四项创新将自动驾驶汽车人工智能推向新高度

自动驾驶汽车具有广泛的自动驾驶能力。一些车辆提供基本的自动化功能,例如巡航控制和盲点检测,而其他车辆则达到了完全自动化的功能。AI技术使其中许多功能成为可能。

但是,在讨论智能城市交通的大规模部署之前,需要做更多的工作来改善为自动驾驶汽车提供动力的AI算法和地图绘制功能。本文回顾了无人驾驶汽车AI和地图绘制方面的创新,这可能有助于确保在全市部署无人驾驶汽车的未来。

1.深度强化学习(DRL)

多种类型的机器学习被应用于包括DRL在内的自动驾驶汽车的开发。该方法结合了深度学习和强化学习的策略,以尝试更好地自动化算法训练。

在实施DRL时,研究人员使用奖励功能来指导软件定义的代理商朝着特定目标发展。在整个培训过程中,这些代理人将学习如何实现该目标或如何在后续步骤中获得最大的回报。

借助从当前自动驾驶汽车,人类驾驶员和制造商收集的数据,这些代理商最终可以接受独立操作的培训。同时,DRL在较低级别的车辆自动化中具有有用的应用程序。它还可以在汽车制造中提供价值,可以将其应用于改造工厂自动化和汽车维护。

2.路径规划

路径规划是自动驾驶汽车用来确定安全,便捷和经济路线的决策过程。它需要考虑街道配置,静态和动态障碍以及变化的条件。当前,路径规划基于基于行为的模型,可行模型和预测控制模型的组合。

该过程大致如下:

路线规划机制根据可用的道路或车道确定从A点到B点的路线。

然后应用行为层来根据环境变量(例如交通或天气状况)确定车辆运动。

将这些确定应用于可行的和预测的控制模型,以指导车辆的运行。

随着行程的进行,来自传感器和分析的反馈将反馈到这些组件,因此可以实时进行调整以调整错误或意外事件。

在上述过程中,相对容易的部分是预测车辆在特定条件下的行为。更具挑战性的是预测车辆在其运行的环境中可能发生的情况。例如,模型如何预测相邻车辆何时转向或行人进入街道。

为了改善这些预测,研究人员正在应用多模型算法来模拟物体的可能轨迹和速度。这些模型使自治系统可以同时为多种情况做准备。然后,基于每种情况发生的评估概率,系统可以定义车辆的响应方式。

3. SLAM

同步定位和地图绘制(SLAM)是一种用于将车辆实时定向到周围环境的技术。尽管仍处于早期阶段,但这项技术最终可以使车辆在地图不可用或地图不正确的区域内自主运行。

使得该技术难以实施的原因在于,当前,映射是基于首先知道对象的方向的。但是,方向通常是通过将传感器数据与现有的周围环境图进行比较来确定的。当地标信息未知时,这种双重依赖使得难以实现任何一个目标。

解决此问题的方法之一是通过合并基于GPS数据的粗略地图,然后在车辆穿越环境时对其进行完善。这要求车辆传感器不断测量环境并进行仔细的计算以校正车辆运动和传感器精度。

在用于生成Google Maps数据的Google自动驾驶汽车中可以看到SLAM应用程序的示例。该车辆使用安装在车顶上的激光雷达(LIDAR)组件来测量其周围环境。

根据车辆的行驶速度,每秒最多可进行10次测量。然后,将收集到的数据通过一系列统计模型,包括贝叶斯过滤器和蒙特卡洛模拟,以准确改善现有地图。

4.高清地图

高清晰度(HD)地图是包含微小的环境细节的地图,通常小到一厘米。这些地图包括现场驾驶员在驾驶时能够实时查看和解释的细节,但哪些自动驾驶汽车需要提前。例如,车道标记,弯道角度,道路边界或路面坡度。

高清地图提供的详细程度可帮助自动驾驶车辆更准确地预测行为并实现更准确的方向。这并不能消除实时评估环境变化的需要。但是,这确实减轻了必须彻底处理和分析传感器数据的负担。

结论

AI算法只是为全自动驾驶汽车提供动力所需组件的一部分。高质量数据的集成也推动了增长。例如,从高级传感器收集的数据或从更准确的地图得出的数据。虽然深度学习模型极大地促进了自动驾驶汽车AI的改进,但这些汽车仍然面临许多挑战,必须在真正成熟之前解决这些挑战。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。