来源:清华五道口国家金融研究院 编辑:管理员 时间:2023/9/13 |
自动驾驶的控制核心技术涵盖车辆的纵向、横向、驱动和制动 控制。其中,纵向控制负责车辆前后运动的控制,而横向控制则负 责方向盘角度和轮胎力的调整。只有同时实现纵向和横向自动控制, 才能使车辆按照预设目标和约束自主行驶。车辆按照纵向控制是在 行车速度方向上的控制,即车速以及本车与前后车或障碍物距离的 自动控制。 相对于传统的车辆控制方法,智能控制方法主要体现在对控制 对象模型的运用和综合信息学习运用上, 如图 2-3 所示,包括神经 网络控制和深度学习方法等,这些算法已逐步在车辆控制中广泛应 用[11]。
神经控制是研究和利用人脑的某些结构机理以及人的知识和经 验对系统的控制。利用神经网络,可以把控制问题看成模式识别问 题,被识别的模式映射成“ 行为” 信号的“ 变化”信号。神经控制 最显著的特点是具有学习能力。它是通过不断修正神经元之间的连 接权值,并离散存储在连接网络中来实现的。它对非线性系统和难 以建模的系统的控制具有良好效果[12]。 深度神经网络学习可以通过获取深层次的特征表示来避免人工 选取特征的繁琐和高维数据的维度灾难问题。这一技术可以让您更 加轻松地进行数据分析和模型训练。深度学习在特征提取与模型拟 合方面显示了其潜力和优势。对于存在高维数据的控制系统,引入 深度学习具有一定的意义。自动驾驶系统需要尽量减少人的参与或者没有人的参与,深度学习自动学习状态特征的能力使得深度学习 在自动驾驶系统的研究中具有先天的优势[12]。 强化学习的灵感来自于动物行为训练,训练员通过奖励和惩罚 教导动物学习某种行为与状态之间的联系规则。强化学习就是要解 决这类问题:一个能够感知环境的智能体怎样通过学习选择达到其 目标的最优动作[12]。强化学习允许人工智能 (Artificial Intelligence, AI)系统通过反复试验来学习,并随着时间的推移逐渐提高其性能。 这项关键技术越来越多地用于自动驾驶控制和执行领域,因为它允 许自动驾驶汽车适应不断变化的路况,并就如何在交通中导航做出 智能决策。 强化学习在自动驾驶控制中的一个关键方面是奖励系统的使用。 该系统奖励 AI 系统的成功行为,例如顺利通过十字路口或避免碰撞, 并惩罚它的负面行为。 通过这种强化,人工智能系统能够了解哪些 行动会带来积极的结果,哪些不会,从而使其在未来做出更明智的 决策。RL 在自动驾驶汽车中的另一个重要方面是模拟的使用。 这些 模拟允许 AI 系统在安全和受控的环境中练习不同的场景并犯错误, 而不是在真实的道路上。 这使系统能够从错误中吸取教训并随着时 间的推移提高性能,并测试新的驾驶策略和方法。RL 中用于自动驾 驶控制的另一项重要技术是传感器的使用。这些传感器(例如激光 雷达、雷达和摄像头)允许人工智能系统收集有关环境的信息并根 据这些数据做出决策。 例如,激光雷达传感器可以检测环境中物体 的距离和位置,而雷达传感器可以检测物体的移动。通过使用这些数据,人工智能系统可以就如何在交通中导航和避免碰撞做出明智 的决定。最后,自动驾驶控制中的 RL 还需要使用能够分析从传感器 和模拟中收集的数据的算法。这些算法必须能够适应不断变化的条 件并从错误中吸取教训,以便随着时间的推移不断提高其性能。 总的来说,RL是自动驾驶控制和执行领域的一项关键技术,因 为它可以让自动驾驶汽车学习并适应不断变化的道路状况。 通过利 用奖励系统、模拟、深度学习、传感器和算法,RL 使 AI 系统能够 就如何安全地通过交通和避免事故做出明智的决定。 随着这项技术 的不断进步,RL 很可能会在自动驾驶汽车的发展和未来的交通运输 中发挥越来越重要的作用。
|
信息推荐 |
» 人工智能在自动驾驶在决策与规划中的应用-选择多条安全路径和最优路径等步骤 |
深度学习可使车辆能够随着时间的推移学习和适应其环境,包括了解不同道路和交通模式的特征,以及适应道路上其他驾驶员的行为 |
» 人工智能在自动驾驶精准定位中的应用-定位精度要求误差不超过10厘米 |
深度学习和机器学习技术是自动驾驶 SLAM 系统的核心组成部 分。它们允许车辆实时分析和处理大量数据,使其能够根据周围环 境做出智能和安全的决策 |
» 人工智能在自动驾驶环境感知中的应用-强感知+强智能 |
环境感知指对于环境的场景理解能力,如障碍物的类型,道路标志及标线, 行车车辆的检测,交通信息等数据的语言分类,定位是对感知结果的后处理 |
» 人工智能在自动驾驶汽车中的应用-帮助车辆实现对周围环境的实时监测 |
自动驾驶汽车通过摄像机、激光雷达、毫米波雷达、超声波等 车载传感器来感知周围的环境,依据所获取的信息来进行决策判断, 由适当的工作模型来制定相应的策略 |
» 欧盟推出自动驾驶准入许可实现特定场景合规应用 |
《关于在智能网联车辆和出行相关应用程序中处理个人数据的指南》《数据治理法案》《全自动车辆自动驾驶系统(ADS) 型式认证的统一程序和技术规范》 |
» 国际顶级公司在人工智能自动驾驶上的最新研发成果 |
Waymo 在平均接管 两次间可行驶里程这个指标中排名第一,在测试里程中排名第二。 Waymo 的有效专利数也是常年领先,近三年增速降低,但仍排在前 三位 |
» 人工智能在自动驾驶领域的市场情况 |
半导体技术的提升与成本的下降,电动化的不断普及加速了智能化,对安全性便捷性和高效出行的要求,自动驾驶将有效缓解交通拥堵,大大提高出行的效率 |
» 基于人工智能的自动驾驶研发中关键性技术竞争点 |
算力、算法、数据采集以及用户数据是人工智能的发展依赖于四个基本要素,在自动驾驶市场中对应于 AI 芯片、决策软件、传感器、用户数据等 |