无人驾驶技术综述
来源:用户上传
作者:
摘 要 随着当今世界科学的进步，人工智能也在迅速发展。目前，传统汽车产业以人工智能的发展为依托，正在大力研发无人驾驶技术。文章以此为背景，介绍无人驾驶技术的应用以及实现无人驾驶所使用到的人工智能技术。同时，分析在无人驾驶技术中还存在的问题，并对这项技术在未来的发展趋势进行了展望。
关键词 无人驾驶；智能感知；人工智能
中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2019）231-0147-02
无人驾驶技术源于20世纪70年代的欧美，现在许多科技公司对无人驾驶技术的开发力度越来越大，可以说无人驾驶将是未来人工智能发展的一个重要领域。文章对无人驾驶技术的优缺点、基于人工智能的无人驾驶技术及无人驾驶技术的未来展望进行简要介绍。
1 无人驾驶技术的优点与缺点
1.1 优点
1）减少交通事故发生率。据统计，在美国每10万英里（约16万公里）就会发生一起交通事故。而在中国道路交通设施日渐完善、汽车保有量及驾驶员数量持续增长的背景下，道路交通事故发生率虽趋于平稳，但事故的严重程度相较于往年来说却有所增长[1]。目前，绝大部分的交通事故都是由于驾驶人员操作不当造成的，而不是因为汽车自身硬件原因。许多司机的驾驶技术不高，再加上部分人遇到紧急事故无法采取正确的处理方式而酿成了交通事故。但是配备有无人驾驶系统的智能车辆比人的反应处理速度要快得多，因此无人驾驶车辆具有更高的防范和规避风险的能力。2）减缓城市交通拥堵问题。根据高德地图和阿里云等单位联合发布的《2018年度中国主要城市交通分析报告》指出，北京公路网高峰出行延时指数达2.032，人均每天拥堵时长达44.97分钟，人均年通勤拥堵长达174小时，经济损失约为8？400元人民币。而根据美国德克萨斯州调查统计得出，美国每年因交通堵塞浪费的燃料和时间总计的损失达到了惊人的720亿美元[2]。可以看出，交通拥堵不仅会增加居民的出行负担，还会限制一个城市的发展。如果大力推进无人驾驶技术在城市的发展应用，那么将会使现在的交通得到有效的规范，智能车辆能够井然有序地行驶在既定的轨道上，从而大大地减缓城市的交通拥堵问题。Google公司的无人驾驶研发部门前负责人 Sebastian？Thrun指出，当无人驾驶汽车被广泛地投入日常生活使用后，只需要当前汽车总量的30%便可以满足大众的出行需要，届时交通拥堵问题将会得到真正有效的解决。3）解放人们的双手。如今生活在城市里面的上班族每天会浪费大量的时间在上班通勤这件事情上面。根据2018年调查显示，北京市平均通勤距离为19.20千米、平均单程用时达52分钟之久，若按年计算，平均每个北京人在工作日通勤这件事情上就会花费掉惊人的18天。如果人们使用无人驾驶汽车进行通勤，那么这被浪费掉的时间便可以得到利用。上班族可利用这段时间进行工作或是用来休息，完全不需要双手的介入。
1.2 缺点
1）信息安全问题。无人驾驶依托于网络平台，无人驾驶系统的防火墙一旦被不法分子攻破，车辆及车主信息就可能失窃。更为严重的是，不法分子攻破了无人汽车的系统后，就可以获得车辆管理员的权限，这样便可以远程操控车辆，威胁乘车人的安全。2）应用场景有所限制。现在无人驾驶车辆研发虽有突破，但是其应用场景还是太少。Google的Waymo无人车项目、特斯拉电动汽车以及其他许多汽车厂商都是在特定的环境下进行的测试，若遇到交通混乱、天气恶劣等特殊情况，或是行驶在非铺装路面上时，无人驾驶车辆就可能会有些力不从心。因此在目前的软硬件技术基础之上，无人驾驶车辆会受到诸多的限制。3）无人驾驶汽车的民事责任划分不明确。作为一种新型交通工具，无人驾驶汽车在法律层面具有双重性质，当其出现交通事故时责任划分十分模糊，这将给当前的交通法规提出许多挑战。虽然现在中国各地正逐渐针对无人驾驶的测试车辆出台相关的管理政策，但国内目前还未正式颁布有关无人驾驶汽车监管、责任承担等方面的法律法规，这也就意味着在国内还无法真正使用无人驾驶车辆上路[3]。
2 人工智能背景下的无人驾驶技术
2.1 智能感知：传感技术及信号处理
无人驾驶车辆的传感器有视觉（高清摄像头）、激光测距雷达和高精度毫米波雷达，它们各有优势，可混合使用在无人驾驶车辆上。在实际应用上，特斯拉电动汽车公司提出了一种以视觉摄像头加上毫米波雷达进行混合使用的解决方案，而以谷歌、百度为代表的公司则采用激光雷达来实现车辆的无人驾驶。激光雷达测距远并且测量精度很高，利用其优势通过3D点云算法能够对车辆所行驶的道路及障碍物、行人进行有效的识别。不过在目前的技术条件下，激光雷达体积比较庞大，此外，激光雷达还有其致命的缺点—它无法应对雨雪、大雾等恶劣天气，并且它也无法对路标、街景进行识别。而与激光雷达相比，毫米波雷达在无人驾驶车辆的应用上面则更要有优势。毫米波雷达起源于20世纪40年代，经过多次迭代更新已经发展得十分成熟。无人驾驶车辆所使用的毫米波雷达主要为77GHz波段的毫米波，其在云、雾、烟尘中传播损失较小，故能全天候使用。此外，毫米波雷达具有更小的天线孔径和组件体积，比较适合安装在家用车辆上面。因而，毫米波雷达是未来无人车的首选传感器。视觉（高清摄像头）是无人驾驶系统中不可或缺的一环，它能够对街景图像和交通信号标志进行采集和识别，帮助车辆做出正确决策。车辆的处理器从传感器采集的图像信息中能提取目标的相应特征，通过进一步融合算法计算，便能够对动态物体进行实时的监测，这样就可以为车辆的指令下达提供依据[4-5]。
2.2 智能处理：神经网络与深度学习感知
人类识别物体虽然很简单，但要让无人驾驶系统识别图像却是一件难事。目前，无人驾驶系统主要利用神经网络（ANNS）进行图像的识别。神经网络是一种简单可训练数字单元所构成的集合，具有自学习和自适应的能力。但无人驾驶所进行的图像识别并不是使用传统的神经网络，而是其经过变化后的卷积神经网络（CNN）。CNN作为一种深度前馈的神经网络，可以运用于大型的图像处理。也就是说通过CNN就可以让无人驾驶车辆对街景进行智能识别，让其对行人、车辆、交通标志等进行检测和分类，方便后台进行运算处理[6]。人工神经网络作为负责处理驾驶数据的核心算法，虽然可以在无人驾驶车辆上搭载CPU（中央处理器）进行运行，但最佳方案还是在GPU（图形处理器）上运行。目前GPU已经成为无人驾驶技术最核心组件，相较于CPU来说具有预测精度高、运算速度更快、内存足迹更小和成本更低等特点。目前，英伟达（NVIDIA）公司正在大力开发AI自动驾驶平台—Nvidia？Drive无人驾驶计算机。该架构拥有4个高性能AI处理器的多芯片配置，每秒可执行320万亿次深度学习运行。并且该系统可以融合车辆上的多个传感器中的数据来让算法更加理解车辆周围的环境，进而实现对车辆周围的动态环境变化实现实时监控和规划车辆的安全路线。当前，嵌入式人工智能芯片运用于无人驾驶车辆较为广泛，为无人驾驶车辆打造一个嵌入式人工智能平台，让机器逐渐进化到自主学习阶段或许是将来无人车辆发展的一个主流趋势。
3 无人驾驶技术未来展望
目前的无人驾驶技术还不成熟，被安全和稳定两大难题所制约，而即将普及的5G（5-Generation）网络或许是解决无人车网络稳定性差的最好办法。5G网络是第五代移动通信技术的简称，其理论传输速度的峰值可达到10Gbs，这将是4G网络的数百倍以上。在5G网络普及以后，无人驾驶车辆便可以采用将实时路况上传到云端进行云计算的方法来对车辆实现精确的实时导航。这样便可以大大提高无人车应对复杂路况的能力[3]。无人驾驶汽车对网络的要求很高，其需要低时延服务，而5G的云平台和物联网技术可以为车联网提供有力的支撑。未来是信息时代，若研发无人驾驶技术的公司能够与移动运营商、地图测绘公司以及嵌入式软件开发商进行深入的合作，那么无人驾驶技术在未来的发展前景将会非常可观。无人驾驶车辆现在正处于开发实验阶段，还有许多技术上的问题需要被攻克。并且无人驾驶车辆的成本相较于传统车辆要大得多，主要是由于目前车辆所使用的传感器造价昂贵并且难以实现量产。另一方面这项技术并不成熟，在法律与安全上它还无法被大部分人认可。但笔者认为随着无人驾驶技术的不断完善，这项技术会被越来越多的人所接受。
4 结论
本文对无人驾驶技术的优缺点、基于人工智能的无人驾驶技术及无人驾驶技术的未来展望进行了简要概述。立足于国家5G通信产业的发展以及物联网浪潮的不断影响，以及新能源汽车技术正在不断的成熟，我们有理由相信，无人驾驶技术势必会对未来交通发展格局产生重大影响。
参考文献
[1]王远强.面向交通数据的事故分析与预测[D].天津：天津大学，2017.
[2]宋淑运.智能交通系统与智能汽车[J].上海汽车，2003（10）：44-45.
[3]张玉金.人工智能背景下无人驾驶技术的研究与展望[J].数字通信世界，2018（2）：56，85.
[4]高青.多传感器数据融合算法研究[D].西安：西安电子科技大学，2008.
[5]丁红杰，康军标，欧阳劲志，等.智能无人驾驶汽车概述[C]//河南省汽车工程科技学术研讨会，2016.
[6]许可.卷积神经网络在图像识别上的应用的研究[D].杭州：浙江大學，2012.
转载注明来源:https://www.xzbu.com/8/view-14739435.htm
