人工智能对自主驾驶的影响

作者:人工智能 发表时间:2019-08-22 21:40:00

       Christian LAUGIER博士(研究型高等学位--HDR)现任Inria公司研究总监兼Probayes公司和百度科学顾问。其当前的研究领域主要包括自动驾驶汽车、嵌入式视觉和决策以及贝叶斯推理。他是国际电气与电子工程师协会(IEEE)多个国际科学委员会的成员,与人共同组织了在机器人技术领域的多个研讨会和IEEE大型会议,如国际智能机器人与系统大会(IROS)、国际智能车大会(IV)、国际场地和服务机器人大会(FSR)和国际先进机器人与社会发展大会(ARSO)等。此外,与人共同编写了多部著作,并在机器人和智能交通系统(ITS)领域的高影响因子刊物(如《国际机器人研究杂志》(IJRR)、《野外机器人杂志》(JFR)、《机器人与自动化杂志》(RAM)、)《智能交通系统汇刊》(T-ITS)和《信息技术服务管理杂志》(ITSM)等)上发表了多个特刊。最近,他在自主机器人和智能车的贝叶斯视觉和决策领域取得了创新专利成果并做出了杰出的科学贡献。现为IEEE机器人与自动化学会(IROS)会士,并在机器人和智能车技术领域荣获多个IEEE和大会大奖,包括2012年IEEE/日本机器人协会--原岛文雄(RSJHarashima)奖。此外,与人共同创办了四家初创公司。 下面是法国国家信息与自动化所研究部主任Christian Laugier带来主题报告,题目是“人工智能对自主驾驶的影响”。

 

法国国家信息与自动化所研究部主任Christian Laugier

 

很显然,现在机器人产业有着许多不同的环境,也有许多大型企业,但政府越来越支持这一领域,为什么呢?可能是因为未来的交通会发生巨大变化,预测的市场达到5500亿欧元,但是从法律监管的角度来说问题不是非常清楚,即使政府研究人员在做这方面的工作,现在主要的做法就是多做一些实验和尝试然后拿出报告,这样才能更好地了解这项技术的成熟度。但这还是不够的,我们有比较现实的模拟设备和工具要开发出来,希望能够有更好的对这种技术的评估。

    当前我们可以看到很多不同类型的车辆,特斯拉开发出了人工智能自主驾驶的车辆,有着二级的自治度,也是一个可以自主驾驶的系统,而且是被客户验证过的,因此有很多不同的实验,包括沃尔沃、Android去年做了一年的80公里尝试,也是开了很多公里和英里,有的时候有交通事故,有的时候没有事故。

    现在有了机器人出租车的理念,也是美国发展起来的,包括优步和Utanomi。即使有好几百万的自主驾驶公里,比如特斯拉、Google和微步,不过过去几年还是出现了交通事故,安全仍然是无法得到保障的,这是在未来积蓄解决的问题。

    大家可以看到这张事故现场的照片,我就不再提高清晰度了,最近还有另外一个事故,参与人员被优步自治度达到2的车辆撞死了,很多传感器都出现了问题,包括蓝牙和摄像头,没有监测到当时的路人,也没有很快地作出反应,反应的时候已经太晚了。

    无人驾驶车辆面临着两大挑战:首先要有文件的、自我及时的,可以内嵌的感知。特斯拉是在高速不断运转,没有检测到左边的那个人,但是人类驾驶员就必须迅速作出反应避免撞车。其次要有可理解的驾驶决定,因为无人驾驶车辆要与人类司机共享道路,人类行为是很难预测的,因为有很多不同的因素,比如人的感情和情绪等等。人类驾驶员的任何决策是不确定性的,即使对人类来说也是如此,因此我们才会出现事故。无人驾驶汽车需要有思维的理念和理解。

    自主驾驶车辆和人类驾驶员都要有可理解的行为和决策,那么我们如何解决感知和决策这两大问题?要有现场理解导航信息,这里使用的是感知的信息,但是有一点是关注度比较少的,就是如何应对一些不可预知的情况。人类大脑当中使用的是很多不同的大脑区域,眼睛可以看到左边运动的物体,可以通过条件反射进行避免,需要实时的处理和反应,而且需要不完整度和不确定性条件下的应对,使用概率性的解决方案和办法,包括传感器的模拟、硬件和软件的集成,内嵌的局限性问题得到解决,考虑道路交通过程当中要有人类的参与,就是混合、无人和有人驾驶,这样才能有交互行为和社会规则。

    我们来看内嵌的感知,车辆不断监测动态环境,针对周围环境的制图检测,希望任何时候都能够安全地描述周边的情况避免撞车,我们提出协调未来时序关系,也就是作出一些预测。开发这些模型的时候要考虑到未来的情况做出预判,提高我们的稳定性,使用贝耶斯感应融合,周围环境以及贝耶斯信息进行回归分析。

    贝耶斯感应是基本的概念,图中有一辆绿色的车和一辆黑色的车,绿色的车能够进行探测和制图工作,判断速度的概率,同时速度也是有自己的流,基本概念就是对动态、静态和自由的情况进行分析,这样对行人、黑车和空间进行分析和判断,之后要看哪个是优先哪个是次优先,然后在系统当中进行避让,最后一点就是模型内嵌一个预测的模块。

    图中每个网格都代表着一个速度的概率,同时进行过滤,看一看系统是否需要25赫兹的更新,汽车的前摄像头有一个启动的按钮,还有一个过滤窗,也就是提取出来的信息。这部视频是在市中心拍的,可以看到这些模型,制图和过滤出来的信息是与感测器感应的东西相关。机器人不断进行探寻,并且与现有的信息进行关联,然后给出最佳的行驶路径。

    现在我们正在研究这些机器,还有一些更新技术的细节,这里就不说了,我们正在进行这些技术商用整合,现在是放到摆渡巴士里面,安装之后几天就可以使用。我们有些相关的自由领域、判断出来的速度以及碰撞风险概率,我们是想避免即将发生的和未来可能发生的碰撞,在这种情况下是人涉及在其中的,我们要去解决这些问题,并且基于预测以及我们判断出来的优先级进行决策和防碰撞的判断,通过贝耶斯的预测分析和风险分析结合起来,也会涉及到不确定性和周围信息知识,清除概率碰撞风险,给出的就是T+若干秒,同时也会让驾驶决策考虑到、预测到、观察到周围行人可能的动作,比如汽车、自行车和行人,再加上社会和交通的规则等等,也就是进行风险的分析。

    这些是一些不知道是什么原因的风险,我们也需要考虑,还有长期碰撞的风险,时间限制大于3秒,需要考虑语义和上下文。解决分类预期外的风险,左边和右边就是这样的例子,突然发生这样的事情怎么解决?我们需要进行预测和预判Anticipation,我们开发的这种概念,自动汽车是白色的车,因为被黑色的车挡住了所以看不到这辆车,但是根据这种经验和我们设计的方式停下来了。我们需要侦测即将发生的潜在碰撞,然后进行风险情况的分析,这是基于空间和时间两个领域,然后生成相关信息进行碰撞和操作,摄像头的视角可以判断出是人进行紧急停车,视频上可以看到不同的碰撞时间,黄色的是具体高度,一个是2秒,一个是2秒以上。

    图中进行的是预冲击测试,可以看到一个假人在移动,然后撞上了这个假人,长期碰撞的风险需要从客体的角度语义分析和判断,重要的一点是要有一些概念,就是行为和方向。我们需要学习和预测人的行为,根据从传感器获得的信息判断。我们需要了解相关的情况,并且对交通流量进行判断和社会因素的考量,以及所有交通人员的行为分析。

    我们是在2010年申请这项技术的专利,主要包括三个主要元素:行为的考量就是如何对行为进行学习和建模,如何预测行为,根据我们从传感器获得的信息。要把路上的交通情况进行考量,然后对行为进行判断。再就是对碰撞风险进行评估,我们用的是一个多元的评估系统。视频是我们在高速路上和丰田一起拍的,也是不同的碰撞风险分析,可以看到各种各样的车道,这里可以获得不同的车辆碰撞风险,速度是每小时80-90公里。

    这里的概念是进行意图的预判,除了车辆之外还有行人和自行车,怎么预测这个人或者那个人要干什么?我们可以有些期待,就是这个人下一步可能会干什么,根据自己的行为以及目前的路况,进行车辆到底是要停还是要走等等分析,因为路上会有人、车和各种各样的情况。大家可以看到这里是被挡住的,我们看不到右边是什么东西,但是系统测试出了一辆车,判断出了很高的碰撞风险,因此给出了一个警告,所以我们就踩了刹车。

    怎样通过机器学习改善我们的模型?专业层面我们可以和丰田一起开发语义分析,概念是使用贝耶斯回归感知深度学习,并且进行语义高层角度的分析,然后把语义嵌入人、车、建筑和道路,之后进行不同级别的分类。我们有自己的分析方法,也是和丰田公司一起申请专利。摄像头的信息应该是来自贝耶斯感知分析,不同类型的感知器包括雷达、摄像头以及其它的感知系统,我们开发出了一系列语义系统。

    未来信息处理会有两个深度学习过程:一个是语义深度学习,通过我们的数据集进行训练。另一个是语义集合,我们使用非强化的网络了解图像的传输,描述周边空间的情况,可以了解车辆周边不同物体的高度。现在我们做的这些实验都是有图像的,也有前端的视觉,我们获得了对这些范围图像的了解,然后再用它来做预测,大家可以看到一些我们已经做的研究,如果我们只是做动态检测的话就无法做好检测,也无法做物体的分类。

    最后一部分是通过人工智能进行改善,无人驾驶系统要学习驾驶员的做法和表现,我们记录了高速公路很多公里的车辆驾驶,然后通过函数来训练系统。大家可以看到我们使用人类行为来做预测,同时拿出像人一样的车辆规划,这种规划也可以是在车辆上面进行调整。视频上面显示的是前端摄像头的视角,后面也有后端摄像头的视角。白色是我们的车辆,黄色是其它的车辆,红色是做出的预测。

    可以看到车辆正在缓慢行驶,无法超车,保持着安全车距,避免变道,接下来就需要超车变道。大家可以看到左边已经清空,车辆就决定变道超车。

    如何自主地在交通环境下开车?我们有些现实当中人的开车模式,利用长期评估的预测,比如超过10秒或者更长的时间,这些信息用来找到最合适的避免撞车的方法,短期和中期使用模型,同时也使用目标动力学的信息。我们做的是基于模型的变道预测,后面有一个红色的轴,预测出要向右变道,就是在前车变道的情况下保持安全距离,预测前车的变道方向,避免撞车,而且是很快地做出预测。

    所有这些技术已经内嵌到了车辆系统之中,受到保护的实验区域可以做出测试,包括撞车测试是在第三阶段和第四阶段来做测试,同时也在开放式的高速公路上真实的驾驶场景来做测试自主驾驶技术。我们要开发更多的感知、决策和控制集成技术放在应用场景当中,而且这些车辆每小时要跑50多公里的速度,包括无人驾驶大巴或者公交车,这是一个很大的车辆,动力学是非常重要的,速度能够达到70-80公里/小时,普通车辆的车速大概也是70公里/小时,而且有控制器,深度学习部分之前已经讲到了。

 

为你推荐

2018世界机器人大会圆满落幕:感谢2018,相约2019

2019世界机器人大会——第五阶段:人工智能与融合

2019世界机器人大会--第一阶段:国际合作与机遇

助力机器人创新,建设更美好世界!

5G商用大幕开启 联想Z6 Pro 5G探索版登上时代舞台

2019世界机器人大会在京盛大开幕