人工智能如何帮助自动驾驶“铺平道路”

人工智能将使车辆能够管理、理解并快速响应来自数百个不同传感器的实际数据输入，但这需要一些时间。

整个行业正在改变，以达到更高级别的自主驾驶能力。尽管如此，挑战还是很多，从纯技术到监管和保险相关的主题，一直到衍生行为和决策的道德考量。

然而，由汽车工程师协会定义的4级和/或5级自主驾驶能力的好处也很多，特别是在减少事故和应急机动方面。这意味着驾驶体验的每一个方面都将发生变化，设计师将走在最前沿，因为他们现在希望整合人工智能（AI）功能，以尽可能安全地实现最高水平的自动化。

自动驾驶汽车面临的技术挑战，如面向高性能无线网络和低延迟云基础设施的汽车，可通过推进最先进的众所周知的设计实践和技术来解决。然而，基于自主车辆的预见复杂性，人工智能系统不仅是一个很有前途的元素，它可以在短时间内处理人脑有意识或潜意识地处理大量数据，场景和现实世界的决策。并在操作车辆时高精度地做出所有这些决定。

现在的重点是正确识别，管理和控制来自各种传感器的实际输入参数，这些传感器需要开发可用的实际操作环境和车辆状态的实时反馈。这些传感器包括摄像头，雷达，LiDAR，超声波和其他信号源，如加速度计和陀螺仪。许多已经广泛用于高级驾驶辅助系统（ADAS）。然而，这里面临的关键挑战是定义和开发模型，以查找可用物理信号，现有或即将开发的AI场景，深度学习模型以及真实交通状况下的真实世界决策影响之间的相关性。

技术构建块作为输入参数

直到最近，自主车辆的概念都建立在多种技术构建模块上 - 包括上述传感器，以及超声波，GPS和无线技术。首要的挑战是要清楚地了解每种技术的实际功能和边界，以及对整体自动驾驶系统的贡献（图1）。

1. 已经使用传感器来为配备ADAS的车辆绘制地形图，但人工智能将以这些模块为基础构建更安全，更便利和更高能源效率的模块。

虽然雷达，其他光学和射频技术等技术的测试方面也很好理解，并且已经在各行业应用了数十年，但考虑到复杂的自治系统，需要认真考虑新的测试挑战。

像任何其他数据模型一样，AI在很大程度上依赖于由信号质量，分辨率考虑，更新节奏和延迟方面决定的输入参数。例如，理解和优化分辨率考虑对于正确确定和识别真实驾驶情况下的相应对象至关重要。

最重要的是，延迟和信号更新信息有两个重要的原因。首先是获得几乎实时的决策模型。其次是确保正确的数据组合并相互关联，从而推导出最佳的一组行动，以最终确定正确的决策。

AI数据处理和情景注意事项

由于基于各种传感器输入的信息收集和数据处理本身就是一个挑战，因此真正的挑战是通过添加近乎实时的驱动场景以及几乎无限数量的变量和非线性参数集以及复杂性开始。因此，在两个或多个独立数据源之间的时间相关性至关重要的情况下，需要在敏捷性和规模速度上捕获和分析海量数据是需要做出明智决策的。

将这一切转化为AI支持的自主驾驶系统的真实世界挑战，这种海量数据处理的预期结果就是在尽可能短的时间内得出正确的答案，以确定避免交通事故的适当行动图2）。

对于基于人工智能系统的性能和质量的绝对优点尚未明确。基于时间相关性的抽象和逼近技术，如原始和处理数据集的网络拓扑中使用的时间同步环境，可以为使用自学习刺激/响应系统提供重要见解和结论。这与一些功能测试和逻辑关联似乎是一种可以替代质量绝对度量的可管理方式。

2.技术减轻了驾驶员的负担，改善了连接性并增加了安全性，但对于人工智能而言，挑战在于将所有数据和传感器输入相关联，并迅速做出安全行动决策。

显然，自动驾驶场景会产生大量数据。当将其与通过迭代鼓励数据发现的环境相结合时，AI系统的自学机制可以更快地移动，实验更多，学习更快。

换句话说，大量的数据与实际场景和非线性参数组合使系统和应用程序能够安全地失效并更快地学习。

同时，考虑到真实世界的驾驶场景和不断变化的环境组件，这也会对验证AI模型产生疑问。尽管使用自学系统，但输入参数与输出之间的相关性很难获得，有时更难以解释和证明。这将使我们回到更传统的模拟以及仿真技术，这是目前唯一可行和可追踪的方式来确定性地验证AI测试场景的某些方面。

然而，这将会将有效的场景集合减少到有限的有效数量的特定目标参数，因为同时处理大量数据的好处是不可行的。在可预见的未来，它会让我们面临这样的问题：场景的创建和模拟将在技术上提供更广泛的测试场景。然而，验证仍然是一个挑战，特别是在一个错误结论可能以致命事件结束的环境中。

人工智能和深度学习的作用

展望未来，深度学习有望成为开发人工智能最常采用的方法，因为它可以学习和开发模拟真实世界场景的场景和算法。这意味着人工智能将为所需的技术构建模块带来技术进步，但如果端到端系统的测试和认证也是等式的一部分，它只会创造一个突破。当所有来自各种传感器的采集数据将用于在不断变化的驾驶环境和交通状况下制定正确的程序时，这一点将变得明显。

为了真正实现4级和5级自动驾驶，该系统应能在所有天气和驾驶条件下正常工作，这显然是一个特定的要求。尽管如此，这是一个比有时提到并承认的更大的挑战。

显而易见，人工智能及其相关的深度学习功能为将自主驾驶技术提升到下一级别提供了关键要素 - 特别是在替代方法不被认为更可靠或更实用的情况下。通过简单地生成相应的代码行来创建模型和场景显然不是一件容易的事情，因为任何人工编码软件的缺陷率都会导致基于体积，复杂性和多样性的方法失效。

另一方面，显然数据质量，输入参数和模型定义以及场景验证任务是确保任何具有自学习功能的数据驱动的AI系统得到正确使用，质疑和验证。这有利于在更复杂和更密集的交通环境中实现安全自动驾驶的总体目标。尽管将这些不同的难题有效地拼凑在一起并不容易解决。

Michael Reser负责管理Keysight Technologies汽车和能源解决方案业务部门的业务开发和投资组合管理功能。