人工智慧如何幫助自動駕駛「鋪平道路」
人工智慧將使車輛能夠管理、理解並快速響應來自數百個不同感測器的實際數據輸入，但這需要一些時間。
整個行業正在改變，以達到更高級別的自主駕駛能力。儘管如此，挑戰還是很多，從純技術到監管和保險相關的主題，一直到衍生行為和決策的道德考量。
然而，由汽車工程師協會定義的4級和/或5級自主駕駛能力的好處也很多，特別是在減少事故和應急機動方面。這意味著駕駛體驗的每一個方面都將發生變化，設計師將走在最前沿，因為他們現在希望整合人工智慧（AI）功能，以儘可能安全地實現最高水平的自動化。
自動駕駛汽車面臨的技術挑戰，如面向高性能無線網路和低延遲雲基礎設施的汽車，可通過推進最先進的眾所周知的設計實踐和技術來解決。然而，基於自主車輛的預見複雜性，人工智慧系統不僅是一個很有前途的元素，它可以在短時間內處理人腦有意識或潛意識地處理大量數據，場景和現實世界的決策。並在操作車輛時高精度地做出所有這些決定。
現在的重點是正確識別，管理和控制來自各種感測器的實際輸入參數，這些感測器需要開發可用的實際操作環境和車輛狀態的實時反饋。這些感測器包括攝像頭，雷達，LiDAR，超聲波和其他信號源，如加速度計和陀螺儀。許多已經廣泛用於高級駕駛輔助系統（ADAS）。然而，這裡面臨的關鍵挑戰是定義和開發模型，以查找可用物理信號，現有或即將開發的AI場景，深度學習模型以及真實交通狀況下的真實世界決策影響之間的相關性。
技術構建塊作為輸入參數
直到最近，自主車輛的概念都建立在多種技術構建模塊上 - 包括上述感測器，以及超聲波，GPS和無線技術。首要的挑戰是要清楚地了解每種技術的實際功能和邊界，以及對整體自動駕駛系統的貢獻（圖1）。
1. 已經使用感測器來為配備ADAS的車輛繪製地形圖，但人工智慧將以這些模塊為基礎構建更安全，更便利和更高能源效率的模塊。
雖然雷達，其他光學和射頻技術等技術的測試方面也很好理解，並且已經在各行業應用了數十年，但考慮到複雜的自治系統，需要認真考慮新的測試挑戰。
像任何其他數據模型一樣，AI在很大程度上依賴於由信號質量，解析度考慮，更新節奏和延遲方面決定的輸入參數。例如，理解和優化解析度考慮對於正確確定和識別真實駕駛情況下的相應對象至關重要。
最重要的是，延遲和信號更新信息有兩個重要的原因。首先是獲得幾乎實時的決策模型。其次是確保正確的數據組合併相互關聯，從而推導出最佳的一組行動，以最終確定正確的決策。
AI數據處理和情景注意事項
由於基於各種感測器輸入的信息收集和數據處理本身就是一個挑戰，因此真正的挑戰是通過添加近乎實時的驅動場景以及幾乎無限數量的變數和非線性參數集以及複雜性開始。因此，在兩個或多個獨立數據源之間的時間相關性至關重要的情況下，需要在敏捷性和規模速度上捕獲和分析海量數據是需要做出明智決策的。
將這一切轉化為AI支持的自主駕駛系統的真實世界挑戰，這種海量數據處理的預期結果就是在儘可能短的時間內得出正確的答案，以確定避免交通事故的適當行動圖2）。
對於基於人工智慧系統的性能和質量的絕對優點尚未明確。基於時間相關性的抽象和逼近技術，如原始和處理數據集的網路拓撲中使用的時間同步環境，可以為使用自學習刺激/響應系統提供重要見解和結論。這與一些功能測試和邏輯關聯似乎是一種可以替代質量絕對度量的可管理方式。
2.技術減輕了駕駛員的負擔，改善了連接性並增加了安全性，但對於人工智慧而言，挑戰在於將所有數據和感測器輸入相關聯，並迅速做出安全行動決策。
顯然，自動駕駛場景會產生大量數據。當將其與通過迭代鼓勵數據發現的環境相結合時，AI系統的自學機制可以更快地移動，實驗更多，學習更快。
換句話說，大量的數據與實際場景和非線性參數組合使系統和應用程序能夠安全地失效並更快地學習。
同時，考慮到真實世界的駕駛場景和不斷變化的環境組件，這也會對驗證AI模型產生疑問。儘管使用自學系統，但輸入參數與輸出之間的相關性很難獲得，有時更難以解釋和證明。這將使我們回到更傳統的模擬以及模擬技術，這是目前唯一可行和可追蹤的方式來確定性地驗證AI測試場景的某些方面。
然而，這將會將有效的場景集合減少到有限的有效數量的特定目標參數，因為同時處理大量數據的好處是不可行的。在可預見的未來，它會讓我們面臨這樣的問題：場景的創建和模擬將在技術上提供更廣泛的測試場景。然而，驗證仍然是一個挑戰，特別是在一個錯誤結論可能以致命事件結束的環境中。
人工智慧和深度學習的作用
展望未來，深度學習有望成為開發人工智慧最常採用的方法，因為它可以學習和開發模擬真實世界場景的場景和演算法。這意味著人工智慧將為所需的技術構建模塊帶來技術進步，但如果端到端系統的測試和認證也是等式的一部分，它只會創造一個突破。當所有來自各種感測器的採集數據將用於在不斷變化的駕駛環境和交通狀況下制定正確的程序時，這一點將變得明顯。
為了真正實現4級和5級自動駕駛，該系統應能在所有天氣和駕駛條件下正常工作，這顯然是一個特定的要求。儘管如此，這是一個比有時提到並承認的更大的挑戰。
顯而易見，人工智慧及其相關的深度學習功能為將自主駕駛技術提升到下一級別提供了關鍵要素 - 特別是在替代方法不被認為更可靠或更實用的情況下。通過簡單地生成相應的代碼行來創建模型和場景顯然不是一件容易的事情，因為任何人工編碼軟體的缺陷率都會導致基於體積，複雜性和多樣性的方法失效。
另一方面，顯然數據質量，輸入參數和模型定義以及場景驗證任務是確保任何具有自學習功能的數據驅動的AI系統得到正確使用，質疑和驗證。這有利於在更複雜和更密集的交通環境中實現安全自動駕駛的總體目標。儘管將這些不同的難題有效地拼湊在一起並不容易解決。
Michael Reser負責管理Keysight Technologies汽車和能源解決方案業務部門的業務開發和投資組合管理功能。
TAG:芯媒介 |