人工智能在汽车自动驾驶系统中的应用分析
自动驾驶汽车系统被认为是汽车智能化发展的最高目标[2]，对改善交通安全、实现节能减排、消除拥堵、提升社会效率，拉动汽车、电子、通讯、服务、社会管理等协同发展，促进汽车产业转型升级具有重大战略意义[3]，自动驾驶技术已经成为众多企业的竞争热点。
另一方面，基于深度学习（DeepLearning，DL）在机器视觉（MachineVision，MV）、自然语言处理（NaturalLanguageProcessing，NLP）等领域的成功应用和我国AI发展战略，研究AI在汽车自动驾驶系统中的深度应用，有十分重要的现实意义。文中梳理自动驾驶技术发展趋势，分析人工智能在汽车智能化网联化发展下的关键技术，并提出一种基于AI的车云协同自动驾驶系统。
1.自动驾驶技术的发展趋势与AI应用现状分析
1.1自动驾驶技术发展现状
自动驾驶汽车是一个机电一体、软硬件高度集成、以最终实现替代人操作的复杂信息物理融合系统，主要由感知、决策和执行子系统构成，自动驾驶技术涉及环境感知、决策规划、控制执行、V2X通信等关键技术，其结构如图1所示。
图1自动驾驶汽车分层结构示意图
环境感知技术使用车载传感设备（如GPS/INS系统、毫米波雷达/摄像头）及5G网络获取汽车所处的交通环境信息和车辆状态信息（位置、姿态），并将多个传感器的输出信息统一在车辆坐标系下，建立具有时间标记的数据关联和融合的元信息，为自动驾驶的决策规划服务。
决策规划技术依据环境感知子系统输出信息，实现路由寻径、交通预测、行为决策、动作规划及反馈控制信号输出等功能。
控制执行技术使用线控执行机构完成反馈控制输出指令的执行，以实现转向、油门和制动的控制。
V2X技术为车与外界的信息交互提供实时、可靠的通信服务，为环境感知和决策规划服务。
1.1.1自动驾驶发展路线
1.1.1自动驾驶发展路线
目前自动驾驶技术的实现出现了2条路径：以传统车企为主的渐进式发展路线、以科研机构和IT企业为主的颠覆式发展路线［4］。
1）渐进式发展路线通过逐步提高汽车智能化水平，沿着辅助驾驶、部分自动驾驶、高度自动驾驶和完全自动驾驶的方向分阶段发展。在辅助驾驶阶段，车辆控制以驾驶员为主，驾驶员掌握最终的驾驶权，系统辅助驾驶员，降低驾驶负担。目前已在乘用车上量产的辅助驾驶技术有侧向稳定控制、电动助力转向控制，部分高档车还装有自动泊车、自适应巡航、车道偏离预警系统等辅助驾驶系统。在部分自动驾驶阶段，车辆的智能化水平进一步提高，具有一定的自主决策能力，具备特定工况下短时托管的能力。在高度自动驾驶阶段和完全自动驾驶阶段，车辆具有高度自主性，汽车可自主决策、规划和控制，可实现复杂工况（如高速公路、城市工况）的托管能力，甚至完全无人驾驶。
2）颠覆式发展路线跳过汽车智能化逐级发展的思路，直接实现车辆的高度/完全自动驾驶，研发难度大，其研究成果已经很好地用到渐进式发展路线的各个阶段。美国是该领域研究最早技术最先进的国家。美国国防部高级研究计划局（DARPA）从20世纪80年代开始通过ALV项目、DEMO-II计划、DEMO-III计划等资助美国企业、科研机构和高等院校进行颠覆式自动驾驶技术在军事领域的应用。谷歌公司是目前在该领域取得成果最为显著的企业，其2009年开始自动驾驶技术研究，2010年进行了自动驾驶汽车城市路况测试，2011年获得自动驾驶汽车的授权，目前其研发的自动驾驶汽车已经被美国车辆安全监管机构认为符合联邦法律。德国也是最早开始该领域研究的国家，早在20世纪80年代，德国慕尼黑联邦国防军大学就与奔驰公司合作开始研发自主驾驶汽车，其代表车型奔驰S500于2013年在城市和城际道路完成了长距离自主驾驶试验。
渐进式发展路线和颠覆式发展路线体现了传统整车企业和互联网IT企业关于智能驾驶汽车产业化发展的分歧。互联网企业试图将一些尖端的IT技术引入到汽车领域中，为消费者带来更多美好的驾驶体验，通过自顶而下的技术辐射，纵向向下衍生低级别的智能驾驶技术。而汽车企业认为驾驶员对于安全感的需求可能远超IT思维的预想，因而采取循序渐进的方式推广智能驾驶技术。
无论何种技术路线，车辆智能安全辅助功能的研究已经很成熟，客观上为智能驾驶搭好了基础技术平台；整车企业及IT企业在智能驾驶产业化发展上也均面临技术问题、成本问题、法规问题需要解决。但只要市场对这些技术有持续需求，就能推动汽车向完全无人化演进［2］。
1.1.2我国自动驾驶技术发展现状
1.1.2我国自动驾驶技术发展现状
我国在自动驾驶领域的研究起步于20世纪80年代。1980年「遥控驾驶的防核化侦察车」由国家立项，1989年我国首辆智能小车在国防科技大学研制成功，1992年国防科技大学、北京理工大学等高校研制成功我国第一辆真正意义上能够自主行驶的测试样车（ATB-1）[5]。
进入21世纪，国家「863计划」开始对自动驾驶技术研究给予更多支持。2000年国防科技大学宣布其第4代自动驾驶汽车试验成功。2003年国防科技大学和一汽共同合作研发成功了一辆自动驾驶汽车——红旗CA7460，该汽车能够根据车辆前方路况自动变道，2006年研制成功新一代红旗HQ3自动驾驶轿车。2005年我国首辆城市自动驾驶汽车由上海交通大学研制成功。2011年国防科技大学和一汽研制的HQ3首次完成了从长沙到武汉的高速全程无人驾驶试验，自动驾驶的平均速度达到87km/h，全程距离为286km［5］。2012年11月军事交通学院研制的自动驾驶汽车完成了高速公路测试，是第1辆得到了我国官方认证的无人汽车，并获得中国智能车未来挑战赛2015年度和2016年度冠军。
2015年12月IT企业百度的自动驾驶汽车完成北京开放高速路的自动驾驶测试，意味着自动驾驶技术从科研开始落地到产品；2016年9月百度宣布获得美国加州政府颁发的全球第15张无人车上路测试牌照，2017年4月17日百度展示了与博世合作开发的高速公路辅助功能增强版演示车。
2017年4月我国把基于自动驾驶技术的智能网联汽车列入「汽车产业中长期发展规划」，成为我国汽车产业转型发展又一个战略目标。我国自动驾驶技术的总体水平与国外先进水平还存在一定的差距，主要关键技术（感知融合、路径规划、控制与决策技术等）仍处于完善阶段，关键技术发展的局限性制约了自动驾驶系统在不同环境下的自主驾驶能力，导致自动驾驶系统的行为表现有时存在较大的反差。
1.2AI在自动驾驶中的应用现状与挑战
1.2.1人工智能技术简介
1.2.1人工智能技术简介
AI是一门研究模拟、延伸和扩展人类智能的理论、方法及技术的科学，其诞生于20世纪50年代，目前发展为计算机视觉、自然语言理解与交流、认知与推理、机器人学、博弈与伦理和机器学习六大领域，并呈现出各领域相互渗透的趋势。
其中，机器学习研究如何在算法的指导下自动学习输入数据样本的数据结构和内在规律并获得新的经验与知识，从而对新样本进行智能识别，甚至对未来进行预测[6]。典型的机器学习算法有线性回归、K-均值、K-近邻、主成份分析、支持向量机、决策树、人工神经网络等。
在人工神经网络基础上发展起来的深度学习模型是当前最为有效的机器学习算法模型之一，成为当前人工智能研究与应用的热点。深度学习模型在人工神经网络中加入了多个隐层，于2006年由GeoffreyHinton和RuslanSalakhutdinov提出。由于在2012年的ImageNet比赛（计算机视觉领域最具影响力的国际比赛）中成绩突出，深度学习模型受到社会各界的极大关注，并在多个领域取得研究进展，出现了一批成功的商业应用，如谷歌翻译、苹果语音工具Siri、微软的Cortana个人语音助手、蚂蚁金服的扫脸技术、谷歌的AlphaGo等［6］。
1.2.2人工智能在自动驾驶技术中的应用
1.2.2人工智能在自动驾驶技术中的应用
AI在自动驾驶技术中有着丰富的应用，诸如深度学习、增强学习都在自动驾驶技术中取得较好的研究结果。
1）环境感知领域
感知处理是AI在自动驾驶中的典型应用场景。如基于HOG特征的行人检测技术在提取图像的HOG特征后通常通过支持向量机算法进行行人检测；基于激光雷达与摄像头的车辆检测技术中，需对激光雷达数据做聚类处理；线性回归算法、支持向量机算法、人工神经网络算法也常被用于车道线和交通标志的检测。
图2基于机器学习的非结构化道路检测框架
图2［7］所示的框架把机器学习用到乡村公路、野外土路等非结构化道路的检测中。由于车辆行驶环境复杂，已有感知技术在检测与识别精度方面尚无法满足自动驾驶的需要，基于深度学习的图像处理成为自动驾驶视觉感知的重要支撑［8］。在感知融合环节，常用的AI方法有贝叶斯估计、统计决策理论、证据理论、模糊推理，、神经网络以及产生式规则等。
2）决策规划领域
决策规划处理是AI在自动驾驶中的另一个重要应用场景，状态机、决策树、贝叶斯网络等AI方法已有大量应用。近年来兴起的深度学习与强化学习能通过大量学习实现对复杂工况的决策，并能进行在线学习优化，由于需要较多的计算资源，当前是计算机与互联网领域研究自动驾驶规划决策处理的热门技术[8]。
3）控制执行领域
传统控制方法有PID控制、滑模控制、模糊控制、模型预测控制等。智能控制方法主要有基于模型的控制、神经网络控制和深度学习方法等。
如清华李克强等研究了单车多目标协调式自适应巡航控制技术，在实现自动跟车行驶、低燃油消耗和符合驾驶员特性三大功能的同时全面提升行车安全性、改善车辆燃油经济性、减轻驾驶疲劳强度；还提出了基于多智能体系统的协同式多车队列控制方案，以实现降低油耗、改善交通效率以及提高行车安全性的目标。
1.2.3自动驾驶领域AI应用面临的挑战
1.2.3自动驾驶领域AI应用面临的挑战
当前，以深度学习为代表的当代AI技术，基于在机器视觉（MV）、自然语言处理（NLP）等领域的成功应用，被引入到自动驾驶技术的环境感知、决策规划和控制执行的研究中，获得了较好的效果。
由于车辆行驶环境复杂，一些严重依赖于数据、计算资源和算法的AI技术，在自动驾驶的感知、决策、执行等环节尚无法满足实时性需求，一些以其作为核心支撑的自动驾驶系统原型面临挑战：
1）实时可靠性需求给系统的计算速度和计算可靠性带来挑战。自动驾驶系统要求感知、决策和执行各子系统的响应必须是实时可靠的，因此需要系统提供高速可靠的计算能力。
2）部件小型化的产业化需求使目前系统庞大的硬件尺寸面临挑战。当前的自动驾驶系统原型大多是计算机系统或工控机系统，不满足车规级部件需求。
3）个性化适配无法满足。当前兴起的深度学习算法对应用环境变异的自适应性较差，对不同车型和不同场景存在模型重新训练的适配问题，已有的自动驾驶系统原型不能满足。
4）自主学习、自主维护需求无法满足。深度学习呈现出学习集越大，效果越好的特点，由此需要自动驾驶系统具备持续自主学习能力，而已有的自动驾驶原型无法满足。面对老化、磨损等问题，部件出厂时的标定参数不再处于最优状态，自动驾驶系统需要基于汽车行驶数据、性能评价进行智能整定（自标定）、诊断和维护，已有的自动驾驶原型也无法满足需求。
5）成本控制面临挑战。当前自动驾驶系统原型造价尚不满足产业化成本需求。
上述问题本质上是由于智能驾驶单车数据积累深度与广度不足、强计算能力欠缺、任务自适应能力差、AI算法优化适配困难。为解决上述问题，完成AI在车载终端的深度集成应用，考虑构建车云协同一体的智能驾驶系统。借助云平台灵活、丰富的计算资源，处理复杂的AI算法，并将分析结果发给车端进行实时决策规划，使云端域作为具有网络功能开放的大脑和核心，成为连接网络内部和车端业务需求的纽带，藉此真正实现网络智能化。基于云计算和大数据技术的发展，把自动驾驶系统分为车、云（平台）两层，提出车云协同自动驾驶系统架构。在云端提供数据存储、数据共享和计算资源，支持深度学习、自主学习、自主维护和个性化适配等复杂AI算法。通过部分软/硬件共享技术，可降低车端成本，使计算量减少，有利于车端嵌入式AI硬件产品的研发，以满足车规级部件的需求。
2.基于AI的车云协同自动驾驶系统架构及关键技术
围绕AI技术应用于自动驾驶中的数据、计算与算法三大要素，面向多车型、多场景与个性化智能驾驶需求，针对智能驾驶单车系统面临的等问题，提出一种基于AI的车云协同的自动驾驶系统架构方案，如图3所示。
图3基于AI的车云协同自动驾驶系统架构方案示意图
该架构方案由基于AI的自动驾驶智能车端设备和基于大数据分析的自动驾驶云端系统两部分组成，共同形成一个集复杂环境精确感知、通行智慧决策与行车控制优化执行的车云协同一体自动驾驶系统。
2.1基于AI的自动驾驶智能终端
自动驾驶智能终端是一个集环境感知、规划决策、执行控制等多项功能于一体的信息物理融合系统（CPS）[9]。为适应不同场景不同车型汽车自动驾驶的应用需求，需深入研究自动驾驶汽车嵌入式智能控制器软硬件协同设计技术，建立可承载集传感器数据采集、环境感知数据融合、规划决策，执行控制AI算法为一体，满足自动驾驶行车需求的智能终端软硬件体系架构，设计实时可靠、具有系统容错和「跛行」能力的自动驾驶汽车AI终端，提出实时可靠、任务自适应的智能终端专用系统软件，实现AI算法的系统集成验证与实车应用。需突破的关键技术包括实时可靠的自动驾驶AI终端硬件架构、可靠自适应的自动驾驶AI终端软件架构和自动驾驶智能终端的AI技术集成应用等。
1）自动驾驶AI终端硬件架构
自动驾驶汽车AI终端是一个集环境感知、规划决策、控制执行等多项功能于一体的综合智能系统。根据自动驾驶系统在典型应用场景中针对环境感知、规划决策以及执行控制等业务模块体现出的不同任务分工、工作模式及通信互联方式，研究自动驾驶AI终端的系统可靠性设计及模块化设计方法，重点研究基于GPU和MCU的异构多核硬件系统架构和基于以太网的高速互联通信架构。
2）自动驾驶AI终端软件架构
自动驾驶车端系统集成了多个软件功能模块（环境感知、规划决策、执行控制、导航、定位、交通信号监测等）和多个硬件执行单元（计算单元、控制单元、传感器等），研究：
基于AI的感知、规划、执行等功能性应用软件系统架构与层次化、模块化的设计方法；基于任务自适应的系统软件和应用软件最优构架；确保合理分配和调度包括GPU、CPU、内存、总线和通信接口等在内的软硬件资源，提供系统自我修复能力、模块资源隔离能力、计算与内存资源分配能力、优先级执行能力，以及模块间有效通信能力等。3）自动驾驶AI终端的技术集成应用
自动驾驶系统作为一个典型的物理信息融合系统，必须通过AI方法的综合运用才能实现进行数据信息和知识信息的综合集成。
针对自动驾驶智能终端的有限软硬件资源，构建面向自动驾驶智能终端的AI操作系统，使自动驾驶的感知融合、决策控制等任务能够实时执行。AI操作系统除具有通用操作系统的所有功能，还应包括语音识别、机器视觉、执行器系统和认知行为系统，可分为基础设施层、技术研发层和集成应用层。基于AI的自动驾驶智能终端目前已得到业界的普遍重视，大量AI技术正以惊人的速度应用在自动驾驶汽车领域。
然而，目前仍面临的一些问题亟待解决：
如AI算法需要大量标记的样本库进行自学习，且内在机理不清晰、边界条件不确定；AI技术应用范围受限于车载芯片及传感器的处理能力等。因此，注重传感器与汽车产业同步升级，藉此提高数据采集质量，使数据融合在硬件层面有解决方案；最大限度发挥AI技术在限定场景下的应用，如封闭/半封闭区域、低速/高速状态、有轨交通、特种车辆等。
2.2基于大数据分析的自动驾驶云端系统
在云计算平台的强计算能力保障下，面向多车型、多场景以及个性化驾驶的需求，分析自动驾驶汽车系统中AI关于数据质量与访问效率的要求，
研究面向AI的云计算平台数据空间构建技术，实现车云两端多类型、多领域数据的归一化；研究自动驾驶汽车系统中的车云两端信息数据交互协同技术，构建信息数据交互协同框架，解决车云两端信息数据的无缝对接问题，完成车端的信息数据订阅与云端的信息数据分发。在此基础上，研究在不同车型、不同驾驶风格下适应多场景的AI算法适配问题，使自动驾驶汽车在感知、决策与执行3个层次均呈现较深的智能化，进而实现自动驾驶汽车整体智能的提升。
1）云端数据空间构建技术
为降低在多场景、多车型与个性驾驶等背景下的自动驾驶系统中AI数据处理和信息服务的复杂性，分析信息数据的分布、异构、时变、海量的数据特征，
研究基于信息数据源的元数据描述方法、元数据的冲突消减技术以及元数据的发布发现技术，实现元数据集的构建与管理；研究信息数据空间的组织结构与建模技术，构建信息数据空间的对象关联集；研究基于元数据实体对象的索引和检索技术，实现基于元数据的异构信息数据源的发布与发现能力。2）车云协同技术
在不同的行车工况与应用场景中，无论是自动驾驶的在线AI学习训练，还是离线的交互信息准备，为实施精准的行车环境感知、智慧的通行决策与优化的行车动作控制，车端与云端之间均需要进行大量的信息数据交互与协同。
基于AI的自动驾驶系统车云协同技术需主要解决信息数据在车端与云平台之间的统一有效传递问题。车身传感器节点的采样数据包括数值型数据（如GPS/INS数据、毫米波雷达数据）和多媒体数据（如摄像头图像），将这些传感器数据按一定频率传输到云端数据库，进行在线处理、离线处理、溯源处理和复杂数据分析。
文中提出的自动驾驶系统包括车端与云端两部分智能子系统，云端系统不仅能够存储海量的传感器实时采集数据，还可以存储采集历史数据，同时借助云计算完成这些海量数据的存储、传输、分析处理，基于AI集成应用算法的智能驾驶控制模型，为车辆决策提供可靠、高效的协同控制方案。
3）云平台AI算法应用技术
云平台AI算法应用是自动驾驶云端系统的核心部分，它结合机器学习、数据挖掘等相关技术，对感知融合信息进行分析，为车辆控制规划提供决策依据。车载嵌入式硬件平台因计算、存储能力有限，无法满足AI模型的训练需求。自动驾驶云平台AI算法应用技术，利用虚拟化技术及网络技术整合大规模可扩展的计算、存储、数据、应用等分布式计算资源完成AI模型算法的学习训练，能实现在云端训练AI模型，通过车云协同技术将其部署到嵌入式平台，使AI算法在车端自动驾驶系统上得到深度应用。
可以预见，自动驾驶云端系统未来面临的主要问题集中在超大规模的数据存储、数据加密和安全性保证以及提高I/O速率等方面；在技术落地上也面临供应商协作及运营收费政策的限制。
因此，考虑充分利用现有创新资源和载体，融通各类企业级平台及政府监管平台数据，转变通信系统和发布系统的封闭现状，采用云计算模式构建交通服务体系，对于一些中小城市而言只需要租用相应的服务即可，有利于自动驾驶云端系统的普及。同时由政府引导，对云平台技术规范及数据元格式等核心草案进行编制与推广，从而引导自动驾驶云端系统应用的示范，推广及可持续发展。
3.结论
文中分析了自动驾驶技术的发展现状，以及AI在自动驾驶技术中的应用发展趋势与面临的挑战。在此基础上，提出了一个基于AI的车云协同自动驾驶系统，阐述了系统组成及其关键技术。
文中提出AI深度应用于自动驾驶领域需重点解决自动驾驶车载终端的AI深度集成、自动驾驶系统车云计算平台数据归一化、车云信息数据交互协同、车云AI算法多车型多场景及个性驾驶适配等关键技术。
针对多车型多场景的应用工况，指出需研究自动驾驶汽车嵌入式智能控制器软硬件协同设计技术；针对车载自动驾驶系统本地存储和计算能力有限的问题，提出以云计算作为车端能力的扩展，解决AI算法模型学习训练所必需的大数据存储空间和HPC能力的问题；针对车云两端的交互问题，提出通过车云协同方法将云端上训练的AI模型部署到车端进行执行，完成感知融合、规划决策等自动驾驶任务。最终基于车端和云端软硬件架构形成一套完整的车云协同一体自动驾驶系统。
参考文献
[1]工信部.汽车中长期发展规划[EB/OL].（2017-04-2）[2017-12-22].http：//www.stdaily.com/index/h1t1/2017-04/25/content_537637.shtml
[2]杨帆.无人驾驶汽车的发展现状和展望[J].上海汽车，2014（3）：35-40
[3]客车联盟网.十年内，中国公交客车智能化装备率要达到70%[EB/OL].（2015-11-09）[2017-12-22]
http：//www.autoinfo.org.cn/autoinfo_cn/content/xwzx/20151109/1460968.html
[4]陈虹，郭露露，边宁.对汽车智能化进程及其关键技术的思考[J].科技导报，2017，35（11）：52-59
[5]端木庆玲，阮界望，马钧.无人驾驶汽车的先进技术与发展[J].农业装备与车辆工程，2014，52（3）：30-33
[6]张润，王永滨.机器学习及其算法和发展研究[J].中国传媒大学学报（自然科学版），2016，23（2）：10-18
[7]王世峰，戴祥，徐宁，等.无人驾驶汽车环境感知技术综述[J].长春理工大学学报（自然科学版），2017，40（1）：1-6
[8]李克强，戴一凡，李升波，等.智能网联汽车（ICV）技术的发展现状及趋势[J].汽车安全与节能学报，2017，8（1）：1-14
[9]赵福全，刘宗巍.中国发展智能汽车的战略价值与优劣势分析[J].现代经济探讨，2016（4）：49-53返回搜狐，查看更多
人工智能在无人驾驶中的应用
引用自：人工智能在自动驾驶领域的应用及启示吴琦，于海靖，谢勇，刘贝
1引言 人们越来越期望通过无人系统代替人类进行一些活动。小到帮助人们自动清扫地面的扫地机器人，大到协助有人机进行战场态势感知协同作战的无人机，无人系统已经渗透到人类活动的方方面面。无人车作为其中之一，其市场需求非常广泛，从战场作战、港口货运到乘用车驾驶林林总总。近年来随着需求的推动，自动驾驶汽车领域取得很多技术突破，同时吸引更多投资以及科技力量的投入其中，使其成为一个朝气蓬勃的新兴技术领域［1-3］。
自动驾驶是通过自动驾驶系统，部分或完全的代替人类驾驶员，安全地驾驶汽车。汽车自动驾驶系统是一个涵盖了多个功能模块和多种技术的复杂软硬件结合的系统。在机器学习、大数据和人工智能技术大规模崛起之前，自动驾驶系统和其他的机器人系统类似，整体解决方案基本依赖于传统的优化技术。随着人工智能和机器学习在计算机视觉、自然语言处理以及智能决策领域获得重大突破，学术和工业界也逐步开始在无人车系统的各个模块中进行基于人工智能和机器学习的探索［4-6］，目前已取得部分成果。而自动驾驶系统作为代替人类驾驶的解决方案，其设计思路和解决方法背后都蕴含了很多对人类驾驶习惯和行为的理解。现在，自动驾驶已经成为人工智能最具前景的应用之一。
2自动驾驶硬件系统架构 自动驾驶系统一般是在传统汽车上进行加装来构建整个系统。下面引用通用汽车公司的Cruise自动驾驶汽车的硬件系统架构［7］（图1）进行介绍，其他公司方案类似［8-9］。从图1中可以清晰地看出，自动驾驶硬件系统主要包含五部分：感知模块、自动驾驶计算机、供电模块、信号通信模块、执行和制动模块。
2.1感知模块 无人车的感知模块非常完备，是传统车辆所没有的。这部分主要代替有人驾驶汽车的驾驶员的眼睛和“车感”。通常由摄像头、激光雷达、毫米波雷达和GNSS/IMU组成。
摄像头主要用于获取图像信息，用于识别行人、车、树、红绿灯、信号牌，进行定位等。
激光雷达用于获取激光扫描反射数据，用于识别行人、车、树等障碍物，进行定位等。其三维测距原理是通过测量激光信号的时间差、相位差确定距离，通过水平旋转扫描测角度，并根据这两个数据建立二维的极坐标系，再通过获取不同俯仰角度的信号获得第三维的高度信息。图2为激光获取的数据信息经过识别分类标注不同颜色处理后得到的图。
毫米波雷达获取反射数据，主要用于识别障碍物，测距，在传统汽车上安装用于辅助避障。GNSS/IMU组合用于实时获取全局位置信息。在感知模块中，最重要的当属激光雷达，因为它精度高，可靠性高，满足了自动驾驶高精度定位、识别等功能，可以说直接加速了自动驾驶技术的工程应用。
2.2自动驾驶计算机 自动驾驶计算机顾名思义是进行自动驾驶相关的计算处理，一般主要包含五部分：CPU、GPU、超大内存、超大硬盘存储空间和丰富的硬件接口。
其中，CPU根据其性能特点用于处理含有逻辑判断、流程等控制、规划功能软件；GPU根据其性能特点用于获取传感器数据，进行大量同类型数据计算，例如识别、分类处理，执行感知、定位功能软件；超大内存用于大量数据处理、加载高精度地图；超大硬盘存储空间用于存储高精度地图；丰富的硬件接口，例如串口、CAN、以太网、USB等，用于多种传感器连接。
2.3执行与制动模块 执行与制动系统也在随着自动驾驶技术向前发展。执行系统接收自动驾驶控制模块操作车辆的执行指令，控制车辆动力（油门和档位）、底盘（转向和制动）和电子电器等系统的执行，实现自动驾驶的速度和方向控制。而传统的汽车底盘制动系统是液压、气压制动，为了实现车身结构的稳定并将智能驾驶功能延伸，线控制动将是汽车制动技术的长期发展趋势，线控制动可以深度融合智能驾驶功能模块。这类似于航空领域飞行操纵系统由液压逐步转换为电传操纵系统的过程。
3自动驾驶软件系统架构 如果说自动驾驶硬件系统是在传统车辆上进行了加装升级，那么软件系统可谓是全新的。自动驾驶软件按功能主要分四个模块：定位、感知、规划、控制。其中定位模块被普遍认为是基础，各模块包含内容见图3。
其中，定位解算离不开高精度地图的辅助，基于定位信息可以开展环境感知、路径规划驾驶行为决策以及汽车运动控制等内容，而路径规划、行为决策以及运动控制又是三个逐渐具体化、底层化的问题，前一个输出可以作为后一个的输入条件来使用。也就是说控制模块可以将决策规划的动作作为输入，计算应该执行的转弯角和油门。
4定位与感知4.1定位 为满足汽车驾驶需求，目前自动驾驶定位精度需求为10cm左右，如此高精度的定位系统采用的定位方案一般是多传感器以及高精度地图融合的方式，具体为GNSS、IMU、激光雷达、相机、高精度地图融合。其中卫星导航系统（GlobalNavigationSatelliteSystem，GNSS）主要提供粗略的绝对位置（经纬度），然后根据采集自身所在环境的激光雷达数据和相机数据与高精度地图匹配得到更精确的定位。IMU（InertialMeasurementUnit）惯性器件提供状态估计算法中状态方程（预测）中的加速度、角速度。
百度无人车团队［10］采用的定位方案框图见图4。这是目前比较常见且有效的定位算法架构。定位算法的精妙之处在于，一些微小的处理与改变也能引起较大的精度差距。所以，不断有学者在定位算法上深耕突破。
4.2高精度地图 在定位方案中，高精度地图起了举足轻重的作用［11］。高精度地图（HDMap）是通过高精度激光雷达、相机、GNSS等传感器获取道路信息数据。传感器数量越多、信息覆盖越全面、精度越高，高精度地图就越精确。在自动驾驶使用时，可将其表示为计算机语言的形式存储在自动驾驶计算机的硬盘当中。驾驶过程中通过实时与高精度地图比对来获得高精度定位。
高精度地图需事先建立，一辆建立高精度地图外业车造价高达800万人民币，多数开销在传感器系统上。由于采集的数据庞大，必须通过人工智能算法进行数据处理。高精度地图主要包含：车道经纬度、车道宽、曲率、高程；车道交叉口位置、宽度、曲率、道口数；标牌位置以及含义；信号灯位置等。高精度地图的建立过程中存在大量的分类问题，计算机视觉领域采用卷积神经网络（ConvolutionNeuralNetwork，CNN）使问题得到很好的解决。
卷积神经网络由一个或多个卷积层和全连接层（对应经典的神经网络，可有可无）组成，卷积层执行的计算包含卷积操作和池化操作。卷积计算是通过不同窗口数据和滤波矩阵（一组固定的权重）做内积（逐个元素相乘再求和）的操作得到卷积后的数据；池化计算将数据分块，每块找最大或求平均作为数据块的代表值。具体操作示意图见图6。
卷积神经网络算法还有一个特点是权值共享，对于一幅图片上每个点，在某一层的卷积操作权值是相同的，卷积神经网络训练的参数转化为训练滤波矩阵（卷积核），参数大大减少。卷积神经网络就是通过多个卷积层得到不同方向上的几何信息特征，通过提取这些特征，得到输入数据的相关性，通过考虑这些相关性减少训练复杂度，该方法在图像和语音处理上具有很好的应用。
4.3感知在线进行环境感知的方法类似高精度地图的构建过程，对采集的数据进行在线实时识别、分类，区别在于输入数据是动态的，具有新的挑战。
5规划与控制5.1规划规划问题是根据感知的动态环境与对运动体的预测情况进行运动序列决策［12］。这个决策问题在复杂环境下非常复杂，可以设想通过一个极其复杂的路口对规划问题的考验，是体现自动驾驶智能程度的关键问题。传统A*、Dijkstra等路径规划算法可实现车辆保守的驾驶，但复杂动态环境不适用，时间复杂度高，而强化学习是解决序列决策问题的好方法，目前在解决自动驾驶规划问题上有很好的仿真验证。
强化学习是与监督学习、无监督学习平级的机器学习的一个分支，来源于动物学习心理学，最早可追溯到巴普洛夫的条件反射试验，通过反馈获得成效的评价来不断提高学习效果。
强化学习问题的基本结构是交互［13］，一个智能体处于一个环境中，在每一个时间，智能体做出一个动作（a），然后从环境中获得观测量（状态量s）以及回报（收益r），强化学习的学习目标是：如何在未知环境中采取一系列行为，来最大化智能体收到的（总）累积回报（收益）。这个交互过程在一个时间段内状态、动作、回报的迭代关系如图7所示。强化学习具有以下特点：本质上是闭环系统，输入和输出相互依赖；反馈是延时的，不是即时的，一个动作的影响可能几步之后才会体现；没有直接的指导告诉该怎么做，只有回报函数；时间很关键，观测量、回报等是关于时间的序列，不满足独立同分布假设；智能体的动作直接影响到它之后收到的数据。
基于以上特点，假设环境状态的集合是S，动作集合是A，强化学习有四个要素：
策略（π）：从环境状态到动作的映射学习，这个映射叫做策略，记为π：S→A。回报（R）：*由状态和动作产生的影响的量化表示，记作R：S×A→R。价值函数：由未来h步回报组成，最大化价值函数的策略π成为强化学习目标。模型：模型已知（白箱）：系统转移到下一步状态S’的概率G已知，动作a产生的回报r已知；模型未知（黑箱）：系统转移到下一步状态S’的概率P未知，动作a产生的回报r未知，大部分场景模型都是未知的。强化学习理论比较深奥，入门门槛较高。强化学习解决问题实施方法是离线训练学习（试错）+在线推断决策。由于神经网络擅长人类很容易完成但是很难去给出规范（解析）的描述，所以在机器学习领域广泛使用，将学习到的策略用神经网络作为函数近似器（神经网络可以认为是一种非线性拟合）的强化学习方法，称为深度强化学习［14-15］。深度强化学习被认为是走向通用人工智能的必经之路［16］。目前，采用深度强化学习解决自动驾驶的路径规划问题的理论研究和仿真试验表明其卓有成效［17］。
5.2控制 控制的任务是消化上层动作规划模块的输出轨迹点，通过一系列动力学计算转换成对车辆油门、刹车以及方向盘控制信号，从而尽可能地控制车去实际执行这些轨迹点。该问题一般转化为找到满足车辆动态姿态限制的方向盘转角控制（车辆横向控制），和行驶速度控制（车辆纵向控制）。对这些状态量的控制可以使用经典的PID控制算法，但其对模型依赖性较强，误差较大。智能控制算法，如模糊控制、神经网络控制等，在无人车控制中也得到广泛研究和应用。其中，神经网络控制利用神经网络，把控制问题看成模式识别问题，被识别的模式映射成“行为”信号的“变化”信号。甚至可以用驾驶员操纵过程的数据训练控制器获取控制算法。
参考文献［1］陈晓博.发展自动驾驶汽车的挑战和前景展望［J］.综合运输，2016（11）：9-13.［2］余阿东，陈睿炜.汽车自动驾驶技术研究［J］.汽车实用技术，2017（2）：124-125.［3］朱敏慧.逐步实现自动驾驶5个层级［J］.汽车与配件，2016（11）：4.［4］高洪波，张新钰，张天雷，等.基于云模型的智能驾驶车辆变粒度测评研究［J］.电子学报，2016，44（2）：365-373.［5］郭旭.人工智能视角下的无人驾驶技术分析与展望［J］.电子世界，2017（20）：64-65.［6］王科俊，赵彦东，邢向磊.深度学习在无人驾驶汽车领域应用的研究进展［J］.智能系统学报，2018，13（1）：55-69.［7］2018Self-drivingsafetyreport［R］.GeneralMotorsCooperation，February2018.［8］Ontheroadtofullyself-driving-modelingthefuturechallenge［R］.WaymoSafetyReport，October2017.［9］Apollopilotsafetyreport2018［R］.July，2018.［10］WanG，YangX，CaiR，etal.Robustandprecisevehiclelocalizationbasedonmulti-sensorfusionindiversecityscenes［C］.2018IEEEInternationalConferenceonRoboticsandAutomation（ICRA），Brisbane，QLD，2018.［11］SeifHG，胡晓龙.智能城市中自动驾驶汽车工业的关键挑战:高清地图［J］.Engineering，2016（02）:27-35.［12］薛建儒，李庚欣.无人车的场景理解与自主运动［J］.无人系统技术，2018,1（2）:24-33.［13］LillicrapTP，HuntJJ，PritzelA，etal.Continuouscontrolwithdeepreinforcementlearning［J］.ComputerScience，2015，8（6）:A187.［14］VanHH，GuezA，SilverD.Deepreinforcementlearningwithdoubleq-learning［J］.ComputerScience，2015.［15］刘全，翟建伟，章宗长，等.深度强化学习综述［J］.计算机学报，2018，41（1）：1-27.［16］赵冬斌，邵坤，朱圆恒，等.深度强化学习综述：兼论计算机围棋的发展［J］.控制理论与应用，2016，33（6）：701-717.［17］ScottP，HansA，XinxinD，etal.Perception，planning，control，andcoordinationforautonomousvehicles［J］.Machines，2017，5（1）.
人工智能都在哪些领域有所应用
AI中国网https://www.cnaiplus.com
随着社会的发展人工智能已经逐渐走进并融入我们的生活，且应用在各个行业领域，AI不仅给许多行业带来了巨大的经济效益，同时也为我们的生活带来了许多改变和便利。现如今，人工智能都在哪些领域有所应用？今天我们就来了解下。
一、无人驾驶汽车
相信大家都不陌生，无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内以计算机系统为主的智能驾驶控制器来实现无人驾驶。无人驾驶中涉及的技术却包含很多，例如：计算机视觉、自动控制技术等，这些技术的组成才形成了一套完整的无人驾驶。
随着近年来，人工智能浪潮的兴起，无人驾驶再次成为人们热议的话题，国内外许多公司都纷纷投入到自动驾驶和无人驾驶的研究中。例如，Google的GoogleX实验室正在积极研发无人驾驶汽车GoogleDriverlessCar，百度也已启动了“百度无人驾驶汽车”研发计划，其自主研发的无人驾驶汽车Apollo还曾亮相央视春晚。
但由于人们发现无人驾驶的复杂程度远超几年前所预期的，要真正让无人驾驶实现商业化还有很长的路要走。
二、人脸识别
这项技术已经走进了大多人家里，人脸识别也称人像识别、面部识别，主要是基于人的脸部特征信息进行身份识别的一种生物识别技术。现阶段人脸识别涉及的技术主要包括计算机视觉、图像处理等。
目前，人脸识别技术已广泛应用于多个领域，如金融、司法、公安、边检、航天、电力、教育、医疗等。随着人脸识别技术的进一步成熟和社会认同度的提高，其将应用在更多领域，给人们的生活习惯带来更多改变。
三、机器翻译
机器翻译其实算是计算语言学的一个分支，它是利用计算机将一种自然语言转换为另一种自然语言的过程，机器翻译用到的技术主要是神经机器翻译技术（NeuralMachineTranslation，NMT）。目前，该技术当前在很多语言上的表现已经超过了人类。
四、声纹识别
其实，生物的特征识别技术包括很多种，除了人脸识别，目前用得比较多的有声纹识别，声纹识别是一种生物鉴权技术，也称为说话人识别，包括说话人辨认和说话人确认。
声纹识别的工作过程为，系统采集说话人的声纹信息并将其录入数据库，当说话人再次说话时，系统会采集这段声纹信息并自动与数据库中已有的声纹信息做对比，从而识别出说话人的身份。
相比于传统的身份识别方法（如钥匙、证件），声纹识别具有抗遗忘、可远程的鉴权特点，在现有算法优化和随机密码的技术手段下，声纹也能有效防录音、防合成，因此安全性高、响应迅速且识别精准。
目前，声纹识别技术有声纹核身、声纹锁和黑名单声纹库等多项应用案例，可广泛应用于金融、安防、智能家居等领域，落地场景丰富。如：支付宝、微信就运用了该项技术登录自己的账号。
五、智能客服机器人
智能客服机器人在生活中也越来越常见了，它是一种利用机器模拟人类行为的人工智能实体形态，它能够实现语音识别和自然语义理解，具有业务推理、话术应答等能力。
当用户访问网站并发出会话时，智能客服机器人会根据系统获取的访客地址、IP和访问路径等，快速分析用户意图，回复用户的真实需求。同时，智能客服机器人拥有海量的行业背景知识库，能对用户咨询的常规问题进行标准回复，提高应答准确率。如对大多数电商企业来说，用户所咨询的售前问题普遍围绕价格、优惠、货品来源渠道等主题，如果在该场景运用智能客服机器人，这样可以减少人工客服每天都会对这几类重复性的问题进行回答，从而提高在更多复杂问题的客户群体中及时提供服务。
智能客服机器人还能为用户提供全天候的咨询应答、解决问题的服务，它的广泛应用也大大降低了企业的人工客服成本。
六、智能外呼机器人
智能外呼机器人是人工智能在语音识别方面的典型应用，它能够自动发起电话外呼，以语音合成的自然人声形式，主动向用户群体介绍产品。
在外呼期间，它可以利用语音识别和自然语言处理技术获取客户意图，而后采用针对性话术与用户进行多轮交互会话，最后对用户进行目标分类，并自动记录每通电话的关键点，以成功完成外呼工作。
七、智能音箱
相信大家对智能音箱也不会陌生，属于语音识别、自然语言处理等人工智能技术的电子产品类应用与载体，究其本质，智能音箱就是能完成对话环节的拥有语音交互能力的机器。通过与它直接对话，家庭消费者能够完成自助点歌、控制家居设备和唤起生活服务等操作，这类设备相信很多人家里已经拥有。
八、个性化推荐
个性化推荐也是生活中常见的一项应用，是一种基于聚类与协同过滤技术的人工智能应用，它建立在海量数据挖掘的基础上，通过分析用户的历史行为建立推荐模型，主动给用户提供匹配他们的需求与兴趣的信息，如商品推荐、新闻推荐等。
个性化推荐系统已经广泛存在于各类网站和App中，本质上，它会根据用户的浏览信息、用户基本信息和对物品或内容的偏好程度等多因素进行考量，依托推荐引擎算法进行指标分类，将与用户目标因素一致的信息内容进行聚类，经过协同过滤算法，实现精确的个性化推荐。
九、医学图像处理
医学图像处理是目前人工智能在医疗领域的典型应用，它的处理对象是由各种不同成像机理，如在临床医学中广泛使用的核磁共振成像、超声成像等生成的医学影像。
要知道传统的医学影像诊断，主要通过观察二维切片图去发现病变体，这往往需要依靠医生的经验来判断。而利用计算机图像处理技术，可以对医学影像进行图像分割、特征提娶定量分析和对比分析等工作，进而完成病灶识别与标注，针对肿瘤放疗环节的影像的靶区自动勾画，以及手术环节的三维影像重建。
十、图像搜索
要知道，在早期我们是是无法进行图片搜索的，要知道图像搜索分为基于文本的和基于内容的两类搜索方式。传统的图像搜索只识别图像本身的颜色、纹理等要素，因为当时程序技术还无法支持识别图片内容，随着AI的发展，图像搜索在近几年用户需求日益旺盛的信息检索类应用，基于AI深度学习的图像搜索，已经逐渐提升了该项技术，用户利用图像匹配搜索以顺利查找到相同或相似目标物的需求，如搜索同款、相似物比对等。
AI中国网https://www.cnaiplus.com
本文网址：
人工智能在轨道交通领域的应用
2019-09-0511:53:22
随着科技的发展，人工智能技术在全球飞速发展，越来越多的领域也开始了人工智能的运用。人们交通出行方面，如轨道交通和无人驾驶方面也与人工智能逐渐相匹配融合，通过云计算、大数据、深度学习、自然语言、生物读取等多种人工智能技术，未来在轨道交通方面运用也将越来越多。
一、更智能更便捷的入站方式
人工智能运用，可以实现对站内流量的预估，可以根据高峰时段进行可变化闸机开放模式，以达到效率最高的控客模式。也可以在进站方式选择上，进行多元化的出处理，客户可以在进站口进行二维码、APP、人脸识别、语音等方式进行支付。
无论是地铁支付收费系统还是整个闸机及地铁站内的数据统计，将可实现预估站内流量，也同时可根据高峰时段进行可变化闸机开放模式，做到最优效率的客控模式。同时在进站方式的选择上，多样化的选择方式越来越普遍，无论是传统现金支付，亦是二维码、互联网、积分、电子票或通过人脸，语音，生物识别等各方式途径支付，更低成本更便捷高效的支付方式或最终脱颖而出，但多样化的支付模式已经逐步走进我们的生活。
二、更多元化的地铁站服务
作为客流散集中心，地铁站的重要性不言而喻。地铁站又分为换乘站和一般站，作为轨交行业的客流集散中心，地铁站的重要性不言而喻。而目前我国大部分地铁站的附加值依旧相对较小，通过AI赋能地铁站不仅能推算出各个地铁站各适合开设的商铺，提供的服务，也可根据历史客流量推算各个地铁站的对应时间段拥挤度等相关数据，乘客出行更加便捷。
三、更高效更舒适的乘车体验
在我国地铁车现阶段中，车厢里出现最多的就是广告，近乎还是一成不变的拉手，座椅及相关广告版，在不久的将来，人工智能的大数据及相应深度学习技术，实施预报查询各线路列车客流情况及近期情况，在将来，人工智能的大数据会给客户带来出行参考、媒体资讯、列车时间信息等，或者还会给大家带来更多地铁车厢内的共享经济，使旅途不再枯燥乏味。
四、更精确精细化更可靠的调度
在未来，人工智能列控系统，智能化集中协调统一管理线网。同时也能进一步提高城市管理的自动化程度，可通过开放数据平台访问按需服务，同时与共享汽车、单车、出租、公交等交通终端并网，可查询实施信息及重大事件。
列车传统控制和管理向智能化转型，后台能够模拟人的行为来实施对列车和列车群的管理。前者为智能列车，通过车载电脑来控制列车辅助和自动驾驶，而后者通过调度中心智能工作站对列车进行控制完成行车计划、运营管理和信息服务等功能。
在未来，随着人工智能不断的进步和完善，轨道交通和各种新兴技术的结合带人们的便利远不止这些，大量的轨交数据，能为城市的发展带来巨大的作用，如学校规划，商圈布局，住宅区的选址提出更多有价值的建议。