆者相信，完全的無人駕駛也許有些遙遠，但隨著機器學習算法的提升和應用的挖掘，更接地氣人機和諧共駕指日可待。不管在自動駕駛這條路上有多少困難，但我相信總有它出現在城市道路上的一天，技術的發展充滿激情與動力。在不久的將來，也許自動駕駛會成為主流。