本文根据中科院深理工计算机科学与控制工程学院院长、美国医学与生物工程院院士潘毅在“2022智慧芽创新赋能大会”上的主题演讲《人工智能与无人汽车驾驶》整理。

图：潘毅院士在创新赋能大会上的演讲

(资料图片)

自动驾驶是时下的热门话题之一，已陆续在很多场景中得以应用。从技术上看，自动驾驶汽车是一个集环境感知、规划决策、运动控制、多级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、V2X通讯、人工智能及自动控制等技术，自动驾驶的关键技术依次可以分为环境感知、行为决策、路径规划和运动控制四大部分。

AI在自动驾驶领域的三大应用

在人工智能系统中，第一代人工智能系统的特点是知识驱动，即用机器来描述人类的知识。第二代人工智能系统的特点是数据驱动，即利用深度学习找到数据背后的函数，具有理论的保证。而第三代人工智能系统，是将第一代的知识驱动和第二代的数据驱动结合起来，以构造更强大的AI。简而言之，就是要将知识模型与数据模型两者深度结合。数据上要有归纳能力，能够举十反一；知识上要有逻辑推理能力，能够举一反三。

当下，人工智能技术在自动驾驶领域主要应用于三个部分：

第一，人工智能的数据融合。在自动驾驶汽车行车过程中，将会产生各种各样的数据，包括但不限于摄像头视觉数据、毫米波雷达数据、激光雷达数据、超声波雷达数据等。AI将主要用于融合上述各种传感器的数据。

第二，人工智能的可解释性。人工智能在自动驾驶领域的应用应具备可解释性，即能发现碰撞的问题和原因，以增强信任度、透明度、可依赖性和公平性，从而改进AI算法，避免今后出现同样的问题。

第三，人工智能的双驱动。目前，自动驾驶的时空轨迹数据是数据驱动的，但这还不够，需要知识驱动的加入。比如，当汽车感知到前方地面上的人影，如果没有知识驱动，则汽车将仍然直行向前，但加入知识驱动后，汽车便能辨别出这个三维的形象代表着前方有行人，从而避免碰撞。

自动驾驶测试的难点与突破

今天的自动驾驶技术仍存在一些安全隐患和待解决的行业难题，诸如高等级自动驾驶面临技术、验证、法规和伦理上的诸多挑战，远未成熟；自动驾驶本意是降低交通事故率，但是频发的事故打击了公众信心；现行算法尚存在诸多缺陷，特别在评估方面的研究严重不足等。

传统汽车搭载的是相对简单的机电一体化控制系统，而智能网联汽车则是一个软硬件相耦合的高度复杂智能体。面对后者，当前基于里程的实车测试已落后于产业发展。首先，测试里程长不代表安全性高。简单来说就是一辆车开一万公里没出问题，不代表它开一亿公里就不会出问题。其次，大规模实车测试花费巨大，如果要测一亿公里，将付出高昂的成本。

因此，若想克服上述难点，必须要加强仿真测试，找出算法问题。由此可见，基于场景的测试评价已成为潜在的解决方案之一。场景是行驶环境的数字化产物，Waymo公司通过仿真构造了大量特异性仿真场景，测试效果等效于实车测试超过200亿英里。未来，成功的自动驾驶系统或将主要依赖基于场景的仿真测试，加上少量精心设计的封闭场地和实车道路测试（90%以上仿真，10%实车测试）。

图：基于场景的智能网联汽车V型研发测试

针对上述难题的研究当前主要集中于场景定义、场景分类以及场景生成三个领域。场景定义的特征是无限行驶环境的有限映射与参数重组。换言之就是在一个时空场中去定义汽车的行为和运行环境，如一棵树倒下的场景、行人冲出来的场景、天气变化的场景等，且上述场景可以交叉同时出现。

场景分类，主要包括典型场景和边缘场景。其中，典型场景涉及了危险事故场景（如人车事故、车车事故等），自然驾驶场景（如城市、乡村等），法规标准场景（如ACC、APS等）。与此同时，边缘场景，即参数重组场景，使用了很多人工智能算法，包括深度学习、强化学习等。前者面向常规功能的测试，而后者则用于测试自动驾驶能力的边界。

图：场景分类

此外，在场景生成上，为了更高效地测试，测试人员希望设计的问题场景能一直快速出现。但现在的技术仍存在覆盖度低下的问题，仿真工作量很大，极大占用计算资源，且现行的技术以规划控制验证为主，对真正容易失效的感知算法验证不足。改进的方法有很多，例如从大量的感知测试数据中分析挖掘出致错原因及机理，作为知识指导鲁棒人工智能算法的设计，不断提高自动驾驶的安全性。

为此，包括李慧云教授和博士生蒋拯民等的潘毅院士团队正在构建全链条测试工具，其中“自动驾驶算法嵌入于仿真工具中的测试平台”可加快置入上述复杂场景；整车台架测试环境，在固定汽车的情况下就能进行道路模拟、天气模拟、交通场景模拟等，由传感器向计算机发送信息以进行测试；L4级自动驾驶技术验证原型车，允许实车道路测试，可用于真实交通数据采集、算法验证。

关键词： 人工智能 人工智能系统