1.3.3 人工智能技術(shù)與自動駕駛汽車

1. 自動駕駛技術(shù)

（1）自動駕駛技術(shù)概述 自動駕駛技術(shù)是對人類駕駛?cè)嗽陂L期駕駛實踐中，對“環(huán)境感知—決策與規(guī)劃—控制與執(zhí)行”過程的理解、學(xué)習(xí)和記憶的物化，如圖1-83所示。自動駕駛汽車是一個復(fù)雜的軟硬件結(jié)合的智能自動化系統(tǒng)，運用到了自動控制技術(shù)、現(xiàn)代傳感技術(shù)、計算機技術(shù)、信息與通信技術(shù)以及人工智能等。

1）環(huán)境感知。環(huán)境感知相當(dāng)于人類的眼睛與耳朵，處于自動駕駛汽車與外界環(huán)境信息交互的關(guān)鍵位置，是實現(xiàn)自動駕駛的基礎(chǔ)。環(huán)境感知技術(shù)通過利用超聲波雷達、毫米波雷達、激光雷達及視覺傳感器等車載傳感器，輔以V2X和5G等技術(shù)獲取汽車所處交通環(huán)境信息和車輛狀態(tài)信息，為自動駕駛汽車的決策規(guī)劃進行服務(wù)。

2）決策與規(guī)劃。通常情況下，自動駕駛汽車的規(guī)劃系統(tǒng)包含路徑規(guī)劃和駕駛?cè)蝿?wù)規(guī)劃兩大方面。這一部分主要涉及芯片和算法。

路徑規(guī)劃即路徑局部規(guī)劃，自動駕駛汽車中的路徑規(guī)劃算法會在行駛?cè)蝿?wù)設(shè)定之后將完成任務(wù)的最佳路徑選取出來，避免碰撞和保持安全距離。在此過程中，會對路徑的曲率和弧長等進行綜合考量，從而實現(xiàn)路徑選擇的最優(yōu)化。

駕駛?cè)蝿?wù)規(guī)劃即全局路徑規(guī)劃，主要規(guī)劃內(nèi)容是指行駛路徑范圍的規(guī)劃。當(dāng)自動駕駛汽車上路行駛時，駕駛?cè)蝿?wù)規(guī)劃會為汽車的自動駕駛提供方向引導(dǎo)方面的行為決策方案，通過GPS技術(shù)進行即將需要前進行駛的路段和途徑區(qū)域的規(guī)劃與順序排列。

3）控制與執(zhí)行。再好的基礎(chǔ)與運算規(guī)劃能力，如果不能做到安全控制執(zhí)行，也不能實現(xiàn)自動駕駛。因此自動駕駛汽車的控制與執(zhí)行是自動行駛的保障?？刂瓢ㄆ嚨目v向控制和橫向控制，縱向控制是通過對加速與制動的協(xié)調(diào)，期望實現(xiàn)對車速的精準跟隨；橫向控制是通過轉(zhuǎn)向盤調(diào)整以及輪胎力的控制實現(xiàn)自動駕駛路徑跟蹤。

（2）人工智能與自動駕駛技術(shù)的關(guān)系 人工智能與自動駕駛的關(guān)鍵技術(shù)密切相關(guān)，主要體現(xiàn)在以下幾個方面：

1）環(huán)境感知方面。自動駕駛汽車所要面臨的環(huán)境感知包括：路面路緣檢測、車道線檢測、護欄檢測、交通標志檢測、交通信號燈檢測，以及重中之重的行人檢測、機動車檢測和非機動車檢測等。

對于如此復(fù)雜的路況檢測和目標檢測，普通算法難以滿足要求。基于人工智能的深度學(xué)習(xí)可以滿足視覺感知的高精度需求，基于深度學(xué)習(xí)的計算機視覺，自動駕駛汽車可獲得接近于人的感知能力。有研究報告表明，深度學(xué)習(xí)在算法和樣本量足夠的前提下，視覺感知的準確率可以達到99.9%以上，而人感知的準確率一般是95%。

2）決策與規(guī)劃方面。行為決策與路徑規(guī)劃是人工智能在自動駕駛汽車領(lǐng)域中的另一個重要應(yīng)用，前期的決策樹與貝葉斯網(wǎng)絡(luò)都是已經(jīng)大量應(yīng)用的人工智能技術(shù)。目前越來越多的研發(fā)機構(gòu)將強化學(xué)習(xí)應(yīng)用到自動駕駛的行為與決策中，把行為與決策分解成兩部分：可學(xué)習(xí)部分與不可學(xué)習(xí)部分，可學(xué)習(xí)部分是由強化學(xué)習(xí)來決策行駛需要的高級策略，不可學(xué)習(xí)部分是按照這些策略利用動態(tài)規(guī)劃來實施具體的路徑規(guī)劃。

3）車輛控制方面。相對于傳統(tǒng)的車輛控制技術(shù)，智能控制方法主要體現(xiàn)在對控制對象模型的運用和綜合信息學(xué)習(xí)運用上，包括神經(jīng)網(wǎng)絡(luò)控制和深度學(xué)習(xí)方法等，這些算法已經(jīng)逐步在自動駕駛汽車控制中應(yīng)用。其中，通過神經(jīng)網(wǎng)絡(luò)控制可以把控制問題看成模式識別問題，而源于神經(jīng)網(wǎng)絡(luò)的研究，進一步開發(fā)深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，可以免除人工選取特征的繁復(fù)冗雜和高維數(shù)據(jù)的維度災(zāi)難問題。因為自動駕駛系統(tǒng)最終要盡量減少人的參與或者沒有人的參與，所以深度學(xué)習(xí)自動學(xué)習(xí)狀態(tài)特征的能力使得深度學(xué)習(xí)在自動駕駛系統(tǒng)中具有先天的優(yōu)勢。

2. 基于機器學(xué)習(xí)的車輛檢測和行人檢測

MATLAB提供了基于機器學(xué)習(xí)的目標檢測函數(shù)，利用這些檢測函數(shù)，非常容易對圖像中的車輛和行人進行識別，也可以對視頻中的車輛和行人進行識別。

（1）vehicleDetectorACF vehicleDetectorACF為基于聚合通道特性（ACF）的車輛檢測器函數(shù)，其調(diào)用格式為

其中，modeName為模型名稱；detector為AFC車輛檢測器。

模型名稱分為全視圖模型和前后視圖模型，全視圖（full-view）模型使用的訓(xùn)練圖像是車輛的前、后、左、右側(cè)的圖像；前后視圖（front-rear-view）模型僅使用車輛前后側(cè)的圖像進行訓(xùn)練。

【例1-1】利用ACF車輛檢測器檢測圖像中的車輛，車輛圖像如圖1-84所示。

解：在MATLAB命令行窗口輸入以下程序。

檢測結(jié)果如圖1-85所示。

（2）peopleDetectorACF peopleDetectorACF為基于聚合通道特性（ACF）的行人檢測器函數(shù)，其調(diào)用格式為

其中，name為模型名稱；detector為ACF行人檢測器。

【例1-2】利用ACF行人檢測器檢測圖像中的行人，行人圖像如圖1-86所示。

解：在MATLAB命令行窗口輸入以下程序。

檢測結(jié)果如圖1-87所示。

（3）vision.PeopleDetector vision.PeopleDetector為基于HOG特征檢測行人的函數(shù)，其調(diào)用格式為

其中，model為模型名稱；peopleDetector為行人檢測器。

與vision.PeopleDetector函數(shù)配套使用的命令格式為

其中，I為輸入圖像；roi為圖像檢測感興趣區(qū)域；bboxes為檢測到的目標位置；scores為檢測置信度分數(shù)。

【例1-3】基于HOG特征檢測圖1-88所示的行人。

解：在MATLAB命令行窗口輸入以下程序。

檢測結(jié)果如圖1-89所示。

（4）Vision.CascadeObjectDetector Vision.CascadeObjectDetector為用Viola-Jones算法檢測物體，其調(diào)用格式為

【例1-4】檢測圖1-90所示的人臉。

解：在MATLAB命令行窗口輸入以下程序。

檢測結(jié)果如圖1-91所示。

3. 基于深度學(xué)習(xí)的車輛檢測

MATLAB提供了基于深度學(xué)習(xí)的目標檢測的函數(shù)，例如vehicleDetectorFasterRCNN。

vehicleDetectorFasterRCNN為基于更快的RCNN的車輛檢測器函數(shù)，其調(diào)用格式為

其中，modelName為模型名稱，模型名稱為全視圖（full-view）模型，即使用的訓(xùn)練圖像是車輛的前、后、左、右側(cè)的圖像；detector為RCNN車輛檢測器。

【例1-5】利用RCNN車輛檢測器檢測圖像中的車輛，原始圖像如圖1-92所示。

解：在MATLAB命令行窗口輸入以下程序。

檢測結(jié)果如圖1-93所示。