自动驾驶汽车开始在某些行业成为现实。农业、交通和军事就是其中的一些例子。我们将在普通消费者的日常生活中看到自动驾驶汽车的日子即将到来。车辆必须执行的许多操作都基于传感器信息和一些人工智能算法。车辆需要收集数据、规划轨迹并执行轨迹。这些任务，尤其是两项任务需要非传统的编程方法，并且依赖于机器学习技术，而这些技术是人工智能的一部分。

自动驾驶汽车的许多任务仍然面临重大挑战，需要复杂的方法。取代人类的认知和运动能力并不容易，未来几年仍将继续进行。AI 需要解决不同的任务，以便我们实现可靠和安全的自动驾驶。

这个由两部分组成的系列的目的是说明使自动驾驶汽车成为现实的 AI 应用程序，展示它们的挑战和成就。与传统软件相比，还探讨了人工智能的本质，并在第 2 部分中进一步讨论了在自动驾驶汽车领域开发、测试和部署人工智能技术的具体挑战。

1. 自动驾驶汽车人工智能分析

自动驾驶汽车细分市场是汽车行业中增长快的细分市场。人工智能确实是自动驾驶汽车重要、复杂的组成部分（Carmody、Thomas，2019 年）。典型的自动驾驶汽车如图 1 所示。

图 1：自动驾驶汽车（Lentin，2017 年）

具有实时数据的传感器数量和对数据进行智能处理的需求可能是巨大的。AI 用于中央单元以及现代汽车的多个电子控制单元 (ECU)。

由于 AI 已被用于许多领域，包括机器人技术，这与有望掌握自主性的技术自然契合。该技术的前景是人工智能和感知技术将提供更安全、更确定的行为，从而带来燃油效率、舒适性和便利性等好处（Sagar 和 Nanjundeswaraswamy，2019 年）。

为像自动驾驶汽车这样复杂的东西开发人工智能系统的挑战很多。人工智能必须与大量传感器交互，并且必须实时使用数据。许多人工智能算法是计算密集型的，因此很难与具有内存和速度限制的 CPU 一起使用。现代车辆是必须在时域中产生确定性结果的实时系统的一个例子。这关系到在驾驶车辆时实现安全。像这样复杂的分布式系统需要大量内部通信，这些通信容易出现延迟，这会干扰人工智能算法的决策制定。此外还有车内运行软件的功耗问题。更密集的人工智能算法消耗更多的电力，这是一个问题，

人工智能用于自动驾驶汽车中的几项重要任务。其中一项主要任务是路径规划。那就是车辆的导航系统（Sagar 和 Nanjundeswaraswamy，2019 年）。AI 的另一项重大任务是与感官系统的交互以及对来自传感器的数据的解释。

现在很明显，提供一个完整的解决方案来取代方向盘后面的人是一项艰巨的任务（Boucherat，2019）。这就是为什么许多制造商开始将问题分成更小的部分并逐一解决，从而采取更小的步骤来实现完全自主的原因。总是有初创公司，行业中的颠覆性公司，试图解决完全的自动驾驶问题，并在过去发誓到 2020 年将有完全准备好的车辆上路。现在很明显，现实远不止于此复杂且许多障碍来自 AI 固有的一些问题。

随着人工智能的发展和进步，我们将越来越接近拥有安全和自主的交通工具。在那之前，我们必须应对许多小时的开发和测试，采用将取决于消费者的信心，并将取决于市场力量。即使需要比初预期更长的时间，这一切都会发生。需求和需求就在那里，技术也几乎就在那里。根据监管和分阶段进行，采用可能更快或更慢，从更简单和更确定的用例开始，例如在已知环境中驾驶。如果车辆仅在未知数较少的特定条件下运行，则可以充分缓解所使用的算法。

2. 人工智能在车辆中的应用

2.1. 传感器数据处理

有许多传感器在运行期间为车辆的中央计算机提供数据。传感器为道路、道路上的其他车辆以及任何其他可以被注意到的障碍物提供信息，就像人类如何感知它们一样（Khayyam 等人，2019 年）。其中一些传感器可以提供比普通人更好的感知，但要实现这一点，我们需要能够理解实时生成的数据流的智能算法。

其中一项主要任务是检测和识别车辆前方和周围的物体（Sagar 和 Nanjundeswaraswamy，2019 年）。人工神经网络 (ANN) 是通常用于此任务的算法。这个领域的另一个术语是深度学习，因为神经网络包含许多包含许多节点的层。图 2 显示了一个深度神经网络，尽管实际上节点和层的数量可能要多得多。

图 2：深度神经网络图。（比奇勒，2019）

视频输入的分析使用机器学习算法和有可能的神经网络来对对象进行分类。由于我们有多个不同类型的传感器，因此为每个传感器配备专用的硬件/软件模块是有意义的。这种方法允许并行处理数据，因此可以更快地做出决策。每个传感器单元都可以使用不同的人工智能算法，然后将其结果传送给其他单元或中央处理计算机。

2.2. 路径规划

为了优化车辆的轨迹并导致更好的交通模式，路径规划很重要。这有助于减少延误并避免道路拥堵（Abduljabbar 和 Dia，2019 年）。规划是人工智能算法非常适合的任务。它是一个动态任务，可以考虑很多因素，可以在执行路径的同时解决一个优化问题。路径规划的定义如下：“AV 的路径规划使自动驾驶车辆能够利用以前的驾驶经验帮助 AI 代理找到从 A 点到 B 点的安全、方便、经济的路线。未来做出更准确的决策”（Khayyam 等人，2019 年，第 56 页）。

2.3. 路径执行

规划好路径后，车辆能够通过检测物体、行人、自行车和交通信号灯在路况下行驶，以到达目的地（Khayyam 等人，2019 年）。对象检测算法是 AI 社区的主要关注点，因为它们使类似人类的行为成为可能。当不同的道路和天气条件发挥作用时，挑战就来了。许多测试车辆的事故发生是因为模拟环境与现实世界条件不同，人工智能软件在给定未知数据时可能会做出不可预测的反应。

2.4. 监控车辆状况

有前途的维护类型是预测性维护。它可以按以下方式定义：“预测性维护采用监控和预测建模来确定机器的状况并预测可能发生故障的情况以及发生故障的时间”（Prytz，2014 年，第 2 页）。它试图预测未来的问题，而不是已经存在的问题。在这方面，预测性维护可以节省大量时间和金钱。监督学习和非监督学习都可用于预测性维护。这些算法可以使用机载和机外数据来做出预测性维护决策。用于此任务的机器学习算法是分类算法，如逻辑回归、支持向量机和随机森林算法。

2.5. 保险数据收集

来自车辆的数据日志可以包含有关驾驶员行为的信息，这可以用于交通事故分析。这些数据可用于处理索赔（Carol，2017）。所有这些都有助于降低保险价格，因为安全性更具确定性和保证性。对于全自动汽车，责任将从不再是司机的乘客转移到制造商身上。在半自动驾驶车辆中，我们仍然很可能对驾驶员承担一些责任。证明这些类型的将越来越依赖于车辆人工智能系统捕获的智能数据。来自所有传感器的数据会产生大量信息。每时每刻都保存所有数据可能不切实际，但保存相关数据的快照似乎是获取可用于对特定交通事件进行事后分析的证据的正确平衡。这种方法类似于黑匣子信息在崩溃后的存储和分析方式。