人工智能（AI）在自动驾驶汽车中的应用

【安防在线 www.anfang.cn】人工智能（AI）是当下最热门的技术，正渗透颠覆每一个可能的行业，汽车行业也概莫能外。人工智能由数据驱动。而汽车趋势朝着自动化、电气化和网联化方向深度演化，越发由软件所定义并由数据驱动。车辆生成的数据为车内AI能力提供着基础保障。进出车辆的数据流动决定了要构建的人工智能的类型。人工智能所在位置的选择赋能不同的应用程序，并解决数据和AI带来的隐私和安全问题。因此，要理解自动驾驶汽车中的人工智能，跟踪汽车在各种AI应用程序的辅助下，通过不同自动化级别导航的过程是很重要的，对于这些应用程序是如何将计算机世界的整套技术堆栈带到汽车上的同样重要。

一、连接性使车辆迈向L5完全自主

网联化、自动化、共享化及电动化（CASE）最初由梅赛德斯-奔驰提出的，是实现全自动化出行的最普遍接受的行业模式。根据新四化，汽车向网联化及电气化不断进阶，最终实现完全自动驾驶，为消费者提供便利的共享出行。

二、实现全自动化出行路径的CASE模型

CASE模型促使汽车制造商继续汽车数字化之旅，将所有车型新车都内置连接功能、内置SIM卡（4G/5G连接）。

SAE International于2015年发布了”SAE J3016″，并于2021年4月对其进行了修订，以描述车辆自动化从非自动化到全自动化的5个级别。这已成为事实上的行业标准。根据SAE标准，5级为完全自动驾驶，在所有道路条件下，车辆可在无人工支持的情况下自动驾驶。

三、SAE J3016自动化5个等级

L5级是完全自动驾驶，车辆无需人来控制，且可在所有路况下工作。虽然每个自动驾驶汽车公司都在努力实现L5级，但这是一个很难解决的技术挑战，因为为自动驾驶功能赋能的人工智能（AI）是一个狭义的AI，需要特定路况的训练数据来训练所有可能的人类、其他车辆和其他会穿过车辆路径的物体。这一技术领域被称为感知空间，它的工作原理是利用计算机视觉进行目标检测，并将来自车辆周围多个传感器和摄像头的数据结合起来，以获得道路的图像。L5级在技术上是不可行的，因为需要在每一个城市的每一条道路上，在各种天气和路况下训练自动驾驶车辆，同时为每一个可能穿过车辆的物体进行规划。自动驾驶汽车企业正继续构建L5，同时测试L4（有时是L3）的新商业模式。L3是指需要时，需一名人力司机随时待命，以便控制局面。L3和L4部署在地理围栏的地理区域内，在这些区域内训练自动驾驶车辆。以这种方式进行测试的三种商业模式包括1) 用于消费者通勤的Robotaxi、2) 使用自动卡车运送货物、3) 使用小型自动卡车或送货机器人运送货物的“中间一英里”运输。这些应用中的每一个都是由人工智能驱动的。它们中的每一个都离不开汽车技术堆栈的支持。

四、自动驾驶车辆技术堆栈

自动驾驶车辆技术堆栈包括两大类技术。首先是以传感器和计算机视觉为驱动的新自动驾驶汽车技术，以方便实际驾驶。更重要的是，整个技术堆栈从桌面和移动端正迁移到车端，因为汽车变得自主，成为一个线控传动系统。

I、汽车认知技术：

这包括四个关键模块：

1、传感器融合：车内的摄像头、GPS、雷达和激光雷达的数据经过组合，可以告知车辆的位置以及汽车在任何给定时间点在道路上看到的情况。

2、感知和地图：感知是汽车看到道路的方式。是一张自动驾驶地图，但不仅仅如此。感知是指理解软件，以获取传感器融合数据，从而了解周围环境。例如，自动驾驶系统需要了解前方的另一辆车是朝着它移动还是远离它，并了解它的矢量。

3、定位：定位是指车辆相对于其环境地图了解其位置的技术。对于自动驾驶汽车、机器人和其他由自动驾驶系统驱动的车辆，如自动驾驶卡车、自动拖拉机、自动叉车和送货机器人，皆是如此。对于自动驾驶车辆，甚至是作为ADAS功能在汽车中预置的AV功能，定位是关于了解车辆相对于车道标记和其他车辆、灌木、人和人行道的位置。它不像获得GPS的lat-long坐标那样容易，因为它被用于运动规划，并且比GPS的精度更需要高精度。定位技术可以测量车辆与环境中其他物体的距离。另一种技术是获取环境的点云地图，并将其与汽车实时看到的物体进行比较。定位和感知更多的是实时计算的处理能力，而不是更好的技术方法。

4、线控驱动：线控刹车和油门的路径规划和执行控制是允许自动驾驶车辆在道路上移动、停车或导航以执行实际驾驶的功能。

II、汽车软件技术堆栈：

这些都是技术组件，使汽车成为一个会行走的软件。我们可以从它们如何帮助自动驾驶车辆支持各种数据科学应用、连接到车内智能城市基础设施或在车内创造新的设计体验的角度来看待它们。

5、V2X： 车内数据可以来自汽车传感器，也可以来自监视道路的摄像头，帮助汽车了解周围环境，使用ADS功能驾驶或自动驾驶。这些数据被传输到云端，如OEM的私有云或智能城市基础设施，在这种情况下，被称为V2I。比如，四家不同的汽车制造商福特、宝马、梅赛德斯-奔驰和沃尔沃联手使用公共云共享道路安全数据。数据可以在车辆之间共享，以便彼此直接通信，这种情况下称为V2V。

6、数字孪生：数字孪生是来自互联设备和物联网世界的实物资产的数字复制品。这实际上是来自任何”事物”的传感器数据，这些”事物”在云端收集并用于运行模拟来管理实物。现在它被用于远程跟踪汽车零件以检查零件的健康状况。这就是众所周知的数字孪生在车上。有一项进步是建立一个数字孪生的车内环境来管理车内体验，并使第三个数字孪生的人自己在车内跟踪他们的情绪和行为。在车上考虑与成员代理有关的道德问题是非常重要的。

2021年4月Telematics wire上有一篇题为”汽车数据的数据科学应用”的文章，分享了驾驶员行为建模、风险评分和事故索赔支持，并将油门数据作为使用车辆传感器数据的潜在数据科学应用。所有这些应用都只能从车辆的数字孪生系统中实现。这些保证了保险公司的风险降低以及由于路线规划和驾驶员培训提升的燃油效率。

CapGemini Research的研究表明，汽车行业采用人工智能的首要应用是数字/出行服务。这类服务的例子是针对经销商的定期维护，使用来自网联车辆或车内广告的数据，根据其行为分析数据向乘客提供建议。

7、联邦人工智能：联邦人工智能（Federated AI）是一种在边缘构建人工智能模型的技术，就像在汽车中一样，跨多个组织构建一个组合的共享学习模型。目标是保护所涉及数据的隐私，并在整个行业或合作伙伴之间创建共享模型。保时捷已经在汽车领域测试了联邦人工智能模型。这项技术有可能加速汽车认知和人工智能在汽车中的应用，从而在跨行业的汽车中实现以伦理为中心的客户体验。

8、车内边缘人工智能或EdgeML：有时数据被用于通过语音Voice、虚拟现实VR或增强现实AR为车内人员创造设计体验。其中一个例子是，梅赛德斯-奔驰（Mercedes-Benz）使用一种称为”Ask-Mercedes”的增强现实AR体验将其驾驶手册数字化，数据可以存储在车内，以个性化用户体验。在这种情况下，它被称为边缘智能。如果机器学习模型在边缘上运行，比如在ECU上，那么它被称为EgdeML。在这种情况下，模型从设备数据中学习，并进行迁移学习，以共享其人工智能学习，而无需将数据从车辆转移到云中，从而从其他车辆的学习中得到改进。如今，这种边缘人工智能被用于汽车认知。

9、数据平台：边缘智能可以与其他数据源（如天气信息或特定位置信息或零售商信息）相结合，为用户提供广告或推荐。这创造了新的商业机会，并有可能对汽车行业的颠覆从汽车行业扩展到零售、保险、智慧城市和医疗保健等其他行业。复杂的数据集成和处理需要一个强大的车内数据平台。一些汽车公司正在车辆中部署数据平台，以支持使用车队进行共享出行和物流管理的应用程序。

10、区块链：汽车制造商正在汽车领域试验区块链，以跟踪供应链和保护数据。保时捷与XAIN、大众与IOTA以及戴姆勒股份公司与Hyperledger的合作都没有标准将有利于交通和自动驾驶车辆的潜力割裂开来。最好的用例是安全的OTA（通过更新），它将受益于自动驾驶车辆中的区块链。

结论

：整个技术堆栈体系正在向汽车转移。科技公司已经开始竞相提供车载出行平台，一些公司正在车内搭建数据平台。人工智能增强了驱动自动驾驶的认知能力，许多潜在的应用在今天不断发展。随着自动驾驶车辆从3级和4级向完全自主方向发展，网联车辆的潜在应用也在不断发展。ADAS功能和互联汽车功能已经提供了数据科学和人工智能应用，因为网联汽车通过出行选项生成了更多的数据，而汽车正在蜿蜒前行，成为车轮上的软件。