论文部分内容阅读
《我》《复仇者联盟》《黑衣人》……基本每一部科幻电影中，都会有智能汽车的身影，这让很多人都对此产生的向往，并似乎也启发了科技公司和汽车制造商竞相开发无驱动技术。随着无人驾驶汽车等纷纷试行，人工智能汽车已近在咫尺，但是，现实真的如此吗？
近十年来，感知、自然语言处理、形式逻辑、控制理论、认知系统架构、搜索与优化技术等领域的发展推动了人工智能技术的广泛应用，特别是对汽车人工智能领域应用的推动尤为明显。汽车人工智能的核心是“交互”，包括车辆与周边环境进行交互与适应、与其他车辆进行信息交换、与车内/车外人员进行交互等。与已有的驾驶辅助系统（ADAS）不同，汽车人工智能是指车辆同时具备根据外部事件和自我目标作出判断的能力，即使面对意外事件和未知环境，也能给出解决方案。
汽车人工智能的主要研究内容为人机共驾、无人驾驶和车辆协同驾驶。其中，人机共驾是指汽车人工智能系统根据人类状态感知信息、外部事件感知信息，通过智能化人机界面在驾驶人与自动驾驶系统之间协调任务分配，使两者的能力达到最优组合；无人驾驶是指汽车人工智能系统根据行驶环境感知、社会规则感知和人员意图感知，以恰当的行为安全地行驶在可胜任的区域内；车辆协同驾驶是指汽车人工智能系统在连续、可靠、稳定的互联数据环境下，通过训练和学习，在AI车辆之间实现群体性协同决策。
感知与认知技术：基于机器视觉的部分隐藏障碍或轮廓无法区分障碍的识别、提取和分类。自动驾驶汽车在行驶过程中，行驶路径上常有重叠或遮挡的障碍物或行人，这部分的目标识别能力将大幅提高自动驾驶汽车的安全性。
基于机器视觉的极端环境下障碍识别。例如在背光、黑暗或狭窄空间等环境下实现自动驾驶，汽车人工智能技术可提高此类障碍识别的准确率。
汽车行驶在嘈杂环境下的语音识别技术，特别是交谈中识别并跟踪某个指定人的语音。这将使自动驾驶汽车像人类驾驶人一样与乘客相互沟通，以此适应汽车内部环境中的应用。
研究驾驶人的意识、情绪、意图、控制能力的识别技术。通过综合研究视觉传感、声音处理与识别、嗅觉传感、分布式传感、传感融合等技术，实现对意识、情绪、意图、控制能力的识别。
基于人工智能的大数据分析技术：将交通大数据广泛应用到汽车人工智能系统中，进行数据的学习和训练，可提高自动驾驶汽车的交通适应性，更有效地提高通行效率。
操作系统与中间层软件开发：研究和开发基于人工智能的识别、推理和自主驾驶控制等高级应用程序，使其更易于使用，且便于与标准化的操作系统、中间层软件在仿真平台上进行验证和产品化开发。
目前的技术不足以识别和评估由于人工智能技术在自动驾驶汽车上使用范围扩展而引起的潜在风险。
由于一些共性领域短期内商业利益不明显，企业和工业界进行系统性研究的可能性较小，但这些领域是人工智能基础平台，它们的完整性决定了人工智能技术的整体应用进展。因此，需制定长期研究计划，开展系统性研究。
人工智能基础理论研究：虽然许多人工智能系统的最终目标是提供拟人化解决方案，但人工智能系统的能力范围和限制仍无法界定，虽然很多学科（包括数学，控制科学和计算机科学）都在研究这个问题，但目前仍缺乏一个理解人工智能系统性能的统一理论模型或框架。
对交通大数据进行智能化理解和知识挖掘的基础工具：在确保数据来源真实有效的前提下，用机器学习方法识别隐含在交通大数据里的有效信息，以便用于汽车人工智能系统的训练和学习。汽车人工智能系统的输入信息往往来自多个领域的异构数据，因此需要有多模并行的机器学习机制，从不同的数据种类中提取有效数据，不但可以根据统计学规律处理问题，还要能够联合其他知识源（比如交通规则、社会准则等）进行协同判断。
汽车感知认知能力增强技术：汽车人工智能感知内容包括精准位置获取、移动障碍识别、内部人员生理及心理状态感知、车辆故障诊断等。感知系统需要能够集成来自各种传感器和其他信息源的数据，提高在干扰和动态环境下的障碍检测、分类、识别技术。此外，通过传感器和算法的组合改进人类的感知，使汽车人工智能系统与人更有效地协同工作。
通用人工智能技术研究：人工智能技术可分为“狭义人工智能技术”和“通用人工智能技术”。狭义人工智能技术在单一域内执行单独任务，如语音识别、图像识别等。而通用人工智能技术的系统目标是在广泛的认知领域中同时表现出拟人化的灵活性和多功能性。目前，人们在探索如何通过学习和训练将狭义人工智能扩展成通用人工智能，汽车人工智能需要探索通用人工智能在无人驾驶领域的应用。
开发可扩展的汽车人工智能系统：汽车人工智能系统协同云计算可以执行单个汽车人工智能系统不可能完成的任务，这种人工智能系统群体运行的规划、协调、控制需要人工智能控制单元具有可扩展性。目前，已有一些基于人工智能的集中规划和协调技术的研究，然而，这些方法在可靠性和安全性方面不适用于群体车辆控制。另外，以人工智能车辆为主体的分布式规划和控制技术难以通过算法实现。因此，必须重点开发更有效、更可靠和可扩展的技术，实现人工智能系统群体规划、控制与协作。
开发拟人化汽车人工智能系统：拟人化的汽车人工智能技术要求其以人类能够理解的方式来表达，这将催生新一代的智能汽车系统，如基于人工智能技术的驾驶辅助系统和人机共驾系统。然而，当前人工智能技术的实现结果与人类行为结果仍然存在较大差距，人类能够从有限的几个示例中学会驾驶操作，通过接收明确指令或提示来进行驾驶，也可通过观察其他人的驾驶过程来学习驾驶。相比之下，人工智能系统所需的学习训练数量更多。
开发车载人工智能系统硬件：虽然人工智能技术研究与软件密切相关，但人工智能系统的性能在很大程度上取决于它的硬件。深度機器学习的兴起与基于GPU的硬件技术直接相关，但是，针对人工智能算法特点开发的硬件将可以实现比GPU更高的性能水平，如“神经形态”处理器可以专门针对神经网络算法进行优化设计。
人工智能数据开放平台
只有基于有效训练数据和测试数据，汽车人工智能技术才能逐渐发挥其强大优势。同时，训练所用数据集和数据源的多样性、深度、质量和准确性也显著影响汽车人工智能系统的性能。
汽车人工智能系统训练和测试的数据集必须具备完整性和有效性。为了使汽车人工智能系统的研究可再现，需要建立一个经审查、有明确来源的开放式数据集。同其他数据密集型技术一样，获取数据源具有非常重要的意义，数据库的建立需要技术、社会组织、法律等多方面的支持。
汽车人工智能的技术难点通常与“大数据分析”技术密切相关。考虑到相关数据集的多样性，如何对非结构化或半结构化数据进行适当的表达、访问和分析仍然是一个大挑战，如何用术语表达数据，仍需大量工作。当前的交通数据库可能不一致、不完整、带有严重噪声。因此，需要开发一系列的数据预处理技术才能使交通数据库对汽车人工智能系统应用有实际使用意义。
建立人工智能数据分享社会平台，加大促进汽车人工智能方法和解决方案的创新。因为数据拥有者在共享数据时会承担风险，所以需开发能够确保数据安全的数据共享技术，确保数据集的开发和共享遵守相关法律法规，并合乎社会道德。
汽车人工智能开放工具平臺
越来越多的开源软件库和工具包可为开发人员提供最先进的人工智能开发技术，如Weka工具包、MALLET和OpenNLP工具等，这些工具可加速人工智能技术的开发和应用。因为开发相关工具、免费或低成本的代码存储库、免费或低成本的开发语言可极大降低人工智能技术的开发门槛。目前已有在线提供专用硬件服务的供应商，包括基于GPU的计算系统。可以设想，将来也可以通过这类在线资源获取用于人工智能算法的专用硬件服务，包括神经形态处理器等。
这些资源集中在一起，提供了人工智能技术基础设施。这种开发环境鼓励市场创新，可为狭窄领域问题找到解决方案，而无需昂贵的硬件或软件投入，也无需高水平的人工智能相关专业知识。鼓励更多人使用开放人工智能技术，尽可能为开源项目提供算法和软件，可帮助创新者保持低准入门槛。这种开放式开发工具平台有助于人工智能新技术与新知识在各个应用领域里的快速横向流动。
从汽车工业的发展延续角度看，汽车人工智能技术不会像航天外空间探索或者深海潜水器那样追求纯无人系统，在相当长的一段时间内汽车人工智能技术会以人机协同驾驶的方式存在。协同驾驶可以利用人类和人工智能系统的互补性。虽然有效的人与人工智能系统的协作方法已经存在，但大多数只能在特定环境中使用特定平台来实现特定目标。人机协同需要寻找更具兼容性的协作方案。
人工智能算法虽然已经能够解决很多复杂问题，然而，要使汽车人工智能系统与用户无缝协作，还需要开发“人员状态感知智能系统”。在人机交互过程中，人工智能系统需要基于用户的行为历史数据，或基于用户意图的深层模型。汽车人工智能系统应具备增强人类认知的能力，在用户没有提出明确需求的前提下，在各种场合下向用户提供必要信息。未来的智能系统必须能够掌握人类社会规范并相应地采取行动。具有情绪智能的人工智能系统，可以识别用户的情绪并做出适当响应，可以更有效地与人类一起工作。
“主动学习”是另一种类型的人机协作，这种人工智能系统可以对数据进行智能理解。在主动学习中，输入来自于专家系统，只有当学习算法不确定时才对数据执行学习。这一技术可以减少生成初始模型的数据量或学习量。主动学习也是获取专家系统输入和增加学习算法信任度的重要方法，目前只在监督学习中使用，未来需要进一步研究将主动学习纳入无监督学习和强化学习。
可视化用户界面可以帮助人们了解大量数据集和各种来源的信息。可视化用户界面必须以人类可理解的方式清楚地呈现日益复杂的数据和其来源。人类在驾驶汽车或乘坐自动驾驶汽车时，获取实时信息至关重要，这可以通过增加车载智能系统计算能力和使相关系统互联的方式来实现。在这些情况下，可视化人机界面技术可以快速传达正确的实时响应信息。（编辑/高纬时）
近十年来，感知、自然语言处理、形式逻辑、控制理论、认知系统架构、搜索与优化技术等领域的发展推动了人工智能技术的广泛应用，特别是对汽车人工智能领域应用的推动尤为明显。汽车人工智能的核心是“交互”，包括车辆与周边环境进行交互与适应、与其他车辆进行信息交换、与车内/车外人员进行交互等。与已有的驾驶辅助系统（ADAS）不同，汽车人工智能是指车辆同时具备根据外部事件和自我目标作出判断的能力，即使面对意外事件和未知环境，也能给出解决方案。
汽车人工智能的主要研究内容为人机共驾、无人驾驶和车辆协同驾驶。其中，人机共驾是指汽车人工智能系统根据人类状态感知信息、外部事件感知信息，通过智能化人机界面在驾驶人与自动驾驶系统之间协调任务分配，使两者的能力达到最优组合；无人驾驶是指汽车人工智能系统根据行驶环境感知、社会规则感知和人员意图感知，以恰当的行为安全地行驶在可胜任的区域内；车辆协同驾驶是指汽车人工智能系统在连续、可靠、稳定的互联数据环境下，通过训练和学习，在AI车辆之间实现群体性协同决策。
汽车人工智能技术的研究重点
感知与认知技术：基于机器视觉的部分隐藏障碍或轮廓无法区分障碍的识别、提取和分类。自动驾驶汽车在行驶过程中，行驶路径上常有重叠或遮挡的障碍物或行人，这部分的目标识别能力将大幅提高自动驾驶汽车的安全性。
基于机器视觉的极端环境下障碍识别。例如在背光、黑暗或狭窄空间等环境下实现自动驾驶，汽车人工智能技术可提高此类障碍识别的准确率。
汽车行驶在嘈杂环境下的语音识别技术，特别是交谈中识别并跟踪某个指定人的语音。这将使自动驾驶汽车像人类驾驶人一样与乘客相互沟通，以此适应汽车内部环境中的应用。
研究驾驶人的意识、情绪、意图、控制能力的识别技术。通过综合研究视觉传感、声音处理与识别、嗅觉传感、分布式传感、传感融合等技术，实现对意识、情绪、意图、控制能力的识别。
基于人工智能的大数据分析技术：将交通大数据广泛应用到汽车人工智能系统中，进行数据的学习和训练，可提高自动驾驶汽车的交通适应性，更有效地提高通行效率。
操作系统与中间层软件开发：研究和开发基于人工智能的识别、推理和自主驾驶控制等高级应用程序，使其更易于使用，且便于与标准化的操作系统、中间层软件在仿真平台上进行验证和产品化开发。
目前的技术不足以识别和评估由于人工智能技术在自动驾驶汽车上使用范围扩展而引起的潜在风险。
推动汽车人工智能发展的技术路线
由于一些共性领域短期内商业利益不明显，企业和工业界进行系统性研究的可能性较小，但这些领域是人工智能基础平台，它们的完整性决定了人工智能技术的整体应用进展。因此，需制定长期研究计划，开展系统性研究。
人工智能基础理论研究：虽然许多人工智能系统的最终目标是提供拟人化解决方案，但人工智能系统的能力范围和限制仍无法界定，虽然很多学科（包括数学，控制科学和计算机科学）都在研究这个问题，但目前仍缺乏一个理解人工智能系统性能的统一理论模型或框架。
对交通大数据进行智能化理解和知识挖掘的基础工具：在确保数据来源真实有效的前提下，用机器学习方法识别隐含在交通大数据里的有效信息，以便用于汽车人工智能系统的训练和学习。汽车人工智能系统的输入信息往往来自多个领域的异构数据，因此需要有多模并行的机器学习机制，从不同的数据种类中提取有效数据，不但可以根据统计学规律处理问题，还要能够联合其他知识源（比如交通规则、社会准则等）进行协同判断。
汽车感知认知能力增强技术：汽车人工智能感知内容包括精准位置获取、移动障碍识别、内部人员生理及心理状态感知、车辆故障诊断等。感知系统需要能够集成来自各种传感器和其他信息源的数据，提高在干扰和动态环境下的障碍检测、分类、识别技术。此外，通过传感器和算法的组合改进人类的感知，使汽车人工智能系统与人更有效地协同工作。
通用人工智能技术研究：人工智能技术可分为“狭义人工智能技术”和“通用人工智能技术”。狭义人工智能技术在单一域内执行单独任务，如语音识别、图像识别等。而通用人工智能技术的系统目标是在广泛的认知领域中同时表现出拟人化的灵活性和多功能性。目前，人们在探索如何通过学习和训练将狭义人工智能扩展成通用人工智能，汽车人工智能需要探索通用人工智能在无人驾驶领域的应用。
开发可扩展的汽车人工智能系统：汽车人工智能系统协同云计算可以执行单个汽车人工智能系统不可能完成的任务，这种人工智能系统群体运行的规划、协调、控制需要人工智能控制单元具有可扩展性。目前，已有一些基于人工智能的集中规划和协调技术的研究，然而，这些方法在可靠性和安全性方面不适用于群体车辆控制。另外，以人工智能车辆为主体的分布式规划和控制技术难以通过算法实现。因此，必须重点开发更有效、更可靠和可扩展的技术，实现人工智能系统群体规划、控制与协作。
开发拟人化汽车人工智能系统：拟人化的汽车人工智能技术要求其以人类能够理解的方式来表达，这将催生新一代的智能汽车系统，如基于人工智能技术的驾驶辅助系统和人机共驾系统。然而，当前人工智能技术的实现结果与人类行为结果仍然存在较大差距，人类能够从有限的几个示例中学会驾驶操作，通过接收明确指令或提示来进行驾驶，也可通过观察其他人的驾驶过程来学习驾驶。相比之下，人工智能系统所需的学习训练数量更多。
开发车载人工智能系统硬件：虽然人工智能技术研究与软件密切相关，但人工智能系统的性能在很大程度上取决于它的硬件。深度機器学习的兴起与基于GPU的硬件技术直接相关，但是，针对人工智能算法特点开发的硬件将可以实现比GPU更高的性能水平，如“神经形态”处理器可以专门针对神经网络算法进行优化设计。
搭建开放数据平台和开放工具平台
人工智能数据开放平台
只有基于有效训练数据和测试数据，汽车人工智能技术才能逐渐发挥其强大优势。同时，训练所用数据集和数据源的多样性、深度、质量和准确性也显著影响汽车人工智能系统的性能。
汽车人工智能系统训练和测试的数据集必须具备完整性和有效性。为了使汽车人工智能系统的研究可再现，需要建立一个经审查、有明确来源的开放式数据集。同其他数据密集型技术一样，获取数据源具有非常重要的意义，数据库的建立需要技术、社会组织、法律等多方面的支持。
汽车人工智能的技术难点通常与“大数据分析”技术密切相关。考虑到相关数据集的多样性，如何对非结构化或半结构化数据进行适当的表达、访问和分析仍然是一个大挑战，如何用术语表达数据，仍需大量工作。当前的交通数据库可能不一致、不完整、带有严重噪声。因此，需要开发一系列的数据预处理技术才能使交通数据库对汽车人工智能系统应用有实际使用意义。
建立人工智能数据分享社会平台，加大促进汽车人工智能方法和解决方案的创新。因为数据拥有者在共享数据时会承担风险，所以需开发能够确保数据安全的数据共享技术，确保数据集的开发和共享遵守相关法律法规，并合乎社会道德。
汽车人工智能开放工具平臺
越来越多的开源软件库和工具包可为开发人员提供最先进的人工智能开发技术，如Weka工具包、MALLET和OpenNLP工具等，这些工具可加速人工智能技术的开发和应用。因为开发相关工具、免费或低成本的代码存储库、免费或低成本的开发语言可极大降低人工智能技术的开发门槛。目前已有在线提供专用硬件服务的供应商，包括基于GPU的计算系统。可以设想，将来也可以通过这类在线资源获取用于人工智能算法的专用硬件服务，包括神经形态处理器等。
这些资源集中在一起，提供了人工智能技术基础设施。这种开发环境鼓励市场创新，可为狭窄领域问题找到解决方案，而无需昂贵的硬件或软件投入，也无需高水平的人工智能相关专业知识。鼓励更多人使用开放人工智能技术，尽可能为开源项目提供算法和软件，可帮助创新者保持低准入门槛。这种开放式开发工具平台有助于人工智能新技术与新知识在各个应用领域里的快速横向流动。
汽车人工智能系统产品的研发展望
从汽车工业的发展延续角度看，汽车人工智能技术不会像航天外空间探索或者深海潜水器那样追求纯无人系统，在相当长的一段时间内汽车人工智能技术会以人机协同驾驶的方式存在。协同驾驶可以利用人类和人工智能系统的互补性。虽然有效的人与人工智能系统的协作方法已经存在，但大多数只能在特定环境中使用特定平台来实现特定目标。人机协同需要寻找更具兼容性的协作方案。
人工智能算法虽然已经能够解决很多复杂问题，然而，要使汽车人工智能系统与用户无缝协作，还需要开发“人员状态感知智能系统”。在人机交互过程中，人工智能系统需要基于用户的行为历史数据，或基于用户意图的深层模型。汽车人工智能系统应具备增强人类认知的能力，在用户没有提出明确需求的前提下，在各种场合下向用户提供必要信息。未来的智能系统必须能够掌握人类社会规范并相应地采取行动。具有情绪智能的人工智能系统，可以识别用户的情绪并做出适当响应，可以更有效地与人类一起工作。
“主动学习”是另一种类型的人机协作，这种人工智能系统可以对数据进行智能理解。在主动学习中，输入来自于专家系统，只有当学习算法不确定时才对数据执行学习。这一技术可以减少生成初始模型的数据量或学习量。主动学习也是获取专家系统输入和增加学习算法信任度的重要方法，目前只在监督学习中使用，未来需要进一步研究将主动学习纳入无监督学习和强化学习。
可视化用户界面可以帮助人们了解大量数据集和各种来源的信息。可视化用户界面必须以人类可理解的方式清楚地呈现日益复杂的数据和其来源。人类在驾驶汽车或乘坐自动驾驶汽车时，获取实时信息至关重要，这可以通过增加车载智能系统计算能力和使相关系统互联的方式来实现。在这些情况下，可视化人机界面技术可以快速传达正确的实时响应信息。（编辑/高纬时）