精品课第3讲 韩卓伟：前途光明、道路曲折，看AI如何助力自动驾驶汽车量产 中国汽车报

在各方热情和条件不断成熟的前提下，完全自动驾驶可能比预期要更早到来...

人工智能(AI)是人创造出来的类似人的智能体，其中，计算机视觉好比人类眼睛，语言识别好比人类交流，机器人控制好比人类肢体。AI不但能解放人类身体，还能解放大脑。虽然AI可以深度参与一些解决方案，但它并不是万能的。7月24日，在《中国汽车报》与广州智能网联汽车示范区运营中心联合推出的“2020智能网联汽车精品课”第三讲中，博世汽车部件（苏州）有限公司自动驾驶产品经理韩卓伟先生与大家分享了“AI时代的自动驾驶量产”的关键要素。

未来移动出行的发展趋势可归纳为四个方面，即电气化，自动化、网联化和多模式出行。其中，自动驾驶在未来出行中备受关注，也是AI必然要深度参与的高科技系统。在各方热情和条件不断成熟的前提下，完全自动驾驶可能比预期要更早到来。

自动驾驶成为应对移动出行需求的必然选择，得益于其潜在的优势：如提升安全性、提升效率、降低燃料消耗、减少路面拥堵、各类人群都能自由出行等方面。其中，安全性方面的改善带来的好处更容易打动人。据统计，95%以上的交通事故是人为因素造成的。交通三要素包含人、车、路，过去很多年，人们致力于改善车辆、更新道路设施，使得车、路状况得到进一步完善，但人的问题不解决，最大限度避免交通事故就是一句空话。而用系统取代人，才能给人为因素造成的交通事故找到比较合理的解决方案。研究表明，在中国，对自动驾驶感兴趣的消费者比率高达96%，远高于美国和德国的58%。同时，中国各年龄段人群都对自动驾驶保持高兴趣，无论是小于25岁人群还是56岁以上人群。同时，在对2030年的展望调查中，中国有更多消费者会选择自动驾驶出租车，而不是购置新车。除了消费者的热情，政策引导、市场规模和人才储备方面的优势也推动中国成为最具潜力的自动驾驶汽车市场。

而对2035中国乘用车市场销量的预测显示，新车中具有高度自动驾驶能力的占8.7%，部分自动驾驶车辆也占到13%。目前，中国和北美已经成为全球自动驾驶主要市场，这也是传统车企、造车新势力、零部件厂商等大量相关企业在中国布局本土研发的主要原因。

自动驾驶有几个主要应用领域，如城市路况、高速路和封闭地区，它们对自动驾驶的需求各不相同。在城市开放区域，可以有自动驾驶出租车和巴士，其路况场景非常复杂，车速通常不超过60公里/小时；高速公路上行驶着私家车以及大巴和货车等运营车辆，场景相对简单，不会有很多行人和红绿灯，也没有复杂的路口，但车速很高，一般在120公里/小时；封闭和限定区域车速一般在10公里/小时，应用场景非常多样化，可以是港口、码头，物流园区等。目前，中国重点致力于开发乘用车自动驾驶，也包括部分商用车，功能设定包括交通拥堵引导、高速公路引导，以及针对商用车的枢纽引导。

AI在自动驾驶中的应用主要在感知、决策、预测三大核心模块，目前大部分AI应用集中在感知方面。在感知领域可以通过物体检测和语义分隔来处理摄像头和激光雷达采集的数据；在决策领域根据环境感知的结果以及所有交通参与者当前和未来的状况告诉车辆如何加减速、转弯或变道等一系列操作；预测领域根据传感器提供的当前物体信息，结合历史信息以及交通参与者的模型，对整个道路交通环境进行预测。

感知方面，由于大量传感器输入，使得及时有效的数据处理变得非常关键。高等级自动驾驶领域迫切需要AI处理器，因为它有深度学习和硬件加速能力，使用GPU(图形处理器)，使用AI加速器来实现自动驾驶深度学习，从而可以及时高效地处理传感器数据。

AI拥有的深度学习和机械学习在图形识别中已有很多基础研究。深度学习的机理是拥有深度结构神经网络，它有非常多的隐藏层位于其中。神经网络的输入层连接传感器的原始图片，然后进入隐藏层，首先智能识别其边缘，随着一层一层的输入深入，线和边缘会聚合成形状组合，最终变成物体边框输出。通过深度神经网络，可以把物体特征和边框提取出来，从而产生分类结果。

在感知领域，AI深入学习通常进行四个方面应用。包括VRU检测，主要识别行人、两轮车、关键点检测、姿态和动作识别；以及车辆检测，包括3D边框、距离、位置和速度、常见车辆类型，还有特殊车辆的识别。除了动态元素外，静态元素识别有道路元素和特别场景，如交通识别牌、车道线、地面指引字、信号灯、可行驶区域、施工区等。AI应用于量产自动驾驶的三个关键因素是数据、算法和硬件，它们之间相互紧密结合又相互依赖。从采集数据中获得资源和机会，对数据质量把控，是改进算法重要一环。打通数据闭环，实现数据自动化，可减少重复劳动，让研发人员更专注算法和核心价值，加速迭代过程。

算法从基于规则，逐步发展到人工神经网络，再到更深度神经网络模型。只有足够场景、测试里程支撑，自动驾驶的机器算法才能得到很好优化。深度学习算法评价标准含精度、网络结构、权重数量等方面，这种评价也是自动驾驶走向量产的关键点。

要处理海量数据、庞大模型，自然需要良好硬件平台支撑。目前，业界普遍认为硬件对AI应用是非常重要的一环。深入学习的硬件按推理、训练、云端和边缘可分为四个相线，云端训练对硬件要求灵活，对成本和功耗考虑校对较弱；云端推理时模型相对固化，更关心运算速度与带宽，同时兼顾功耗成本。另一方面，边缘端运算，对算力、实时性、体积、带宽、功耗等则有非常高要求。自动驾驶走向量产最需关注安全问题。由于自动驾驶系统复杂度随等级升高呈现几何级增长，研发之路漫长，导致多数自动驾驶公司都推迟了量产计划。前些年，自动驾驶开发更关心技术和功能，如今，安全问题更加凸显，如何从设计层面保障安全，并从法律方面得到保障越来越受到重视。

在深度学习领域，由于网络隐藏层增多，许多表达变得抽象，很难对结果做出解释，无法追溯错误源头。如深度学习算法没法解释有些漏识别障碍现象为什么会发生，因此也就无法相应改善。由于不可解释性，无法对深度学习算法进行验证、修复和分析，这对功能安全产生了很大影响。还有就是深入学习让感知系统有很大提升，但还无法更有效地解决决策和规划问题。所有这些，都是自动驾驶量产所面临的严峻挑战。

干货回放

精品课第1讲  赵福全：智能网联汽车战略价值与实现突破的关键点

精品课第2讲 龚建伟：智能汽车人才培养新形态——产教融合 实践创新

延伸阅读

课程表来啦！2020智能网联汽车精品课周一正式开课！

乘风破浪的汽车人，你！不！能！错！过！

文：林扬 编辑：黄霞 版式：刘晓烨

    关注 中国汽车报