来源：汽车测试网

作者：北斗

北斗简介：10年智能座舱及导航娱乐系统开发管理经验、3年自动驾驶产品化经验、5年自动驾驶模拟仿真测试环境构建经验。

近年来，随着政策和市场的赋能推动，自动驾驶产业加速落地，产业链基础配套和市场开发也越来越成熟。自2020年开始，自动驾驶行业就正式迈入“黄金十年”，预计到2030年，我国无人驾驶汽车的市场占有率有望超过50%，无人车服务市场规模有望达1.3万亿。从技术发展趋势来看，目前我国自动驾驶技术产业正由单车智能向车路协同时代演进，而支撑这种进化的正是AI（人工智能）技术。由深度学习而兴起的第3次AI热潮，推动了AI时代的到来。本文重点分析介绍在AI时代下AI技术应用对自动驾驶领域的进化推动。

图1自动驾驶进化内容思维导图

在自动驾驶系统中，车辆搭载了多种感知传感器如摄像头、毫米波雷达、激光雷达等，系统会对感知获取到的数据进行分析，基于AI数据分析结果，进行车辆控制的判断。

对于摄像头等感知传感器获取到的原始数据，自动驾驶系统是无法直接进行判断的，因为系统初期就像婴儿一样对事物缺乏分类认知能力。所以首先要对数据进行逐一的目标分类区分，这项工作就是数据标注。对各种交通设施（车道线、道路标牌、交通信号灯等）、各种交通参与者（行人、自行车、乘用车、商用车、特种车辆等）一切交通道路相关的要素进行分类标记。

图2 交通实景的数据标注图

自动驾驶系统处理单元会以这些标注分类结果为基础，AI会各种分类对象的特征进行学习。基础数据越多，特征越突出，对象判别的精度越高。AI就像自动驾驶系统的大脑，对每一个对象进行特征分析，一点一点地学习对象的外观特征和动作习惯等。AI头脑通过这样反复的学习工作逐渐变得更加聪明，在识别图像中物体是什么类别的同时，还可以掌握物体的整体状况。这就是我们所熟知的计算机视觉相关技术领域的应用。另外，将分类、区分标注工作让AI自动化完成，也是可以实现的。

系统通过计算机视觉可以实现对感知传感器获取数据进行状态整体把握，并以此为基础，对车辆控制进行判断决策。这正是AI推进自动驾驶技术的进化。

基于感知数据，AI会在尽可能短的是时间内，做出与人类驾驶习惯相同的判断。为了实现图像处理的实时性、判断决策的瞬时性，基于强大数据处理能力的高精度AI的开发，在领域内有着强烈的需求。

判断决策的要素之一是“预测”。在前方行驶的车辆或者行人接下来将怎样运动，AI需要对对交通环境中所有对象进行可能发生动作的事前预判，并在预测的基础上实施车辆控制。

假设自动驾驶车辆行驶在一条两边都是树木的单向单车道道路中，刹车突然失灵，前方是有一位正在马路的老人，还有一个过马路的婴儿，我们应该则应抉择，这其实就是“电车难题”一个变形场景。在超出系统预测能力范畴的情况下，自动驾驶汽车无法在极端情况下做出决策和判断，决策冲突状态将成为系统安全性的致命弱点。基于常识性判断逻辑，为了避免危及人员安全，只能急转弯，把自动驾驶车辆撞到树上。系统在被迫做出无法避免行车或乘员受伤的终极选择时，AI应该做出怎样的决定，其实反映开发者的部分意向，到底是应该保护自车以外的人员，还是应该保护自车的驾乘人员呢。抑或是应该根据人数的多少来判断，又或者应该尽最大努力踩急刹车，顺其自然。

图3“电车难题”变形版卡通图

其实这个问题一直以来都存在争议，即便是对人类来说得出准确的结论也并不简单。但在有些地区，政府通过立法，对类似问题做出了规定。例如德国通过并实施的《自动驾驶法（修正道路交通法）》中规定：“在不可避免地存在人身损害风险的情况下，事故预防系统应具备不根据个人特征进行人命加权的决策能力。”这也给AI针对此类问题提供了一个明确的决策方向。

对途径地和目的地的综合判断，规划出最合适的路径，是自动驾驶车辆必备技能之一。在规划路径时，不但需要考虑目的地之间存在的交通堵塞预测和道路施工等情况，还要选择出最合适的车道级的路线规划，以及在确保多名乘客路线便捷性的同时，系统必须瞬间判断以怎样的顺序执行路径，才能实现最有效且最短的路径规划。

为了不断完善系统能力，需要对规划路径的实际事故发生率进行风险分析，基于规划路径中途径道路的路况、拐弯次数、信号灯次数等信息进行数据分析，逐渐优化路径规划策略，最终完善系统规划能力。

图4自动驾驶多途径点路径规划示意图

在自动驾驶出租车应用的时候，同一区域内多车同时运行，可能会同时提出用车需求，车辆调度调配也需要自动驾驶系统规划出相对全体出租车的最合适的路径。而且，针对于在何时何地将要发生用车需求的预测，也是后续自动驾驶系统针对车辆调度功能需要实现的基础功能。在复杂应用场景中加入对未来发生需求的预测，并且可以在瞬间给出相应决策结果的技术，目前也只有AI能胜任了。

在没有配备驾驶员或者安全员的自动驾驶车辆中，最重要的是要准确把握乘客的状态和需求。那么系统将替代驾驶员完成目前车辆行驶状态信息的回复或是上报，以及完成与乘客在行驶过程中发生的必要交流。这些要求恰恰是AI比较擅长的。

图5自动驾驶车辆与乘客交互示意图

乘客与自动驾驶车辆之间的交流，也会使用目前广泛应用手机、平板电脑上的语音识别技术。虽然人类语言往往除了表面意思之外，还会有更难领悟的引申含义，由于AI的介入，系统理解能力也会从基础的明确指令“我要去饭店”，逐渐提升到理解需要进一步理解乘客真正需求的模糊指令“我要吃好吃的”，而也其实也是AI所擅长的。

除了理解乘客的各种指令之外，AI还可以根据车内摄像头等传感器采集的信息，分析乘客处于怎样的状态，实现独立思考并自主执行相对应的措施。例如，当AI判定乘员正在睡觉的情况下，可以考虑调暗车内的灯光亮度，播放轻松助眠的音乐。在乘客连续咳嗽、体温升高的情况下，主动提示路径中附近的药店和诊所等。

未来的自动驾驶汽车，AI对待乘客就像对待尊贵的VIP客户一样，提供无微不至的服务。特别是2023年，ChatGPT的发布又掀起了一波AI热潮。在自动驾驶车辆中，AI用语音回答别人的问题已经是必然要实现的功能进化了。

随着自动驾驶车辆需要处理的数据逐渐持续增加，单纯车辆终端逐渐无法满足数据处理的运算能力需求。为了满足处理需求，将数据发送给云端，并在云端AI进行数据处理、分析，AI分析结果可以随时回传给自动驾驶车辆终端，这样的数据处理方式也随着AI的发展，成为了自动驾驶的标准架构之一。

图5云端学习与边缘计算预测示意图

而在整个数据传输的过程中肯定会存在数据延长，数据实时性可能受到损害。解决这一问题，一方面需要对无线通信的通信速率和通信数据量进行优化提升，另一方面AI也推动了自动驾驶车端边缘计算技术的发展应用，使车端的数据预处理能力水平得到深层进化。

总体而言，自进入数字化时代以来，AI已深度赋能各行各业，“大模型”时代的到来，更让AI产业与包括汽车在内更多的传统行业产生交集，并对其产生了进化及推动作用。AI已逐步替代驾驶员，在行驶环境感知、路径规划、车辆控制、乘客交互等诸多方面进行了安全性、准确性以及舒适性的提升与进化。期待AI时代中，自动驾驶技术保持高速进化态势，推动自动驾驶车辆全面应用。