嵌入式人工智能

2021嵌入式人工智能目錄CONTENTESPart01軟件體系Part02硬件體系Part03技術(shù)可行性Part04理論可行性Part05安全性3Part

01軟件可行性4無人駕駛關(guān)鍵技術(shù)第一個問題是定位，自動駕駛需要的是厘米級定位。第二個問題是路徑規(guī)劃，自動駕駛的路徑規(guī)劃第一層是點到點的非時間相關(guān)性拓?fù)渎窂揭?guī)劃，第二層是實時的毫秒級避障規(guī)劃。第三層是將規(guī)劃分解為縱向（加速度）和橫向（角速度）規(guī)劃。第三個問題是車輛執(zhí)行機構(gòu)執(zhí)行縱向和橫向規(guī)劃，也就是線控系統(tǒng)。第一個和第三個問題主要由硬件解決，下面將介紹無人駕駛路徑規(guī)劃算法。STEP0155已知無人駕駛車輛的幾何形狀和動力學(xué)模型，以及通過車載傳感器采集到的周圍環(huán)境信息，包括障礙物的分布及狀態(tài)等。路徑規(guī)劃的任務(wù)就是根據(jù)接收到的信息，計算一條免碰撞且滿足車輛動力學(xué)和幾何約束的可行軌跡。并將規(guī)劃結(jié)果輸出至運動控制層，車輛根據(jù)規(guī)劃軌跡實時給出合適的控制量，以實現(xiàn)車輛對軌跡的跟隨。在一個空間中，車輛的所有狀態(tài)集合稱為其構(gòu)形空間，用符號Ｃ表示，障礙物構(gòu)形空間用表示，構(gòu)形空間自由連續(xù)映射稱為構(gòu)形空間中的一條可行路徑。車輛的狀態(tài)空間是由狀態(tài)方程和輸出方程總和起來構(gòu)成的一個完整的動態(tài)描述，是在構(gòu)形空間上加上車輛所受的非完整約束條件速度、曲率維度等得到的。類似于構(gòu)形空間，狀態(tài)空間的起始構(gòu)型、終止構(gòu)型、障礙區(qū)域和自由區(qū)域可分別表示可行軌跡在構(gòu)形空間中的投影就是可行路徑。路徑規(guī)劃問題可用三元組來描述，路徑規(guī)劃算法就是根據(jù)一系列的狀態(tài)輸入量，找出由初始狀態(tài)到達(dá)目標(biāo)狀態(tài)的可行軌跡。問題描述66傳統(tǒng)的路徑規(guī)劃算法是研究人員多年來研究的最基本，最成熟的算法，這些算法原理簡單易實現(xiàn)，并以得到廣泛應(yīng)用。本文著重介紹在無人駕駛車輛上得到較好應(yīng)用的兩類傳統(tǒng)路徑規(guī)劃算法，分別是以Ａ＊算法為代表的基于圖搜索的路徑規(guī)劃算法和以快速擴(kuò)展樹（ｒａｐｉｄｌｙｅｘｐｌｏ－ｒｉｎｇｒａｎｄｏｍｔｒｅｅ，ＲＲＴ）為代表的基于采樣的路徑規(guī)劃算法。

1基于圖搜索的路徑規(guī)劃算法基于圖搜索的路徑規(guī)劃算法的基本思想是將狀態(tài)空間通過確定的方式離散成搜索圖，并用各種啟發(fā)式搜索算法計算其可行解。Dijstra算法是一種經(jīng)典的最短路徑搜索算法，但其廣度優(yōu)先的性質(zhì)會導(dǎo)致搜索太多無關(guān)節(jié)點。因此，在２０世紀(jì)６０年代Ｈａｒｔ等提出了啟發(fā)式的Ａ＊搜索算法，其基本公式如下：

ｆ（ｎ＝ｇ（ｎ）＋ｈ（ｎ）（１）式中：ｆ（ｎ）為初始狀態(tài)到目標(biāo)狀態(tài)的估計代價；ｇ（ｎ）為初始狀態(tài)到狀態(tài)ｎ的實際代價；ｈ（ｎ）為狀態(tài)ｎ到目標(biāo)狀態(tài)的估計代價。雖然Ａ＊算法能有效解決最短路徑問題，但其存在易陷入“死循環(huán)”、規(guī)劃路徑折點多、在動態(tài)環(huán)境中規(guī)劃效果不佳等問題。2基于采樣的路徑規(guī)劃算法與基于搜索的路徑規(guī)劃算法不同，基于采樣的路徑規(guī)劃算法通過均勻隨機采樣的方法來探索高維狀態(tài)空間的連通性。此類算法的最大特點有兩個：１）無需對狀態(tài)空間的自由區(qū)域進(jìn)行建模；２）由于其隨機采樣的特點，搜索速度快，規(guī)劃效率高，缺陷在于不能處理非完整約束動力學(xué)問題。典型的基于隨機采樣的算法是ＲＲＴ算法，該算法不要求狀態(tài)之間精確連接，適合解決無人駕駛車輛在復(fù)雜環(huán)境下的路徑規(guī)劃問題。傳統(tǒng)算法77傳統(tǒng)算法88隨著對各個交叉學(xué)科的研究，各類智能優(yōu)化算法也被引入到路徑規(guī)劃領(lǐng)域，通過模擬自然界生物的行為規(guī)律實現(xiàn)優(yōu)化的目的，智能優(yōu)化算法具有自學(xué)習(xí)、自決定功能。近年來，典型的智能優(yōu)化算法包括蟻群算法（ａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ）、觸須算法（ｔｅｎｔａｃｌｅａｌｇｏｒｉｔｈｍ）和智能水滴算法（ｉｎｔｅｌｌｉｇｅｎｔｗａｔｅｒｄｒｏｐｓ，ＩＷＤ）。智能優(yōu)化算法99強化學(xué)習(xí)（ReinforcementLearning,RL）指無人駕駛車輛利用自身傳感器不斷與環(huán)境相互作用來獲取未知環(huán)境的知識。其學(xué)習(xí)構(gòu)架如圖3所示?；趶娀瘜W(xué)習(xí)的算法強化學(xué)習(xí)的優(yōu)勢在于通過和環(huán)境交互試錯進(jìn)行在線學(xué)習(xí)，在行動和評價的環(huán)境中獲得知識，對行動方案進(jìn)行改進(jìn)適應(yīng)環(huán)境，以獲得最優(yōu)動作。常用的強化學(xué)習(xí)算法有瞬時差分法、Ｓａｒｓａ算法和Q-Learning算法。其中Q-Learning算法是最有效的與環(huán)境模型無關(guān)的算法，具有在線學(xué)習(xí)的特點。雖然強化學(xué)習(xí)在隨機動態(tài)環(huán)境的路徑規(guī)劃中有較好應(yīng)用，但如何加快算法收斂速度，降低空間復(fù)雜度，提升在環(huán)境中的學(xué)習(xí)能力，一直是研究的難點問題。文獻(xiàn)提出基于近似動作空間模型策略選擇的Q-Learning學(xué)習(xí)算法，文獻(xiàn)提出雙層強化學(xué)習(xí)的干擾決策算法來克服強化學(xué)習(xí)的缺陷。此外，基于神經(jīng)網(wǎng)絡(luò)的強化學(xué)習(xí)，可以改善存儲空間不足的問題，通過神經(jīng)網(wǎng)絡(luò)來逼近Ｑ函數(shù)，在獲得無人駕駛車輛的狀態(tài)后不斷更新Ｑ值，根據(jù)ＢＰ算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后完成路徑規(guī)劃。深度強化學(xué)習(xí)是通過深度學(xué)習(xí)方法獲取圖像的高層語義信息，并利用強化學(xué)習(xí)的方法來完成從環(huán)境的端到端的實時場景的路徑規(guī)劃。文獻(xiàn)［５４］提出將近似核、神經(jīng)網(wǎng)絡(luò)和ＷｏＬＦ－ＰＨＣ（ｗｉｎｏｒｌｅａｒｎｆａｓｔ－ｐｏｌｉｃｙｈｉｌｌｃｌｉｍｂｉｎｇ）算法相結(jié)合，該方法提高了算法精確度，加快了運行速率。1010經(jīng)典的路徑規(guī)劃算法、智能優(yōu)化算法和基于強化學(xué)習(xí)的算法在一定程度上都可實現(xiàn)無人駕駛車輛的路徑規(guī)劃，但每種算法都有其優(yōu)點及局限性。難以采用單一的算法實現(xiàn)動態(tài)環(huán)境下精準(zhǔn)、安全可靠的路徑規(guī)劃。故將多種算法相結(jié)合，產(chǎn)生更加高效的優(yōu)化算法是該領(lǐng)域研究的重點。文獻(xiàn)提出將ＡＰＦ算法與改進(jìn)的ＲＲＴ算法相結(jié)合進(jìn)行實時路徑規(guī)劃，該算法利用人工勢場法進(jìn)行局部規(guī)劃，當(dāng)算法陷入局部極小值時，使用改進(jìn)的ＲＲＴ算法自適應(yīng)的選擇臨時目標(biāo)點，使得搜索過程跳出局部極小點。當(dāng)逃離局部極小點后，切換回人工勢場法繼續(xù)進(jìn)行規(guī)劃。該方法實現(xiàn)簡單，能夠適應(yīng)環(huán)境的變化。文獻(xiàn)將蟻群算法的全局路徑規(guī)劃特性與改進(jìn)Ａ＊算法的局部滾動預(yù)測碰撞特性相結(jié)合提出一種雙層規(guī)劃算法。首先采用改進(jìn)的蟻群算法規(guī)劃出一條最優(yōu)全局路徑序列，若無人駕駛車輛在前進(jìn)時滾動窗口內(nèi)有動態(tài)障礙物存在，則探測障礙物信息（速度、方向），進(jìn)行局部碰撞預(yù)測，然后根據(jù)相應(yīng)碰撞策略采用動態(tài)Ａ＊算法規(guī)劃出一條繞開當(dāng)前范圍內(nèi)所有障礙物的局部路徑。傳統(tǒng)的Ｑ－ｌｅａｒｎｉｎｇ算法無環(huán)境先驗信息，所有的初始狀態(tài)值函數(shù)均相等或完全隨機，每一步動作都是隨機產(chǎn)生，從而導(dǎo)致路徑規(guī)劃效率低下，訓(xùn)練迭代次數(shù)過多。文獻(xiàn)提出將引力勢場和環(huán)境陷阱搜索結(jié)合作為先驗信息初始化Ｑ值，避免復(fù)雜環(huán)境中斥力勢場的冗余計算，防止陷入環(huán)境中的凹形陷阱，提高算法迭代速度，同時取消對障礙物的試錯學(xué)習(xí)，縮小可行路徑范圍，使訓(xùn)練適用于真實環(huán)境?；旌纤惴?1綜合比較文獻(xiàn)[57]為基于動態(tài)反饋Ａ＊蟻群算法的平滑路徑規(guī)劃方法1212在無人駕駛車輛路徑規(guī)劃技術(shù)的研究中，確定起始位置的點到點的路徑規(guī)劃，已知環(huán)境下無障礙物的路徑規(guī)劃問題的研究都已較為成熟，未知環(huán)境下有障礙物的路徑規(guī)劃也取得了重大進(jìn)展，但在每個具體規(guī)劃算法中還存在一些不足，所以路徑規(guī)劃領(lǐng)域的重點依然是新的高效的路徑規(guī)劃算法和混合路徑規(guī)劃算法的研究。另外，考慮實時交通道路狀況的路徑規(guī)劃等問題也將成為未來研究方向之一，具體表現(xiàn)有以幾個方面。１）混合路徑規(guī)劃算法。如蟻群算法與智能水滴算法的結(jié)合，利用蟻群算法較好的實時性進(jìn)行全局路徑規(guī)規(guī)劃再結(jié)合智能水滴算法，利用其啟發(fā)式搜索的特點實現(xiàn)局部路徑的規(guī)劃。２）自適應(yīng)動態(tài)規(guī)劃。由于傳統(tǒng)的基于系統(tǒng)模型的自適應(yīng)規(guī)劃，難以解決系統(tǒng)規(guī)模龐大、非線性高、變量多、因素復(fù)雜的無人駕駛車輛路徑規(guī)劃問題，因此基于數(shù)據(jù)和基于事件驅(qū)動的無模型自適應(yīng)動態(tài)規(guī)劃將成為解決該問題的一個新方向。３）結(jié)構(gòu)化環(huán)境下的路徑規(guī)劃。城市結(jié)構(gòu)化環(huán)境中交通規(guī)則的復(fù)雜性，交通參與者的多樣性，感知信息的不確定性，以及環(huán)境信息的部分可觀性等問題，都是未來無人駕駛車輛的路徑規(guī)劃研究的新挑戰(zhàn)。

４）多車輛合作在動態(tài)環(huán)境中的路徑規(guī)劃。如何劃分未知環(huán)境，如何對無人駕駛車輛進(jìn)行分工，如何完成具有多檢查點的任務(wù)，如何完成實時避障，如何設(shè)置車輛的體系結(jié)構(gòu)及車輛間的通信方式等都將成為新的研究問題發(fā)展趨勢13Part

02自動駕駛的硬件介紹14圖中基本包含了自動駕駛研究所需要的各種硬件那么這么多傳感器都會同時出現(xiàn)在一輛車上么？Introductiontohardwareforautonomousdriving15在前期算法預(yù)研階段，推薦使用工控機（IndustrialPC，IPC）作為最直接的控制器解決方案。因為工控機相比于嵌入式設(shè)備更穩(wěn)定、可靠，社區(qū)支持及配套的軟件也更豐富。百度開源的Apollo推薦了一款包含GPU的工控機，型號為Nuvo-5095GC?？刂破鱅ntroductiontohardwareforautonomousdriving16當(dāng)算法研究得較為成熟時，就可以將嵌入式系統(tǒng)作為控制器，比如Audi和TTTech共同研發(fā)的zFAS，目前已經(jīng)應(yīng)用在最新款A(yù)udiA8上量產(chǎn)車上了。Github

ApolloAutoIntroductiontohardwareforautonomousdriving17工控機與汽車底盤的交互必須通過專門的語言——CAN。從底盤獲取當(dāng)前車速及方向盤轉(zhuǎn)角等信息，需要解析底盤發(fā)到CAN總線上的數(shù)據(jù)；工控機通過傳感器的信息計算得到方向盤轉(zhuǎn)角以及期望車速后，也要通過CAN卡將消息轉(zhuǎn)碼成底盤可以識別的信號，底盤進(jìn)而做出響應(yīng)。CAN卡可以直接安裝在工控機中，然后通過外部接口與CAN總線相連。Apollo使用的CAN卡，型號為ESDCAN-PCIe/402，如圖。

CAN卡Introductiontohardwareforautonomousdriving18依靠GPS+IMU就可以知道自己在哪（經(jīng)緯度），在朝哪個方向開（航向），當(dāng)然IMU還能提供諸如橫擺角速度、角加速度等更豐富的信息，這些信息有助于自動駕駛汽車的定位和決策控制。Apollo的GPS型號為NovAtelGPS-703-GGG-HV，IMU型號為NovAtelSPAN-IGM-A1。GPS和IMUIntroductiontohardwareforautonomousdriving19感知傳感器分為很多種，包括視覺傳感器、激光傳感器、雷達(dá)傳感器等。視覺傳感器就是攝像頭，攝像頭分為單目視覺，雙目（立體）視覺。比較知名的視覺傳感器提供商有以色列的Mobileye，加拿大的PointGrey，德國的Pike等。激光傳感器分為單線，多線一直到64線。每多一線，成本上漲1萬RMB，當(dāng)然相應(yīng)的檢測效果也更好。比較知名的激光傳感器提供商有美國的Velodyne和Quanergy，德國的Ibeo等，國內(nèi)有速騰聚創(chuàng)。感知傳感器Introductiontohardwareforautonomousdriving雷達(dá)傳感器是車廠Tier1的強項，因為雷達(dá)傳感器已經(jīng)在汽車上得到了廣泛使用。知名的供應(yīng)商當(dāng)然是博世、德爾福、電裝等。20Part

03技術(shù)可行性分析21自動駕駛系統(tǒng)的技術(shù)實現(xiàn)主要包含四個核心內(nèi)涵，包括定位、感知、決策、執(zhí)行四個部分，其中定位是決策和執(zhí)行的前提。定位系統(tǒng)主要作用是確定車輛所處的絕對位置；感知層的主要作用是收集和解析出周圍環(huán)境的信息；決策層基于對當(dāng)前位置和周圍環(huán)境的理解，做出實時的安全有效的執(zhí)行計劃；執(zhí)行層則是按照決策層的計劃進(jìn)行。慣性導(dǎo)航：自動駕駛核心中的核心22定位系統(tǒng)主要是以高精地圖為依托，通過慣性傳感器（IMU）和全球定位系統(tǒng)（GNSS），來精確定位車輛所處絕對位置。其中，高精地圖可以為車輛環(huán)境感知提供輔助，提供超視距路況信息，并幫助車輛進(jìn)行規(guī)劃決策。慣導(dǎo)系統(tǒng)是一種不依賴于外部信息、也不向外部輻射能量的自主式導(dǎo)航系統(tǒng)；而全球定位系統(tǒng)是通過衛(wèi)星定位，在地球表面或近地空間的任何地點，提供三維坐標(biāo)和速度的定位系統(tǒng)。二者的結(jié)合就可以取長補短，共同構(gòu)成自動駕駛定位導(dǎo)航系統(tǒng)。慣性導(dǎo)航：自動駕駛核心中的核心23感知層主要功能是對環(huán)境信息和車內(nèi)信息進(jìn)行采集與處理，例如車輛的速度，方向，運動姿態(tài)和交通狀況等，并向決策層輸出信息。這一環(huán)節(jié)涉及到道路邊界檢測、車輛檢測、行人檢測等多種技術(shù)，所用到的傳感器一般有激光雷達(dá)、攝像頭、毫米波雷達(dá)、超聲波雷達(dá)等。由于各個傳感器在設(shè)計的時候有各自的局限性，單個傳感器滿足不了各種工況下的精確感知，想要車輛在各種環(huán)境下平穩(wěn)運行，就需要運用到多傳感器融合技術(shù)，該技術(shù)也是環(huán)境感知這一大類技術(shù)的關(guān)鍵所在。慣性導(dǎo)航：自動駕駛核心中的核心24決策層的作用在于接收來自車體自身感知器件以及來自車聯(lián)網(wǎng)的網(wǎng)絡(luò)虛擬空間信號，通過整合車載或云端處理結(jié)果，替代人類進(jìn)行決策判斷，輸出車輛控制信號。例如在車道保持、車道偏離預(yù)警、車距保持，障礙物警告中，需要預(yù)測本車與其他車輛、車道、行人等在未來一段時間內(nèi)的狀態(tài)，并做出下一步動作決策。這項技術(shù)相當(dāng)于自動汽車的“駕駛腦”，以算法為核心，并通過半導(dǎo)體等硬件技術(shù)對高速運算提供支持。慣性導(dǎo)航：自動駕駛核心中的核心25慣性導(dǎo)航在自動駕駛定位系統(tǒng)中具有不可替代性。慣導(dǎo)具有輸出信息不間斷、不受外界干擾等獨特優(yōu)勢，可保證在任何時刻以高頻次輸出車輛運動參數(shù)，為決策中心提供連續(xù)的車輛位置、姿態(tài)信息，這是任何傳感器都無法比擬的。GNSS+IMU方案是一種最常用的組成組合慣導(dǎo)系統(tǒng)的方案。GNSS在衛(wèi)星信號良好時可以提供厘米級定位，但地下車庫和城市樓宇之間等衛(wèi)星信號丟失或者信號微弱的場景提供的定位精度會大大下降。慣導(dǎo)可以不依賴外界環(huán)境提供穩(wěn)定的信號，但它會有累積誤差。通過

IMU與GNSS信號進(jìn)行融合后組成慣性組合導(dǎo)航系統(tǒng)，可以發(fā)揮兩者優(yōu)勢，并規(guī)避各自劣勢。通過整合

GPS與IMU，汽車可以實現(xiàn)既準(zhǔn)確又足夠?qū)崟r的位置更新。GPS更新頻率過低（僅有10Hz）不足以提供足夠?qū)崟r的位置更新，IMU的更新頻率可以達(dá)到

100Hz或者更高完全能彌補GPS所欠缺的實時性。GPS/IMU組合系統(tǒng)通過高達(dá)

100Hz頻率的全球定位和慣性更新數(shù)據(jù)，可以幫助自動駕駛完成定位。在衛(wèi)星信號良好時，INS系統(tǒng)可以正常輸出得到GPS的厘米級的定位；而衛(wèi)星信號較弱時，慣導(dǎo)系統(tǒng)可以依靠

IMU信號提供定位信息。慣性導(dǎo)航：自動駕駛核心中的核心26車體控制是無人駕駛車輛的另一個核心問題，主要包括速度控制、方向控制和剎車控制等幾個部分。通過分析駕駛員的駕駛行為不難發(fā)現(xiàn)，車體控制是一個典型的預(yù)瞄控制行為，駕駛員找到當(dāng)前道路環(huán)境下的預(yù)瞄點，根據(jù)預(yù)瞄點控制車輛的行為。目前最常用的方法仍然是經(jīng)典的智能PID算法，例如模糊PID、專家PID、神經(jīng)網(wǎng)絡(luò)PID等。安全是無人駕駛車輛成敗的關(guān)鍵，目前常用的避障傳感器包括激光雷達(dá)、微波雷達(dá)、視覺、超聲傳感器等。在高速公路環(huán)境下，由于速度較快，通常選用檢測距離較大的微波雷達(dá)；在城市環(huán)境，由于環(huán)境復(fù)雜，通常選用檢測角度較大的激光雷達(dá)。超聲傳感器由于檢測距離較短，通常用在車身兩側(cè)。視覺方法最為靈活，價格也比較低廉，但立體視覺算法的可靠性和實時性仍有待進(jìn)一步的提高。車體控制與安全以上三方面是無人自動駕駛車輛的基礎(chǔ)，但無人駕駛作為一種新型的公交系統(tǒng)，還需要一些其它相關(guān)技術(shù)，例如：1)車輛調(diào)度，用于動態(tài)規(guī)劃和協(xié)調(diào)系統(tǒng)中的多輛無人駕駛車輛；2)通訊系統(tǒng)，用于保證車輛和中央控制系統(tǒng)之間的通訊，以及車輛間的通訊；3)人機交互系統(tǒng)，用于乘客呼叫車輛和使用車輛。車輛呼叫一般可采用車站呼叫、短信呼叫、WEB呼叫、電話呼叫等多種方式，車輛使用一般采用類似電梯的操作方法。隨著這些方法的完善和發(fā)展，自動駕駛汽車行業(yè)也會隨之蓬勃發(fā)展?？偨Y(jié)274.理論可行性28深度學(xué)習(xí)技術(shù)在自動駕駛領(lǐng)域取得了巨大成功，優(yōu)點是精準(zhǔn)性高，魯棒性強，以及成本低。無人駕駛車輛商業(yè)化成為焦點和趨勢。汽車企業(yè)、互聯(lián)網(wǎng)企業(yè)都爭相進(jìn)入無人駕駛領(lǐng)域。谷歌（Ｇｏｏｇｌｅ）公司于２０１０年開始測試谷歌無人駕駛車輛（Ｇｏｏｇｌｅｄｒｉｖｅｒｌｅｓｓｃａｒ）。其定位是實現(xiàn)所有區(qū)域的無人駕駛，即無需任何人為干預(yù)的車輛駕駛。右圖為其核心架構(gòu)。目前已經(jīng)測試了４８萬ｋｍ，并獲得了合法試驗車牌。其他公司如特斯拉、沃爾沃、寶馬等公司也對無人駕駛技術(shù)進(jìn)行了深入的研究，其近期定位是實現(xiàn)高速公路上的高級輔助駕駛。同時，中國的百度、滴滴等公司也對無人駕駛進(jìn)行了大量的研究。理論可行性29汽車行業(yè)是一個特殊的行業(yè)，因為涉及到乘客的安全，任何事故都是不可接受的，所以對于安全性、可靠性有著近乎苛刻的要求。因此在研究無人駕駛的過程中，對于傳感器、算法的準(zhǔn)確性和魯棒性有著極高要求。另一方面，無人駕駛車輛是面向普通消費者的產(chǎn)品，所以需要控制成本。高精度的傳感器有利于算法結(jié)果準(zhǔn)確，但又非常昂貴（如激光雷達(dá)），這種矛盾在過去一直很難解決。

如今深度學(xué)習(xí)技術(shù)帶來的高準(zhǔn)確性促進(jìn)了無人駕駛車輛系統(tǒng)在目標(biāo)檢測、決策、傳感器應(yīng)用等多個核心領(lǐng)域的發(fā)展。深度學(xué)習(xí)技術(shù)，典型的如卷積神經(jīng)網(wǎng)絡(luò)（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ），目前廣泛應(yīng)用于各類圖像處理中，非常適用于無人駕駛領(lǐng)域。其訓(xùn)練測試樣本是從廉價的攝像機中取的，這種使用攝像機取代雷達(dá)從而壓縮成本的方法廣受關(guān)注。理論可行性30汽車行業(yè)對于行人的安全保障有著極高的要求。在自動駕駛領(lǐng)域，無人駕駛車輛必須具備通過車載傳感器檢測行人是否存在及其位置的能力，以實現(xiàn)進(jìn)一步的決策。一旦檢測錯誤則會造成傷亡，后果嚴(yán)重，所以對于行人檢測的準(zhǔn)確性要求極高。而行人檢測這一核心技術(shù)充滿挑戰(zhàn)性，如行人姿態(tài)變化、衣著打扮各異、遮擋問題、運動隨機、室外天氣光線因素變化等等。這些問題都會影響到行人檢測技術(shù)的準(zhǔn)確性乃至可行性。

目前的基于統(tǒng)計學(xué)的行人檢測方法主要分為２類： １）提取有效特征并進(jìn)行分類； ２）建立深度學(xué)習(xí)模型進(jìn)行識別分類。理論可行性1、行人檢測31

1.１:基于特征描述與分類器的行人檢測

通過先驗知識建立的特征描述配合分類器進(jìn)行行人檢測是傳統(tǒng)的主流方案，科研人員據(jù)此進(jìn)行了大量的研究，提出了多種適用于不同環(huán)境的行人檢測方法，如表１所示。理論可行性321.２：基于深度學(xué)習(xí)模型的行人檢測手動標(biāo)注圖像特征已經(jīng)有了很好的表現(xiàn)，能夠應(yīng)用到很多商業(yè)領(lǐng)域。但是深度學(xué)習(xí)在行人檢測領(lǐng)域的表現(xiàn)和潛力，顯然要遠(yuǎn)遠(yuǎn)好于傳統(tǒng)方法，因為其能對原始圖像數(shù)據(jù)進(jìn)行學(xué)習(xí)，通過算法提取出更好的特征。基于深度學(xué)習(xí)的行人檢測方法具備極高的準(zhǔn)確率和魯棒性。這對于無人駕駛領(lǐng)域的發(fā)展有著重要意義。Ｇｉｒｓｈｉｃｋ等于ＣＶＰＲ２０１４提出區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（ｒｅｇｉｏｎ－ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＲＣＮＮ）模型曾達(dá)到最高準(zhǔn)確率。Ｒ－ＣＮＮ引領(lǐng)了后期分類網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)框架的發(fā)展，其實現(xiàn)步驟下圖所示。理論可行性33

3Ｄ地圖重建是自動駕駛領(lǐng)域最重要的技術(shù)之一。主流成功的無人駕駛車輛一般采用多線雷達(dá)作為３－Ｄ傳感器來實現(xiàn)這項技術(shù)。但是雷達(dá)設(shè)備價格高昂，且僅能識別深度信息，無法獲取紋理和色彩，對周圍感知不足。針對這些問題，視覺領(lǐng)域研究者一直嘗試使用攝像頭來取代雷達(dá)，進(jìn)行３－Ｄ重建。采用雙目攝像頭進(jìn)行立體匹配，獲取深度信息，是一個經(jīng)典而思路清晰的方法：確定好兩個攝像頭的內(nèi)外參后，依靠相似三角形定理，理論上可以輕易獲得深度信息的結(jié)果。但是實際使用中，尤其是外景使用中，攝像頭受到外界光線干擾過大，存在大量無效信息和噪聲，所以其深度數(shù)值精度一直不好，一直只能作為雷達(dá)的輔助傳感器。相比無人駕駛車輛常用的激光雷達(dá)測距，攝像頭因為成本低、特征數(shù)量豐富等，隨著采用孿生網(wǎng)絡(luò)用于立體匹配的深度學(xué)習(xí)模型的提出，可以通過雙目攝像頭甚至單目攝像頭獲取物體高準(zhǔn)確率的深度信息。理論可行性2、立體匹配34隨著深度學(xué)習(xí)的興起，深度學(xué)習(xí)理論與技術(shù)在控制領(lǐng)域也產(chǎn)生了重大影響。基于視覺傳感器的自動駕駛方案得到了發(fā)展，由傳感器獲取數(shù)據(jù)到車輛的方向與油門開度的端到端技術(shù)已成為現(xiàn)實。目前存在３種主流方案，如右圖所示。理論可行性3、端到端控制35Part

05安全性GoogleWaymo1.WhereamI？Waymo系統(tǒng)安全計劃：設(shè)計保證安全2.What’sAroundMe？3.WhatWillHappenNext4.WhatShouldIDo？行為安全性車輛在道路上的行駛決策和行為。自動駕駛車輛也需要遵守交通規(guī)則，必須在各種駕駛情境（不論是該情景是預(yù)期內(nèi)還是預(yù)期外的）為用戶提供導(dǎo)航，確保駕駛安全性。Waymo運用各類功能性分析、仿真工具和路測，確保充分了解在業(yè)務(wù)設(shè)計領(lǐng)域內(nèi)出現(xiàn)的各類挑戰(zhàn)，并制定安全性要求，采用多管齊下的測試和驗證過程。功能安全性確保Waymo車輛在系統(tǒng)存故障或失效時的安全操控，這意味著要建立備份系統(tǒng)和冗余機制來應(yīng)對車輛的意外狀況。例如，Waymo旗下的所有自動駕駛車輛均配備了輔助計算機（secondarycomputer），可在主計算機出現(xiàn)故障時代替其接管車輛的操控，實現(xiàn)車輛的安全停車（即：最小風(fēng)險條件）。旗下各車輛均配備了備用轉(zhuǎn)向及制動系統(tǒng)，整個系統(tǒng)還有其他多層冗余。碰撞安全性即耐撞性，是指車輛通過各種措施保護(hù)車內(nèi)乘客的能力，借助結(jié)構(gòu)性設(shè)計來保護(hù)車內(nèi)人員，提供座椅約束裝置（seatrestraints）及安全氣囊，減輕車內(nèi)人員的傷亡程度。在美國，碰撞安全性被納入到美國聯(lián)邦機動車安全標(biāo)準(zhǔn)（FederalMotorVehicleSafetyStandards，F(xiàn)MVSS）中，該標(biāo)準(zhǔn)由美國國家公路交通安全管理局（NHTSA）發(fā)布。為此，各大車企務(wù)必要證明其基礎(chǔ)車型符合FMVSS的相關(guān)要求。Waymo所需的安全標(biāo)準(zhǔn)操作安全性指車輛和乘客之間的交互（人機交互）。當(dāng)確保操作安全性后，Waymo才能確保為消費者帶來自動駕駛車輛所提供的安全而舒適的體驗。公司旨在打造安全的自動駕駛車輛，借助危險分析、現(xiàn)有安全標(biāo)準(zhǔn)、大量的自動駕駛測試及從各行業(yè)借鑒而來的最佳實踐來實現(xiàn)。公司還將采取各項舉措，如公司提供的前期試駕乘坐體驗項目非碰撞安全性針對可能與車輛相互作用的人群，Waymo旨在提供身體上的安全防護(hù)。例如，電子系統(tǒng)或傳感器所帶來的危害，上述設(shè)備或?qū)Τ丝汀⑵嚰脊?、駕駛員、急救人員或旁觀者造成身體傷害。38運行設(shè)計域(operationaldesigndomain，簡稱ODD)是指自動駕駛系統(tǒng)可安全運行的條件。地理位置、道路類型、速度范圍、天氣、時間、國