自動駕駛汽車具有廣泛的自動駕駛能力。一些車輛提供基本的自動化功能，例如巡航控制和盲點檢測，而其他車輛則達到了完全自動化的功能。AI技術(shù)使其中許多功能成為可能。

但是，在討論智能城市交通的大規(guī)模部署之前，需要做更多的工作來改善為自動駕駛汽車提供動力的AI算法和地圖繪制功能。本文回顧了無人駕駛汽車AI和地圖繪制方面的創(chuàng)新，這可能有助于確保在全市部署無人駕駛汽車的未來。

1.深度強化學習(DRL)

多種類型的機器學習被應用于包括DRL在內(nèi)的自動駕駛汽車的開發(fā)。該方法結(jié)合了深度學習和強化學習的策略，以嘗試更好地自動化算法訓練。

在實施DRL時，研究人員使用獎勵功能來指導軟件定義的代理商朝著特定目標發(fā)展。在整個培訓過程中，這些代理人將學習如何實現(xiàn)該目標或如何在后續(xù)步驟中獲得最大的回報。

借助從當前自動駕駛汽車，人類駕駛員和制造商收集的數(shù)據(jù)，這些代理商最終可以接受獨立操作的培訓。同時，DRL在較低級別的車輛自動化中具有有用的應用程序。它還可以在汽車制造中提供價值，可以將其應用于改造工廠自動化和汽車維護。

2.路徑規(guī)劃

路徑規(guī)劃是自動駕駛汽車用來確定安全，便捷和經(jīng)濟路線的決策過程。它需要考慮街道配置，靜態(tài)和動態(tài)障礙以及變化的條件。當前，路徑規(guī)劃基于基于行為的模型，可行模型和預測控制模型的組合。

該過程大致如下：

路線規(guī)劃機制根據(jù)可用的道路或車道確定從A點到B點的路線。

然后應用行為層來根據(jù)環(huán)境變量(例如交通或天氣狀況)確定車輛運動。

將這些確定應用于可行的和預測的控制模型，以指導車輛的運行。

隨著行程的進行，來自傳感器和分析的反饋將反饋到這些組件，因此可以實時進行調(diào)整以調(diào)整錯誤或意外事件。

在上述過程中，相對容易的部分是預測車輛在特定條件下的行為。更具挑戰(zhàn)性的是預測車輛在其運行的環(huán)境中可能發(fā)生的情況。例如，模型如何預測相鄰車輛何時轉(zhuǎn)向或行人進入街道。

為了改善這些預測，研究人員正在應用多模型算法來模擬物體的可能軌跡和速度。這些模型使自治系統(tǒng)可以同時為多種情況做準備。然后，基于每種情況發(fā)生的評估概率，系統(tǒng)可以定義車輛的響應方式。

3. SLAM

同步定位和地圖繪制(SLAM)是一種用于將車輛實時定向到周圍環(huán)境的技術(shù)。盡管仍處于早期階段，但這項技術(shù)最終可以使車輛在地圖不可用或地圖不正確的區(qū)域內(nèi)自主運行。

使得該技術(shù)難以實施的原因在于，當前，映射是基于首先知道對象的方向的。但是，方向通常是通過將傳感器數(shù)據(jù)與現(xiàn)有的周圍環(huán)境圖進行比較來確定的。當?shù)貥诵畔⑽粗獣r，這種雙重依賴使得難以實現(xiàn)任何一個目標。

解決此問題的方法之一是通過合并基于GPS數(shù)據(jù)的粗略地圖，然后在車輛穿越環(huán)境時對其進行完善。這要求車輛傳感器不斷測量環(huán)境并進行仔細的計算以校正車輛運動和傳感器精度。

在用于生成Google Maps數(shù)據(jù)的Google自動駕駛汽車中可以看到SLAM應用程序的示例。該車輛使用安裝在車頂上的激光雷達(LIDAR)組件來測量其周圍環(huán)境。

根據(jù)車輛的行駛速度，每秒最多可進行10次測量。然后，將收集到的數(shù)據(jù)通過一系列統(tǒng)計模型，包括貝葉斯過濾器和蒙特卡洛模擬，以準確改善現(xiàn)有地圖。

4.高清地圖

高清晰度(HD)地圖是包含微小的環(huán)境細節(jié)的地圖，通常小到一厘米。這些地圖包括現(xiàn)場駕駛員在駕駛時能夠?qū)崟r查看和解釋的細節(jié)，但哪些自動駕駛汽車需要提前。例如，車道標記，彎道角度，道路邊界或路面坡度。

高清地圖提供的詳細程度可幫助自動駕駛車輛更準確地預測行為并實現(xiàn)更準確的方向。這并不能消除實時評估環(huán)境變化的需要。但是，這確實減輕了必須徹底處理和分析傳感器數(shù)據(jù)的負擔。

結(jié)論

AI算法只是為全自動駕駛汽車提供動力所需組件的一部分。高質(zhì)量數(shù)據(jù)的集成也推動了增長。例如，從高級傳感器收集的數(shù)據(jù)或從更準確的地圖得出的數(shù)據(jù)。雖然深度學習模型極大地促進了自動駕駛汽車AI的改進，但這些汽車仍然面臨許多挑戰(zhàn)，必須在真正成熟之前解決這些挑戰(zhàn)。