「無人駕駛」離我們還有多遠？

「人工智慧」、「無人駕駛」可以說是目前科技界非常火的辭彙了，大眾認知度也非常高。剛剛過去的2017年可謂是人工智慧爆發的一年，Alpha Go、百度開源自動駕駛系統Apollo等等，都將人工智慧推向了風口浪尖。但是，真正的「無人駕駛」究竟距離我們還有多遠呢？

人工智慧（artificial intelligence, AI）是計算機學科的分支，通過模擬情景、人的意識和思維獨立完成具體指令。AI 涉及的領域包括機器人、語言識別、圖像識別、專家系統等，它已經逐漸融入現代生活，而且也在交通領域得到了廣泛研究與應用。

在面對各類城市問題時，我們擁有布滿天空的衛星、充分的氣象信息、無處不在的攝像頭、大量的無線通信終端、海量的移動通信數據，收集所有可能的數據遲早可以派上用場，從而使大數據成為向人工智慧技術發展的重要推手。城市的物理系統需要整合資源、統一管理，充分利用人與設備的自我感知能力，實現各類數據的快速採集與共享，位於本地或雲端的便宜的存儲，這些都催生了對更複雜的數據分析方案的需求——更加具有洞察力，更加智能。人工智慧技術是對人的意識、思維的信息過程的模擬，可以改進搜索質量，可以讓電腦無限接近人的大腦，並且可以通過深度學習等機器學習演算法，實現對物體的識別、人臉的識別。例如，無人車核心是基於人工智慧的汽車大腦，目前汽車大腦基於雲端數據和感測器的數據，為汽車提供高精度地圖、高精定位、智能感知、智能控制的自動駕駛整體解決方案。

美國斯坦福大學發布了一份名為《2030 年的人工智慧與生活》報告，該報告認為，到2030 年人工智慧將以多種我們意想不到的方式融入人類生活。從就業到教育，從交通到娛樂，人工智慧幾乎會對我們的日常生活產生巨大影響。在眾多領域中交通可能會成為首批幾個特定應用領域之一。在該領域，嵌入了人工智慧系統的實體交通工作的首次體驗將在很大程度上影響公眾對人工智慧的感知。一旦人工智慧系統在執行危險任務中的可靠性和安全性變得讓人們信任，很快就會走進人們的日常生活中。

機器深度學習是近年來在人工智慧領域的重大突破之一，它在語音識別、自然語言處理、計算機視覺等領域都取得了不少成功。

所謂深度學習，又名深度神經網路，相對於以前的神經網路來說是一種更多層和節點的神經網路機器學習演算法，可以看出其實深度學習是一種機器學習，是一種更智能的機器學習。深度學習主要類型一般包括5 種，像CNN、RNN、LSTM、RBM 和Autoencoder，其中我們主要使用的是CNN。CNN 另外一個名字叫卷積神經網路，卷積神經網路已經被證明在圖像處理中有很好的效果。由於車輛行駛環境複雜，當前感知技術在檢測與識別精度方面無法滿足自動駕駛發展需要，深度學習被證明在複雜環境感知方面有巨大優勢。從而利用人工智慧系統語音識別、圖像識別、深度學習等技術優勢，其可根據實時感知的環境信息、高精度地圖等實現路徑的規劃。同時，預測周邊車輛和行人的行為和意圖，做出適合路況的行車決策，從而對汽車正常行駛進行智能決策和控制。

1

無人與自動駕駛

自20 世紀30 年代以來，人類便開始夢想自動駕駛汽車。自60 年代以來，打造自動駕駛汽車就成為AI 研究人員的挑戰。目前，自動駕駛技術無論是在學術界還是在行業內都取得了不錯的研究進展。由於感測技術以及用於感知任務的深度學習均得到長足發展，在普通汽車的基礎上增加了先進的感測器（雷達、攝像）、控制器、執行器等裝置，通過車載感測系統和信息終端實現與人、車、路等的智能信息交換，使汽車具備智能的環境感知能力，能夠自動分析汽車行駛的安全及危險狀態，並使汽車按照人的意願到達目的地，最終實現替代人來操作的目的。例如，當前的一些汽車已經能夠自動泊車，在高速公路上自動巡航，在「走走停停」的交通條件下自動行駛，變道出現盲區時提醒司機。視覺和雷達技術也被用來開發預碰撞系統，當存在碰撞風險時會自動剎車。如谷歌自動駕駛汽車路測，特斯拉的半自動駕駛汽車商用。在不久的將來，用於執行駕駛功能的感知演算法表現將超越人類預知。除此之外，高級別推理功能（如規劃）演算法也將得到大幅度提升，將來自動駕駛汽車比人類駕駛還要安全、方便。

2

智能紅綠燈

現代化的交通信號燈通常都是按照預先設定的計劃切換的，也只有在特殊事件或緊急情況下才會進行人為干預。所謂的智能紅綠燈是已經可以使用攝像頭和道路感測器適時調整時間安排，以便更快、更安全地應對車流和行人。通過收集數據，並在沒有人工干預的情況下獨立制定決策，這種信號燈充分利用了人工智慧來適應交通狀況的隨機性。通過這種方式來減輕交通擁堵不僅可以緩解通勤壓力，還能減少因為車輛怠速產生的空氣污染。卡內基梅隆大學已經在匹茲堡測試了智能紅綠燈，還準備在加利福尼亞州洛杉磯和華盛頓州貝爾維尤進行測試。到2030 年，城市路口將會有可能看到智能紅綠燈實際應用。

作者：冉斌，張健

推薦閱讀：