三大阻礙 專家解讀自動駕駛為何難實現

　　[汽車之家 行業]  人工智能（AI）時代已經來臨，這項技術其實從90年代開始就不斷走向成熟�，F如今，阿爾法狗（AlphaGo）又輕松擊敗了人類最強圍棋大腦，頂尖電競團隊打Dota也敗給了AI，并且永遠不可能再翻盤。自動駕駛可以說是人工智能應用最大、最典型的場景，然而為何自動駕駛汽車的發展卻一波三折。

『清華大學車輛與運載學院長聘副教授李升波』

　　日前，在第六屆國際智能網聯汽車技術年會（CICV 2019）上，清華大學車輛與運載學院長聘副教授李升波稱，一個AI算法應用在手機上其實是比較容易實現的，但是應用在汽車上，一旦把安全性、節能性、流暢性以及舒適性等要求加上去，這個挑戰就已經是成倍的增長了。

　　自動駕駛汽車的現實如何，又面臨哪些實際問題呢？李升波從自動駕駛汽車“感知”、“決策”和“執行”三個層面剖析了自動駕駛發展所面臨的挑戰。

　　感知層的挑戰

　　感知層，其實是要解決汽車“我在哪里”的問題。目前，一般采用攝像頭、毫米波雷達、激光雷達、GPS、IMU（慣性測量單元）等來實現。攝像頭是當前應用人工智能算法的核心零部件，攝像頭主要有四大任務：圖像分類、目標的定位、目標的檢測和語義分割。

　　李升波稱，目前所采用的主流方法是深度學習神經網絡來完成上述任務，理論上沒有問題，但在實際應用中問題比較大。一方面，當汽車需要去識別更多的車輛、行人、自行車以及道路標志等目標的時候，無論是人工智能的訓練深度還是推斷能力都有所欠缺。例如，神經網絡需要大量的數據標注，1500萬張圖片需要5萬多名工程師耗費2年時間才能完成，但這才標注了20多種類型，而道路環境需求卻遠超這個數據。這還不包括激光雷達、毫米波雷達等傳感器所需要標注的數據，況且除了數據標注工作外，還要加上安全性和準確性等方面的要求。

　　此外，實際駕駛場景中還有惡意樣本的欺騙性。李升波舉例稱，原來是熊貓的樣本圖片中加入百分之一的“噪聲”，系統就將其識別成了金絲猴。而這樣的“噪聲”干擾在現實中太多了，神經網絡在對抗惡意樣本的時候能力會變得非常脆弱。

　　決策層的挑戰

　　決策，在狹義上其實是指自動駕駛的“大腦”根據汽車“看到”的環境信息，給出汽車的駕駛策略。目前，在園區等簡單的封閉場景下，自動駕駛系統決策比較“完美”，但在城市工況下卻不盡然。

　　李升波例舉了一個頗具現實意味的例子，檢驗自動駕駛汽車決策是否完美最直接的方式就是，“讓一輛自動駕駛汽車從清華大學校門口跑到五道口，如果不出問題，那就算過關了，這是最好的測試場景�！�

　　不過，自動駕駛汽車在現實中很難通過十字路口，這就需要更加先進的人工智能決策和控制系統。李升波稱，現今在“干凈”的場景下做決策沒問題，但是像中國道路狀況的復雜性就太高了，行人的隨機性太強，還有碰瓷的問題又該如何解決呢。

　　另外一類是跟駕駛員相關，98%的駕駛員在駕車時其駕駛行為集中在4種模式：急行、超車、跟車、換道。但從研究的角度來說，駕駛行為有幾百種，雖然前面4種駕駛模式覆蓋了所有駕駛行為的98%，但剩下的2%卻同樣跟安全密切相關。李升波稱，人在駕駛時是不斷改進的，但當前決策模塊卻達不到這樣的水平�？梢钥闯�，人工智能還需要不斷進化才能應用在汽車領域。

　　執行層的挑戰

　　排在感知、決策之后，就是執行的問題，也就是汽車的運動問題。狹義上來說，自動駕駛汽車需要解決方向盤（轉向）、油門/剎車（制動）兩個問題，能夠實現縱向和橫向的同時控制，這也就基本達到了L3級自動駕駛（L3與L2最根本的區別在于L3實現了縱向和橫向的控制）。

　　不過，李升波同樣認為當前汽車運動也不“完美”。一方面是，傳感器有“噪聲”、執行器有誤差、變速車輪非線形。在普通的路況較好的道路上運動控制是沒有問題的，但是在極限狀態下還達不到。

　　另外，如果自動駕駛要實現商業化，卡車編隊控制是一個重要的商業化應用場景。而在卡車編隊中，有時候為了節能需要把卡車間的距離控制在4-5米，而這種精度的運動控制已經上升了一個量級。（文/汽車之家 鮑彬斌）

查看同類文章：

智能網聯

論壇峰會

更多精彩內容：

以舊換新

整車

汽車之家行業-大數據 全領域 新視點