广告

自动驾驶车辆的AI算法及其面临的挑战

时间:2020-11-19 作者:Anton Hristozov 阅读:
AI需要解决各种不同的任务,以便实现可靠和安全的自动驾驶。上一期文章《人工智能在自动驾驶车辆中的作用》提供了对AI及其在自动驾驶车辆中应用的分析。本文重点探讨自动驾驶车辆中的AI算法和挑战。
广告
ASPENCORE

自动驾驶车在农业、运输和军事等领域开始成为一种现实,普通消费者在日常生活中使用自动驾驶车的那一天也在迅速来临。自动驾驶车根据传感器信息和AI算法来执行必要的操作,它需要收集数据、规划轨迹并执行行驶路线。而这些任务,尤其是规划和执行轨迹需要非传统的编程方法,它依赖AI中的机器学习技术。ARyEETC-电子工程专辑

想了解ADAS/自动驾驶的最新设计和市场趋势?请即刻报名参加:汽车电子高峰论坛

ARyEETC-电子工程专辑

上一期文章《人工智能在自动驾驶车辆中的作用》提供了对AI及其在自动驾驶车辆中应用的分析。本文重点探讨自动驾驶车辆中AI的算法和挑战。ARyEETC-电子工程专辑

3.自动驾驶车辆中采用的AI算法

3.1.路径规划和控制算法ARyEETC-电子工程专辑

计算机科学中的传统启发式算法可用于路径规划和控制,例如Bellman-Ford算法和Dijkstra算法。要应用这些算法,需要全程对车辆进行定位,而定位要通过GPS等传感器,以及同步定位与制图(SLAM)技术来完成。ARyEETC-电子工程专辑

SLAM可用于无法搜索到GPS信号的地方,例如地下或封闭空间;它生成由地标或障碍物组成的环境图,同时估计车辆状态。SLAM适用于无法使用地图但需要创建地图的应用,它采用传感器和特殊算法创建数据模型,并生成地图。ARyEETC-电子工程专辑

3.2.目标检测算法ARyEETC-电子工程专辑

目标检测是AI在移动车辆中需要处理的最重要任务之一。其算法一直是业界积极研究的方向。目标检测依赖于不同的传感器,如摄像头或激光雷达、雷达或其它类型的传感器。它通常使用深度学习算法及某种类型的神经网络来完成工作。ARyEETC-电子工程专辑

目标检测必须快速,因为它要处理的是车辆行驶时产生的一系列连续图像。ARyEETC-电子工程专辑

一些最新的技术都基于卷积神经网络(CNN),如R-CNN、快速R-CNN和You Only Look Once(Yolo)方法。R-CNN方法首先查找图像中包含潜在对象的区域,然后尝试分析每个区域,因此它有些慢,这也是快速R-CNN方法和Yolo方法出现的原因。Yolo方法采用单个卷积神经网络查找区域,并同时对区域中的对象进行分类,因此比其它方法快很多。而且,Yolo能够看到整个图像,它不会引起R-CNN方法可能遇到的问题,例如将背景图误认为目标对象。ARyEETC-电子工程专辑

3.3.决策算法ARyEETC-电子工程专辑

决策是指根据来自传感器的信息确定车辆的动作。车辆会根据其规则和环境不断做出决策,用于决策的算法包括:ARyEETC-电子工程专辑

决策树ARyEETC-电子工程专辑

支持向量机(SVM)回归ARyEETC-电子工程专辑

深度强化学习ARyEETC-电子工程专辑

4.自动驾驶车辆中AI面临的挑战

除了与其它AI应用面临一些相同的挑战之外,自动驾驶汽车领域中的AI还面临一些特殊的障碍,涉及实时、安全和机器伦理等概念。以下小节将分别对此进行详细介绍。ARyEETC-电子工程专辑

4.1实时响应ARyEETC-电子工程专辑

实时系统是一种特殊的嵌入式系统,其特征是在一定时间限制内产生输出或反应。它们必须在设计上具有确定性和简约性,以便始终满足预期的实时行为。为此,它们通常采用特殊的实时操作系统(RTOS)或与硬件直接交互的裸机执行程序,避免使用解释性语言和动态内存分配。在某些情况下,实时系统会刻意采用编程语言的子集以保证速度和确定性。ARyEETC-电子工程专辑

人工智能解决方案通常与此相反,它使用高级编程语言、完全依赖操作系统、采用诸如动态内存分配和垃圾收集之类的技术。这对系统的实时决策带来了挑战。ARyEETC-电子工程专辑

另外,系统是集中式系统还是分布式系统也有影响。集中式系统更易于构建,但严重依赖内部通信和强大的中央处理器。分布式系统则采用专用CPU,可以处理不同的子系统和传感器,从而降低了对复杂中央CPU的需求。而且,分布式架构的系统功耗较低,也更灵活、更便宜。ARyEETC-电子工程专辑

4.2计算复杂性ARyEETC-电子工程专辑

由于数据量大且计算复杂,人工智能算法(尤其是深度学习)需要特殊的硬件解决方案。如对图形处理单元(GPU)或张量处理单元(TPU)等硬件进行深度优化,以实现快速并行计算。然而,速度通常以更高能耗和更高成本为代价。即使采用专用硬件,也无法确定某一特定算法能够实时解决问题。因此,鉴于其复杂性和CPU需求,算法的选择成为影响实时系统的一个重要因素。测量CPU计算和内存用量,有助于确定该算法是否适用于现代车辆的典型CPU中。ARyEETC-电子工程专辑

4.3黑盒行为ARyEETC-电子工程专辑

人工智能算法曾因比标准计算机算法更难分析而被诟病。这是因为AI算法复杂度更高且依赖大量数据。一个复杂的神经网络可以执行多个AI任务,而无需了解其控制过程。ARyEETC-电子工程专辑

实际上,深度神经网络本质上可以近似任何函数,因此它才如此成功。深度神经网络可以有数以万计的节点,这些节点通过训练即可达到特定状态。此外,它们可以具有许多隐藏层以及许多输入和输出。但当系统崩溃时,所有这些都会导致问题,需要进行取证分析来找出崩溃的确切原因。这也是业界积极研究的一个领域,如果取得成功将解决许多与使用AI相关的法律和技术问题。ARyEETC-电子工程专辑

将AI与传统控制算法相结合的混合法是其中一个解决方案。这个问题对于事故预测和处理尤其重要。为什么要做出这个决定,而不是另一个决定?整个决策过程必须由AI算法来证明,但如果仅将算法视为黑匣子来进行分析和看待,那将很难证明或几乎不可能。ARyEETC-电子工程专辑

4.4准确性和可靠性ARyEETC-电子工程专辑

用于自动驾驶车辆的计算机视觉可能尚未准备就绪,尽管它们可以在原始条件下工作,但在传感器输入端即使受到很小干扰的情况下也会失效。在具有一定特征的训练数据中进行AI算法的训练,其进展缓慢。ARyEETC-电子工程专辑

更改数据可能使分类和预测算法极大地改变其行为,并带来灾难性的后果。例如,背着一个大包的人可能不会被车辆感知为一个人。ARyEETC-电子工程专辑

此外,很难预测进入系统的任意数据会引发什么。已经有攻击者利用了这个缺陷,他们利用人类看不见的图像数据来欺骗深度学习算法,使神经网络停止正确分类。显然,我们需要大量改进来提高机器学习算法的可靠性和准确性。ARyEETC-电子工程专辑

4.5 安全性ARyEETC-电子工程专辑

AI的复杂性还可能导致安全问题。越复杂的系统越难开发、测试和部署。但这只是问题的一部分。另一个现实是,新的安全标准逐步出台,但尚未被运输行业采用。ARyEETC-电子工程专辑

让事情变得更复杂的是,人工智能系统的分析与验证仍处于早期阶段,因其复杂性还很难被驾驭。一般情况下,形式验证即使对传统软件系统都很难,对AI软件就更难。不仅仅对自动驾驶车辆,对所有AI应用,我们都必须创建强大的、经过校验和验证的AI解决方案。ARyEETC-电子工程专辑

4.6安全性与AIARyEETC-电子工程专辑

人工智能系统对自动驾驶车辆至关重要,其安全性直接关系到整个系统的鲁棒性。但机器学习系统很容易受到攻击,这样的案例已经有很多。ARyEETC-电子工程专辑

AI最大的威胁是黑客可以操纵传感器发送到车辆的数据,从而使系统做出错误的决策。曾经有一项使用深度学习模型识别道路标志的实验表明,“在停车标志上仅仅添加几个黑白贴纸,就会使算法误以为它是45英里/小时的限速标志”。采用具有某些对抗性特征的数据来训练系统可以改善这种状况。ARyEETC-电子工程专辑

在自动驾驶汽车中影响AI运行的最大威胁是干扰传感器的运行,它会导致传感器数据流发生变化,从而使AI算法完全混乱。研究人员正在探索的解决方案包括混合系统、模糊逻辑,以及基于模型的传统控制系统来补充AI。但风险有些高,因为AI已经应用于某些车辆子系统中,并且在不久的将来会应用于每辆汽车之中。ARyEETC-电子工程专辑

4.7伦理与AIARyEETC-电子工程专辑

目前,在自动驾驶和半自动驾驶车辆中实施AI,在伦理方面还不成熟,也没有得到大力发展。伦理价值观本是人类具有的品质,很难在机器中形式化并实现。换句话说,决定对与错对机器来说是很模糊的概念。机器伦理的全面发展可能还需要几十年的时间。这也是一个活跃的研究领域,属于人类心理学、机器学习和社会政策之间的交叉学科。随着技术的成熟,可能会出现一些法规提供相应的帮助。ARyEETC-电子工程专辑

5.结论

人工智能解决方案如今无处不在。它们是Alexa和Google Home设备的一部分,是割草机器人的一部分,也是我们有望很快使用的自动驾驶车辆的一部分。AI所面临的挑战与成就在许多行业中都是相同的,但在交通运输行业,尤其是自动驾驶车辆领域,在安全与防护方面更是面临特殊的挑战。部分原因是创建自动驾驶车辆这个任务的复杂性,另一部分是由于AI领域的发展水平,以及它是否适合解决复杂的问题,诸如目标检测、路径规划和实时决策等。 随着越来越多的自主智能解决方案逐渐渗透到更多经济领域,很多障碍会得到解决。也许,我们对这个行业应该提出的正确问题是“我们要安全地实现它吗?”而不仅仅是“我们实现了吗?”ARyEETC-电子工程专辑

(参考原文:Artificial intelligence algorithms and challenges for autonomous vehiclesARyEETC-电子工程专辑

责编:Amy GuanARyEETC-电子工程专辑

本文为《电子工程专辑》2020年11月 刊杂志文章,版权所有,禁止转载。点击申请免费杂志订阅  ARyEETC-电子工程专辑

ASPENCORE
本文为EET电子工程专辑 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
  • 对比比亚迪与英飞凌,看国产汽车半导体面临的挑战与发展 据汽车行业权威调研数据显示,2019 年国内车规级IGBT 市场呈现寡头垄断格局,英飞凌以高达58.2%的市场份额位居第一,比亚迪位列第二,占18%。作为国内第一家自主研发、生产车用IGBT芯片的公司,比亚迪半导体成为国内市场上最有能力挑战国际大厂的本土厂商。以比亚迪半导体为代表的国内汽车半导体厂商与以英飞凌为代表的国际厂商相比,无论在技术实力、市场规模,还是产品线布局上,都还有很大的差距。然而,从积极一面来看,国内半导体厂商仍然有着巨大的发展空间和机遇。
  • 拆解和改造:让特斯拉 Model 3通过硬件升级到完全自动驾 特斯拉Model 3已发布三年,但是借助软件更新和硬件升级,Model 3有望为全面的自动驾驶做好准备。本文通过拆解分析,看看特斯拉如何升级...
  • GaN FET功率密度再翻倍!宽禁带半导体围绕汽车展开争夺 德州仪器(TI)日前面向汽车和工业应用推出新一代650V和600V氮化镓(GaN)场效应晶体管(FET)。与现有硅基或碳化硅解决方案相比,新的GaN FET系列采用快速切换的2.2MHz集成栅极驱动器,可提供两倍的功率密度和高达99%的效率,并将电动汽车充电器中的电源磁性器件尺寸和车载充电器尺寸分别缩小了59%和50%。
  • 对电动汽车储能来说,什么是最好的电池制造方法? 快速增长的电动汽车行业、能源转换、气候变化和可持续性发展均需要尽快找到可以大幅减低碳排放的驱动方案,电池制造业的发展因此变得越来越重要。但是,什么样的电池及制造流程才能够满足不断增长的需求与严苛要求?制造商如何在自动化工作流程的同时,提升工厂的可持续性、效率和质量呢?
  • 晶宇兴专访:继续重点发展军工晶振,兼顾工业、汽车等其 在由ASPENCORE举办的2020全球双峰会现场展商展示区域,小编注意有家几年前接触过的公司——北京晶宇兴科技有限公司,它是一家集研发、生产及销售为一体的石英晶体、晶振等频率控制器件的专业公司。
  • 车载半导体的机遇,与比亚迪半导体的市场化布局 在今天的Aspencore主办的全球CEO峰会上,比亚迪半导体总经理陈刚谈到了“半导体发展机遇”——是从比亚迪半导体的角度出发,谈比亚迪半导体眼中的半导体行业;发言中也特别谈到了如今比亚迪半导体在新能源汽车上的布局,及市场化的具体态度。
广告
热门推荐
广告
广告
广告
EE直播间
在线研讨会
广告
广告
面包芯语
广告
向右滑动:上一篇 向左滑动:下一篇 我知道了