原标题：自动驾驶汽车能像人类一样思考吗？

来源：AI研习社     链接：https://www.yanxishe.com/TextTranslation/1216

在动导航本文如下：

• AI和智能化车辆

• 传感器融合

• 自动驾驶汽车和定位

我们现在正处于路径规划阶段，我们的汽车使用其自身对环境的认知和自身位置来规划轨迹。

 
自动驾驶汽车如何工作
 
在规划中，我们（需要—）当即做出决定。这个是最困难问题中的一个，它是关于实现自动驾驶汽车的大脑。

上图是一个流行的道德问题，如果我们没有刹车，我们必须选择牺牲谁。虽然不太可能，但这个主题让我们想知道如果必须自己做出决定，自动驾驶汽车会怎么做。

预测 

第一步是预测未来几秒钟环境中每个个体将会做什么。行人可能正在移动，而交通标志可能会停滞不前。 我们可以使用两种方法： 1.   对于每种可能的情况（高速公路插入，交叉路口......），为车辆建模所有可能的轨迹。2.   根据当前观察，使用机器学习来建立与训练数据的相似性，从而将其与轨迹相关联。3.   基于模型的方法 在对轨迹进行建模时，我们必须想象我们跟踪的汽车的所有可能选择。以我们上高速公路为例。 

 进入高速公路 检测到的车辆可以做以下几件事：  

 留在它的车道，这意味着：- 加速， - 慢下来，让我们在他面前经过， - 保持恒定速度，忽略我们 改变车道，这将使我们更方便。 因此，我们有四种可能的情况来定义高速公路的进入。我们的传感器实时工作，因此可以通过简单地计算每个时刻的位置和速度来确定车辆是否变速或者变道。在我们的例子中，我们正在更新四种可能的情景，因此具有多模式分布。这意味着每个场景的（出现）概率随着我们所做的观察而变化。 该技术实现了轨迹的可行性，因此消除了不可能的行为。它只关注可能的而不是过去所做的事情。

2.数据驱动（机器学习）方法 这种方法（与前者）非常不同。如同每个机器学习算法，我们定义两个阶段，即训练阶段和预测阶段。 培训阶段收集有关车辆历史的大量数据，并从这些数据中学习。我们可以拥有数百辆在交叉路口完成数百种不同行为的车辆。 

  收集车辆行为数据 我们进行无监督学习。聚类算法帮助我们为当前观察定义车辆正在接近的轨迹组。注意，聚类是一种我们定义多个聚类（轨迹）的技术，我们要求算法指出哪些数据是相似的。 每个集群实际上是车辆可以遵循的典型轨迹。这种技术的优点是依赖于数据，因此依赖于过去的场景。我们驾驶并且收集的数据越多，估计行为的准确程度就越高。 这两种方法非常不同，实际上反映了自动驾驶汽车行业的现实。虽然有些依赖于具有数学预测的确定性案例，但其他案例依赖于使用人工智能的统计。这种公司的选择更广泛地扩展到许多问题，例如使用LiDAR来感知而不是使用相机。

决策制定

在预测未来环境之后，我们就可以做出决策。比如，当一个行人被检测出来之后如何刹车？如何加速或者变道？

我们的首要任务是对环境进行分类。在高速公路上和在停车场中，我们做出的选择是不一样的。在生成（行车）轨迹的过程中，一些标准是需要被考虑的，特别是在安全性、可行性、高效性和合法性上。其他变量诸如行人的舒适性也需要被考虑到。

有限状态机

有限状态机是首先可以被使用的决策制定方法。它的原理是根据（不同）情况来定义车辆的可能状态。在高速公路上，车辆的状态可以是保持在同一车道，向左变道，或者是向右变道。例如，根据交通情况，我们改变（当前状态）到超车状态。

状态的选择通常由损失函数（cost function）来决定。对于每个可能的决策，我们计算独立的损失（与障碍物的距离，是否违反交通规则等）并相加。选出损失最小的决策。

    此处我们定义哪些（考量）是重要的。我们不能做出不可能或者危险的动作。

    总损失=可行性损失*5+安全性损失*4+合法性损失*3+舒适性损失*2+速度损失*1

速度损失函数

对于速度的损失函数（计算上），我们既不希望车辆的速度过慢也不希望它超过限速。因此，我们定义了一个随速度提高而下降的损失函数。当速度超过限速之后，损失被设定为最大值。

对于自动驾驶，决策制定是一个需要谨慎考虑的问题。我们必须考虑当前环境并且对此刻一切可以做的（动作）做出决策。然后我们必须衡量每一种可能性的优劣并最终选出最佳方案。

轨迹生成

最后一步是轨迹生成。在该步骤中，必须使用与笛卡尔坐标系不同的坐标系。 对此我们有充分理由，笛卡尔坐标系考虑了尺寸（x; y），但如果我们想找到一条与道路相关的方位则没有意义。 Frenet坐标系（Frenet coordinates）包含两个轴，s轴表示相对于轨道的前进，d轴表示到车道中心的距离。这个标记是我们根据这个标记来估计我们的轨迹是否偏离了车道的中心，或者车辆是在我们前面还是在我们后面。  

Frenet vs Cartesian坐标 

当我们决定超车时，算法产生几个轨迹用于决策，并根据可行性，安全性，合法性，效率，舒适度等标准选择最佳轨迹。 

在超车的情况下，红色/橙色轨迹是危险的，黄色是可接受但不完整的，绿色是最有效和最安全的。  

轨迹选择

为了生成这个轨迹，我们创建了一个通过航点的五级多项式。航点是包含3个维度的路上的点： 

S：纵向距离 

D：横向距离

T：在给定速度（的情况下）必须通过这一点的那一刻

轨迹是贯穿所有这些点的曲线。这些点位于空间和时间。它们告诉我们何时移动到特定的（x; y）位置以及速度有多快。如果您想在人行横道前刹车，我们会在（当前位置到）人行横道之间创建点，并将速度设置为在到达停止区域之前逐渐减速。  

路径规划  

我们刚刚研究了底层轨迹的产生。更高层次呢？如何决定走哪条街？  

还有什么其他算法？  

我们有几个算法族来规划从起点到终点的路径。在这些算法中，我们认为世界是一个包含障碍，起点和目标的网格。 

● 基于采样的算法

● 强化学习算法 

-- 基于采样的算法

由于在计算时间方面非常高效，它们非常受欢迎。有两种类型算法：离散和连续。

● 在离散规划器中，我们将世界视为一个网格。我们可以提到广度优先搜索算法，Dijkstra，A * 等。它们可以非常快速地找到最短路径，而不必探索整个地图。  

在Dijkstra的算法中，我们探索了许多可能的路径，并最终选择包含到达目的地的最少步骤的路径。  

A*

在非常流行的A*（A-star）算法中，我们 仅仅使用启发式函数探索地图的一部分。在地图的每个点，我们指示到目标的距离。 A*选择仅探索使我们更接近目标的路径，而不是系统地探索每条可能的路径。  

Dijkstra vs A* 

A*是Dijkstra算法的一种变体，它通过完成最少量的工作来专注于找到通往特定位置的最佳路径。因此，它在自动驾驶汽车中非常有效。此动画显示A*正在运行。

在一个连续的计划者中，我们不会让世界离散化，它是连续的。诸如混合A*，快速探索随机树（RRT）等算法实现了这一点。

混合A*

混合动力A*试图通过打破运动来接近连续世界的现实。我们尝试几次短距离移动而不是从一个盒子到另一个盒子，而是总是选择一个让我们更接近目标的移动。这意味着算法既是离散的又是连续的。产生的轨迹也可以更流畅，因为它们考虑了最大转向角，物理轨迹等等。

混合A*

-- 强化学习

越来越流行的方法是强化学习。这种机器学习技术包括从经验中学习。如果我们想要向右转，我们要求汽车做出随机选择，如果它是好的，它会得到 积极  的回报，如果不是，则是否定的。在整个培训过程中，汽车能够学习什么能带来积极的回报，并重现它。这项技术是目前最接近人类学习的技术。 

感谢强化学习，我们可以教AI走路，奔跑，击败围棋世界冠军等。

可以将该技术集成到机器人技术中，尤其是自动驾驶车辆中。 MobilEye的规划系统就使用了强化学习。 Wayve的最新演示完美地展示了这一概念的使用。

https://youtu.be/eRwTbRtnT1I

结果

作为我的自动驾驶汽车Nanodegree的一部分，我实现了一个关于高速公路驾驶的项目。我开发了一种算法，它可以在高速公路上的其他车辆中行驶7.5公里。前面介绍的有限状态机用于超过慢速车或在无法超车的情况下减速。  

https://youtu.be/VbuK4NF34Q4

结论

自动导航是一个令人振奋的主题。我们凭直觉和眼睛遵守道路规则。要在计算机中重现这一点，你必须完成我们所做的所有步骤。我们必须知道，定位自己，预测其他车辆的行为，最后通过整合诸如法律或乘客舒适度等约束来做出决定。在机器之后，人类告诉我们在某些情况下必须采取的行动是什么。机器只能再现它所教的内容。这个主题下仍有大量研究和实验工作的空间。它使得实现第5级自动驾驶并永久地使其大众化成为可能。

参考文献

• Udacity Self-driving Car Nanodegree Program

• Udacity Self-Driving Car Fundamentals featuring Apollo

GitHub 路径规划项目

<ul style="class=" list-paddingleft-2">

• Highway Driving C++ Implementation: highway-driving

一THE END一

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com