AI这么拽!算法却成自动驾驶绊脚石

技术的车轮滚滚向前,每隔一段时间当前技术就会被新技术更新或迭代。2017年AlphaGo战胜冠军棋手柯洁,并横扫了整个围棋界选手,让人类为之震惊,也拉开了人工智能(AI)深度学习时代的序幕。然而自动驾驶也属于AI范畴,为什么迟迟不能落地呢?今天就围绕这个问题延伸下去。

感知、决策、控制是自动驾驶的三个技术环节,但真正的难点在哪呢?

感知既是对周围环境的了解,如同驾驶员的眼睛和耳朵。感知的设备无非是摄像头、声呐、各种各样的雷达,但客观的讲,摄像头三维空间效果差、雨雪恶略天气能见度低;毫米波雷达穿透能力弱;激光雷达无法识别颜色、文字且造价高昂,或多或少都存在缺陷。而多种感知设备组合则成为最优的解决方案,弥补了之间的不足,所以各个车厂的感知设备也大同小异,目前主要的难点是如何压缩成本。

自动驾驶汽车顶的激光雷达

控制是对车辆的掌控,如同驾驶员的手脚。车辆的加速、刹车、转向等皆属于控制范畴,然而这些控制没有太高的技术要求,定速巡航、自动刹车、自适应巡航、自动泊车等功能已经在车辆控制方面积累了相当多的经验,所以自动驾驶的难点并不在控制。

特斯拉自动驾驶仪表显示

决策是通过感知收到周围的信息,计算出最优的方案,把信号传送给控制机构,如同驾驶员的大脑。决策环节承上启下,是决定汽车行驶的关键,所以自动驾驶的重点和难点皆聚于此!

*数据积累

围棋人机大战轰动一时,但AlphaGo在学习围棋技能时,通过大量数据分析了3000多万步职业棋手棋谱,并通过增强学习的方法自我博弈,寻找比更优的棋路,才取得了傲人的成绩。而自动驾驶汽车也需要海量里程的实际路测,2016年美国智库兰德公司给出了一个准确的答案:路测里程需达到110亿英里。大量的路测试验以及后期分类标定、数据处理,尚且存在着许多不确定因素。如果各个车厂能把自己的数据共享,可能会加速自动驾驶的落地,但很显然核心数据是保密的!

HERE地图上线云导航服务 加强自动驾驶

*逻辑难题

在现实生活中,路况千变万化非常复杂,自动驾驶稍有不慎就会造成人员伤亡。除了海量的数据分析及预设的决策依据,如果想要在非铺装路面或特殊环境保持高精度自动驾驶,还需要AI在自动驾驶领域的进一步发展与利用。

虽然交通法规日益健全,但全世界范围内依然存在着不遵守交通规则的人、自行车。有个很经典的事故假设:一辆快速行驶的自动驾驶汽车,但前方路口有多人违反信号灯横穿马路,仅有一人在路旁等候,这时就需要自动驾驶去决策,是直行刹车撞多人还是转向刹车撞一人!这不仅仅是交通法规、法律的范畴,还有道德、人性的因素包含其中,自动驾驶它能懂吗?

深度学习的概念源于人工神经网络的研究

*算法难题

在既定的决策范围内,更多的样本数据是通过深度学习去理解、分析的。深度学习的概念源于人工神经网络的研究,它通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。

深度学习已经席卷了AI领域,深度学习并不是万能的!深度学习没有分析能力,不知道原因也无法预测,它基本上取决与样本以及所要求输出的特征值。很显然,对于高精度自动驾驶来说,深度学习需要更理性的决策!

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180706A0AT2C00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券