人工智能在自动驾驶系统的发展趋势与应用现状分析

本文以自动驾驶系统为代表的汽车智能化技术将对汽车产业生态变革产生重大影响。首先，分析了自动驾驶技术发展路线、发展现状及人工智能（Artificial Intelligence，AI）的应用领域，指出 AI 在自动驾驶应用中面临的挑战。然后，提出一种基于 AI 的车云协同自动驾驶系统架构，分析了基于 AI 的智能驾驶终端软硬件架构与基于大数据的自动驾驶云端空间架构；结合车端与云端的 AI 集成应用问题、信息数据交互方法与车云协同技术，讨论了人工智能在自动驾驶系统的主要应用。

本文来自 2018 年 3 月 15 日出版的 《湖北汽车工业学院学报》，作者是湖北汽车工业学院的朱政泽、周奎和彭彬。

21 世纪以来，随着新一代信息通信、新能源、新材料等技术加快与汽车产业融合，信息通信、互联网等新兴科技企业全面涉足汽车行业，世界汽车产业发展形势正面临重大变化：

1）产品形态和生产方式深度变革。汽车产品加快向新能源、轻量化、智能和网联化的方向发展，汽车正从交通工具转变为大型移动智能终端、储能单元和数字空间。汽车生产方式向充分互联协作的智能制造体系演进，个性化定制生产模式将成为趋势。

2）新兴需求和商业模式加速涌现。用户体验成为影响汽车消费的重要因素。消费需求的多元化特征日趋明显，共享出行、个性化服务成为主要方向。

3）产业格局和生态体系深刻调整。汽车发达国家加快推进产业创新和融合发展，世界汽车产业格局变化加速。互联网等新兴科技企业大举进入汽车行业，全球汽车产业生态正在重塑。

汽车智能化技术集现代传感技术、信息与通信技术、自动控制技术和人工智能等于一体，在减少交通事故、缓解交通拥堵、降低能耗、保护环境等方面具有巨大潜能。为此，世界各国都在积极制定自动驾驶技术路线图，推动自动驾驶汽车的发展，如美国的「工业互联网」、德国的「工业 4.0」、日本的「机器人革命」等各类科技规划，均将汽车智能化技术列为汽车产业发展的重要突破口，我国于 2015 年发布的《中国制造 2025》及 2017 年发布的《汽车产业中长期发展规划》明确提出「智能 + 网联」的自动驾驶汽车技术发展路线。

自动驾驶汽车系统被认为是汽车智能化发展的最高目标 [2]，对改善交通安全、实现节能减排、消除拥堵、提升社会效率，拉动汽车、电子、通讯、服务、社会管理等协同发展，促进汽车产业转型升级具有重大战略意义 [3]，自动驾驶技术已经成为众多企业的竞争热点。

另一方面，基于深度学习（Deep Learning，DL）在机器视觉（Machine Vision，MV）、自然语言处理（Natural Language Processing，NLP）等领域的成功应用和我国 AI 发展战略，研究 AI 在汽车自动驾驶系统中的深度应用，有十分重要的现实意义。文中梳理自动驾驶技术发展趋势，分析人工智能在汽车智能化网联化发展下的关键技术，并提出一种基于 AI 的车云协同自动驾驶系统。

1. 自动驾驶技术的发展趋势与 AI 应用现状分析

1.1 自动驾驶技术发展现状

自动驾驶汽车是一个机电一体、软硬件高度集成、以最终实现替代人操作的复杂信息物理融合系统，主要由感知、决策和执行子系统构成，自动驾驶技术涉及环境感知、决策规划、控制执行、V2X 通信等关键技术，其结构如图 1 所示。

图 1 自动驾驶汽车分层结构示意图

环境感知技术使用车载传感设备（如 GPS/INS 系统、毫米波雷达/摄像头）及 5G 网络获取汽车所处的交通环境信息和车辆状态信息（位置、姿态），并将多个传感器的输出信息统一在车辆坐标系下，建立具有时间标记的数据关联和融合的元信息，为自动驾驶的决策规划服务。

决策规划技术依据环境感知子系统输出信息，实现路由寻径、交通预测、行为决策、动作规划及反馈控制信号输出等功能。

控制执行技术使用线控执行机构完成反馈控制输出指令的执行，以实现转向、油门和制动的控制。

V2X 技术为车与外界的信息交互提供实时、可靠的通信服务，为环境感知和决策规划服务。

1.1.1 自动驾驶发展路线

目前自动驾驶技术的实现出现了 2 条路径：以传统车企为主的渐进式发展路线、以科研机构和 IT 企业为主的颠覆式发展路线［4］。

1）渐进式发展路线 通过逐步提高汽车智能化水平，沿着辅助驾驶、部分自动驾驶、高度自动驾驶和完全自动驾驶的方向分阶段发展。在辅助驾驶阶段，车辆控制以驾驶员为主，驾驶员掌握最终的驾驶权，系统辅助驾驶员，降低驾驶负担。目前已在乘用车上量产的辅助驾驶技术有侧向稳定控制、电动助力转向控制，部分高档车还装有自动泊车、自适应巡航、车道偏离预警系统等辅助驾驶系统。在部分自动驾驶阶段，车辆的智能化水平进一步提高，具有一定的自主决策能力，具备特定工况下短时托管的能力。在高度自动驾驶阶段和完全自动驾驶阶段，车辆具有高度自主性，汽车可自主决策、规划和控制，可实现复杂工况（如高速公路、城市工况）的托管能力，甚至完全无人驾驶。

2）颠覆式发展路线 跳过汽车智能化逐级发展的思路，直接实现车辆的高度/完全自动驾驶，研发难度大，其研究成果已经很好地用到渐进式发展路线的各个阶段。美国是该领域研究最早技术最先进的国家。美国国防部高级研究计划局（DARPA）从 20 世纪 80 年代开始通过 ALV 项目、DEMO-II 计划、DEMO-III 计划等资助美国企业、科研机构和高等院校进行颠覆式自动驾驶技术在军事领域的应用。谷歌公司是目前在该领域取得成果最为显著的企业，其 2009 年开始自动驾驶技术研究，2010 年进行了自动驾驶汽车城市路况测试，2011 年获得自动驾驶汽车的授权，目前其研发的自动驾驶汽车已经被美国车辆安全监管机构认为符合联邦法律。德国也是最早开始该领域研究的国家，早在 20 世纪 80 年代，德国慕尼黑联邦国防军大学就与奔驰公司合作开始研发自主驾驶汽车，其代表车型奔驰 S500 于 2013 年在城市和城际道路完成了长距离自主驾驶试验。

渐进式发展路线和颠覆式发展路线体现了传统整车企业和互联网 IT 企业关于智能驾驶汽车产业化发展的分歧。互联网企业试图将一些尖端的 IT 技术引入到汽车领域中，为消费者带来更多美好的驾驶体验，通过自顶而下的技术辐射，纵向向下衍生低级别的智能驾驶技术。而汽车企业认为驾驶员对于安全感的需求可能远超 IT 思维的预想，因而采取循序渐进的方式推广智能驾驶技术。

无论何种技术路线，车辆智能安全辅助功能的研究已经很成熟，客观上为智能驾驶搭好了基础技术平台；整车企业及 IT 企业在智能驾驶产业化发展上也均面临技术问题、成本问题、法规问题需要解决。但只要市场对这些技术有持续需求，就能推动汽车向完全无人化演进［2］。

1.1.2 我国自动驾驶技术发展现状

我国在自动驾驶领域的研究起步于 20 世纪 80 年代。1980 年「遥控驾驶的防核化侦察车」由国家立项，1989 年我国首辆智能小车在国防科技大学研制成功，1992 年国防科技大学、北京理工大学等高校研制成功我国第一辆真正意义上能够自主行驶的测试样车（ATB-1）[5]。

进入 21 世纪，国家「863 计划」开始对自动驾驶技术研究给予更多支持。2000 年国防科技大学宣布其第 4 代自动驾驶汽车试验成功。2003 年国防科技大学和一汽共同合作研发成功了一辆自动驾驶汽车——红旗 CA7460，该汽车能够根据车辆前方路况自动变道，2006 年研制成功新一代红旗 HQ3 自动驾驶轿车。2005 年我国首辆城市自动驾驶汽车由上海交通大学研制成功。2011 年国防科技大学和一汽研制的 HQ3 首次完成了从长沙到武汉的高速全程无人驾驶试验，自动驾驶的平均速度达到 87 km/h，全程距离为 286 km［5］。2012 年 11 月军事交通学院研制的自动驾驶汽车完成了高速公路测试，是第 1 辆得到了我国官方认证的无人汽车，并获得中国智能车未来挑战赛 2015 年度和 2016 年度冠军。

2015 年 12 月 IT 企业百度的自动驾驶汽车完成北京开放高速路的自动驾驶测试，意味着自动驾驶技术从科研开始落地到产品；2016 年 9 月百度宣布获得美国加州政府颁发的全球第 15 张无人车上路测试牌照，2017 年 4 月 17 日百度展示了与博世合作开发的高速公路辅助功能增强版演示车。

2017 年 4 月我国把基于自动驾驶技术的智能网联汽车列入「汽车产业中长期发展规划」，成为我国汽车产业转型发展又一个战略目标。我国自动驾驶技术的总体水平与国外先进水平还存在一定的差距，主要关键技术（感知融合、路径规划、控制与决策技术等）仍处于完善阶段，关键技术发展的局限性制约了自动驾驶系统在不同环境下的自主驾驶能力，导致自动驾驶系统的行为表现有时存在较大的反差。

1.2 AI 在自动驾驶中的应用现状与挑战

1.2.1 人工智能技术简介

AI 是一门研究模拟、延伸和扩展人类智能的理论、方法及技术的科学，其诞生于 20 世纪 50 年代，目前发展为计算机视觉、自然语言理解与交流、认知与推理、机器人学、博弈与伦理和机器学习六大领域，并呈现出各领域相互渗透的趋势。

其中，机器学习研究如何在算法的指导下自动学习输入数据样本的数据结构和内在规律并获得新的经验与知识，从而对新样本进行智能识别，甚至对未来进行预测[6]。典型的机器学习算法有线性回归、K-均值、K-近邻、主成份分析、支持向量机、决策树、人工神经网络等。

在人工神经网络基础上发展起来的深度学习模型是当前最为有效的机器学习算法模型之一，成为当前人工智能研究与应用的热点。深度学习模型在人工神经网络中加入了多个隐层，于 2006 年由 Geoffrey Hinton 和 Ruslan Salakhutdinov 提出。由于在 2012 年的 ImageNet 比赛（计算机视觉领域最具影响力的国际比赛）中成绩突出，深度学习模型受到社会各界的极大关注，并在多个领域取得研究进展，出现了一批成功的商业应用，如谷歌翻译、苹果语音工具 Siri、微软的 Cortana 个人语音助手、蚂蚁金服的扫脸技术、谷歌的 AlphaGo 等［6］。

1.2.2 人工智能在自动驾驶技术中的应用

AI 在自动驾驶技术中有着丰富的应用，诸如深度学习、增强学习都在自动驾驶技术中取得较好的研究结果。

1）环境感知领域

感知处理是 AI 在自动驾驶中的典型应用场景。如基于 HOG 特征的行人检测技术在提取图像的 HOG 特征后通常通过支持向量机算法进行行人检测；基于激光雷达与摄像头的车辆检测技术中，需对激光雷达数据做聚类处理；线性回归算法、支持向量机算法、人工神经网络算法也常被用于车道线和交通标志的检测。

图 2 基于机器学习的非结构化道路检测框架

图 2［7］所示的框架把机器学习用到乡村公路、野外土路等非结构化道路的检测中。由于车辆行驶环境复杂，已有感知技术在检测与识别精度方面尚无法满足自动驾驶的需要，基于深度学习的图像处理成为自动驾驶视觉感知的重要支撑［8］。在感知融合环节，常用的 AI 方法有贝叶斯估计、统计决策理论、证据理论、模糊推理，、神经网络以及产生式规则等。

2）决策规划领域

决策规划处理是 AI 在自动驾驶中的另一个重要应用场景，状态机、决策树、贝叶斯网络等 AI 方法已有大量应用。近年来兴起的深度学习与强化学习能通过大量学习实现对复杂工况的决策，并能进行在线学习优化，由于需要较多的计算资源，当前是计算机与互联网领域研究自动驾驶规划决策处理的热门技术 [8]。

3）控制执行领域

传统控制方法有 PID 控制、滑模控制、模糊控制、模型预测控制等。智能控制方法主要有基于模型的控制、神经网络控制和深度学习方法等。

如清华***等研究了单车多目标协调式自适应巡航控制技术，在实现自动跟车行驶、低燃油消耗和符合驾驶员特性三大功能的同时全面提升行车安全性、改善车辆燃油经济性、减轻驾驶疲劳强度；还提出了基于多智能体系统的协同式多车队列控制方案，以实现降低油耗、改善交通效率以及提高行车安全性的目标。

1.2.3 自动驾驶领域AI应用面临的挑战

当前，以深度学习为代表的当代 AI 技术，基于在机器视觉（MV）、自然语言处理（NLP）等领域的成功应用，被引入到自动驾驶技术的环境感知、决策规划和控制执行的研究中，获得了较好的效果。

由于车辆行驶环境复杂，一些严重依赖于数据、计算资源和算法的 AI 技术，在自动驾驶的感知、决策、执行等环节尚无法满足实时性需求，一些以其作为核心支撑的自动驾驶系统原型面临挑战：

1）实时可靠性需求给系统的计算速度和计算可靠性带来挑战。自动驾驶系统要求感知、决策和执行各子系统的响应必须是实时可靠的，因此需要系统提供高速可靠的计算能力。

2）部件小型化的产业化需求使目前系统庞大的硬件尺寸面临挑战。当前的自动驾驶系统原型大多是计算机系统或工控机系统，不满足车规级部件需求。

3）个性化适配无法满足。当前兴起的深度学习算法对应用环境变异的自适应性较差，对不同车型和不同场景存在模型重新训练的适配问题，已有的自动驾驶系统原型不能满足。

4）自主学习、自主维护需求无法满足。深度学习呈现出学习集越大，效果越好的特点，由此需要自动驾驶系统具备持续自主学习能力，而已有的自动驾驶原型无法满足。面对老化、磨损等问题，部件出厂时的标定参数不再处于最优状态，自动驾驶系统需要基于汽车行驶数据、性能评价进行智能整定（自标定）、诊断和维护，已有的自动驾驶原型也无法满足需求。

5）成本控制面临挑战。当前自动驾驶系统原型造价尚不满足产业化成本需求。

上述问题本质上是由于智能驾驶单车数据积累深度与广度不足、强计算能力欠缺、任务自适应能力差、AI 算法优化适配困难。为解决上述问题，完成 AI 在车载终端的深度集成应用，考虑构建车云协同一体的智能驾驶系统。借助云平台灵活、丰富的计算资源，处理复杂的 AI 算法，并将分析结果发给车端进行实时决策规划，使云端域作为具有网络功能开放的大脑和核心，成为连接网络内部和车端业务需求的纽带，藉此真正实现网络智能化。基于云计算和大数据技术的发展，把自动驾驶系统分为车、云（平台）两层，提出车云协同自动驾驶系统架构。在云端提供数据存储、数据共享和计算资源，支持深度学习、自主学习、自主维护和个性化适配等复杂 AI 算法。通过部分软/硬件共享技术，可降低车端成本，使计算量减少，有利于车端嵌入式 AI 硬件产品的研发，以满足车规级部件的需求。

2. 基于 AI 的车云协同自动驾驶系统架构及关键技术

围绕 AI 技术应用于自动驾驶中的数据、计算与算法三大要素，面向多车型、多场景与个性化智能驾驶需求，针对智能驾驶单车系统面临的等问题，提出一种基于 AI 的车云协同的自动驾驶系统架构方案，如图 3 所示。

图 3 基于 AI 的车云协同自动驾驶系统架构方案示意图

该架构方案由基于 AI 的自动驾驶智能车端设备和基于大数据分析的自动驾驶云端系统两部分组成，共同形成一个集复杂环境精确感知、通行智慧决策与行车控制优化执行的车云协同一体自动驾驶系统。

2.1 基于 AI 的自动驾驶智能终端

自动驾驶智能终端是一个集环境感知、规划决策、执行控制等多项功能于一体的信息物理融合系统（CPS）[9]。为适应不同场景不同车型汽车自动驾驶的应用需求，需深入研究自动驾驶汽车嵌入式智能控制器软硬件协同设计技术，建立可承载集传感器数据采集、环境感知数据融合、规划决策，执行控制 AI 算法为一体，满足自动驾驶行车需求的智能终端软硬件体系架构，设计实时可靠、具有系统容错和「跛行」能力的自动驾驶汽车 AI 终端，提出实时可靠、任务自适应的智能终端专用系统软件，实现 AI 算法的系统集成验证与实车应用。需突破的关键技术包括实时可靠的自动驾驶 AI 终端硬件架构、可靠自适应的自动驾驶 AI 终端软件架构和自动驾驶智能终端的 AI 技术集成应用等。

1）自动驾驶 AI 终端硬件架构

自动驾驶汽车 AI 终端是一个集环境感知、规划决策、控制执行等多项功能于一体的综合智能系统。根据自动驾驶系统在典型应用场景中针对环境感知、规划决策以及执行控制等业务模块体现出的不同任务分工、工作模式及通信互联方式，研究自动驾驶 AI 终端的系统可靠性设计及模块化设计方法，重点研究基于 GPU 和 MCU 的异构多核硬件系统架构和基于以太网的高速互联通信架构。

2）自动驾驶 AI 终端软件架构

自动驾驶车端系统集成了多个软件功能模块（环境感知、规划决策、执行控制、导航、定位、交通信号监测等）和多个硬件执行单元（计算单元、控制单元、传感器等），研究：

基于 AI 的感知、规划、执行等功能性应用软件系统架构与层次化、模块化的设计方法；

基于任务自适应的系统软件和应用软件最优构架；

确保合理分配和调度包括 GPU、CPU、内存、总线和通信接口等在内的软硬件资源，提供系统自我修复能力、模块资源隔离能力、计算与内存资源分配能力、优先级执行能力，以及模块间有效通信能力等。

3）自动驾驶 AI 终端的技术集成应用

自动驾驶系统作为一个典型的物理信息融合系统，必须通过 AI 方法的综合运用才能实现进行数据信息和知识信息的综合集成。

针对自动驾驶智能终端的有限软硬件资源，构建面向自动驾驶智能终端的 AI 操作系统，使自动驾驶的感知融合、决策控制等任务能够实时执行。AI 操作系统除具有通用操作系统的所有功能，还应包括语音识别、机器视觉、执行器系统和认知行为系统，可分为基础设施层、技术研发层和集成应用层。基于 AI 的自动驾驶智能终端目前已得到业界的普遍重视，大量 AI 技术正以惊人的速度应用在自动驾驶汽车领域。

然而，目前仍面临的一些问题亟待解决：

如 AI 算法需要大量标记的样本库进行自学习，且内在机理不清晰、边界条件不确

定；

AI 技术应用范围受限于车载芯片及传感器的处理能力等。

因此，注重传感器与汽车产业同步升级，藉此提高数据采集质量，使数据融合在硬件层面有解决方案；最大限度发挥 AI 技术在限定场景下的应用，如封闭/半封闭区域、低速/高速状态、有轨交通、特种车辆等。

2.2 基于大数据分析的自动驾驶云端系统

在云计算平台的强计算能力保障下，面向多车型、多场景以及个性化驾驶的需求，分析自动驾驶汽车系统中 AI 关于数据质量与访问效率的要求，

研究面向 AI 的云计算平台数据空间构建技术，实现车云两端多类型、多领域数据的归一化；

研究自动驾驶汽车系统中的车云两端信息数据交互协同技术，构建信息数据交互协同框架，解决车云两端信息数据的无缝对接问题，完成车端的信息数据订阅与云端的信息数据分发。

在此基础上，研究在不同车型、不同驾驶风格下适应多场景的 AI 算法适配问题，使自动驾驶汽车在感知、决策与执行 3 个层次均呈现较深的智能化，进而实现自动驾驶汽车整体智能的提升。

1）云端数据空间构建技术

为降低在多场景、多车型与个性驾驶等背景下的自动驾驶系统中 AI 数据处理和信息服务的复杂性，分析信息数据的分布、异构、时变、海量的数据特征，

研究基于信息数据源的元数据描述方法、元数据的冲突消减技术以及元数据的发布发现技术，实现元数据集的构建与管理；

研究信息数据空间的组织结构与建模技术，构建信息数据空间的对象关联集；

研究基于元数据实体对象的索引和检索技术，实现基于元数据的异构信息数据源的发布与发现能力。

2）车云协同技术

在不同的行车工况与应用场景中，无论是自动驾驶的在线 AI 学习训练，还是离线的交互信息准备，为实施精准的行车环境感知、智慧的通行决策与优化的行车动作控制，车端与云端之间均需要进行大量的信息数据交互与协同。

基于 AI 的自动驾驶系统车云协同技术需主要解决信息数据在车端与云平台之间的统一有效传递问题。车身传感器节点的采样数据包括数值型数据（如 GPS/INS 数据、毫米波雷达数据）和多媒体数据（如摄像头图像），将这些传感器数据按一定频率传输到云端数据库，进行在线处理、离线处理、溯源处理和复杂数据分析。

文中提出的自动驾驶系统包括车端与云端两部分智能子系统，云端系统不仅能够存储海量的传感器实时采集数据，还可以存储采集历史数据，同时借助云计算完成这些海量数据的存储、传输、分析处理，基于 AI 集成应用算法的智能驾驶控制模型，为车辆决策提供可靠、高效的协同控制方案。

3）云平台 AI 算法应用技术

云平台 AI 算法应用是自动驾驶云端系统的核心部分，它结合机器学习、数据挖掘等相关技术，对感知融合信息进行分析，为车辆控制规划提供决策依据。车载嵌入式硬件平台因计算、存储能力有限，无法满足 AI 模型的训练需求。自动驾驶云平台 AI 算法应用技术，利用虚拟化技术及网络技术整合大规模可扩展的计算、存储、数据、应用等分布式计算资源完成 AI 模型算法的学习训练，能实现在云端训练 AI 模型，通过车云协同技术将其部署到嵌入式平台，使 AI 算法在车端自动驾驶系统上得到深度应用。

可以预见，自动驾驶云端系统未来面临的主要问题集中在超大规模的数据存储、数据加密和安全性保证以及提高 I/O 速率等方面；在技术落地上也面临供应商协作及运营收费政策的限制。

因此，考虑充分利用现有创新资源和载体，融通各类企业级平台及政府监管平台数据，转变通信系统和发布系统的封闭现状，采用云计算模式构建交通服务体系，对于一些中小城市而言只需要租用相应的服务即可，有利于自动驾驶云端系统的普及。同时由政府引导，对云平台技术规范及数据元格式等核心草案进行编制与推广，从而引导自动驾驶云端系统应用的示范，推广及可持续发展。

3. 结论

文中分析了自动驾驶技术的发展现状，以及 AI 在自动驾驶技术中的应用发展趋势与面临的挑战。在此基础上，提出了一个基于 AI 的车云协同自动驾驶系统，阐述了系统组成及其关键技术。

文中提出 AI 深度应用于自动驾驶领域需重点解决自动驾驶车载终端的 AI 深度集成、自动驾驶系统车云计算平台数据归一化、车云信息数据交互协同、车云 AI 算法多车型多场景及个性驾驶适配等关键技术。

针对多车型多场景的应用工况，指出需研究自动驾驶汽车嵌入式智能控制器软硬件协同设计技术；

针对车载自动驾驶系统本地存储和计算能力有限的问题，提出以云计算作为车端能力的扩展，解决 AI 算法模型学习训练所必需的大数据存储空间和 HPC 能力的问题；

针对车云两端的交互问题，提出通过车云协同方法将云端上训练的 AI 模型部署到车端进行执行，完成感知融合、规划决策等自动驾驶任务。

最终基于车端和云端软硬件架构形成一套完整的车云协同一体自动驾驶系统。

未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能，互联网和脑科学交叉研究机构。

未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）云脑研究计划，构建互联网（城市）云脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。（来源：湖北汽车工业学院学报 ，作者是湖北汽车工业学院的朱政泽、周奎和彭彬；在此特别鸣谢。）