0
| 本文作者： 易建成 | 2017-03-23 18:00 |
雷锋网按：本文内容来自吉林大学汽车研究院常务副院长，国家“”特聘专家邓伟文教授在 2017 未来汽车峰会上的主题报告《智能汽车与智能驾驶》，由雷锋网整理和编辑，经邓伟文教授亲自审文。
有一种观点认为，无人驾驶可能很长时间内与人工智能「没什么关系」。因为无人驾驶的第一级形态是低速和固定场景应用，这一阶段人工智能的的参与感并不强烈。
对于无人驾驶与人工智能的关系，邓伟文认为这两者将相辅相成，很多时候并不能完全区分开。他向雷锋网表示：「人工智能技术对于提高环境感知质量已经显示了它的优势，并将有助于推动自动驾驶技术的进一步发展与应用。」
在通往无人驾驶这条路上，我们究竟面临什么样的挑战？
我们想讨论的问题是关于人的挑战。很多人会觉得有了自动驾驶、无人驾驶，好像人显得越来越不重要了。其实不然，这是我的两个主要观点：未来汽车智能驾驶时代，
第一，我们比任何时候都更需要研究人：因为人的因素与影响在未来智能汽车设计中扮演着重要的角色（人机交互与共驾、人性化与个性化智能驾驶）；
第二，我们比任何时候都更需要学习人：模仿人的联想、推理、自学习及自适应能力是未来智能驾驶或无人驾驶的关键技术（人工智能技术）。
传统的汽车电控包括驾驶员、车辆和控制单元。「人」与控制器之间的关系是「命令和执行」的关系，因此并不存在所谓的人机「共驾」问题。整个系统看上去是一个相对比较简单的控制系统。
我们知道，在汽车行驶过程中会遇到各种复杂的交通、道路和天气状况，但基本上都是由人负责处理。所以，在传统的电控系统里我们有两个基本假定：
假设 1，驾驶员操控「基本完美」：控制系统设计以实现驾驶人的驾驶意图为控制目标（比如ABS/TCS/ESP系统）。整个汽车电控系统都是围绕实现驾驶员驾驶意图作为控制目标。换句话说，我们认为汽车人的驾驶意图是正确的。
假设 2，行驶环境「基本无关」。由驾驶人完全承担对行驶环境的判断与处理责任和任务。换句话说，人承担了复杂的交通、道路和天气等的判断和处理。
因此，传统汽车电控系统是一个相对简单的机电一体化控制系统。从汽车电控角度而言，人在发号施令，控制系统跟随人的控制命令实现人的控制意图。
但是，当我们谈论汽车智能化的时候，我们知道「人」是有缺陷的、是需要帮助的。这样使得智能汽车和智能驾驶系统引入了复杂的「人」与「环境」这两个重要的因素。因为人有时会疲劳、分神，有时会酒驾，因此「人」是有问题的。相机和雷达等环境传感系统把环境因素直接引入了这个系统。所以，智能驾驶系统变成了一个复杂的人、车、环境闭环控制系统。
这个系统意味着什么？系统的复杂性、不确定性、不可预知性大大增加。
人的复杂性和不确定性；
传感器的误差、噪声与信息的不完整性（毫米波雷达、超声波雷达、激光雷达、像机等等）；
环境的复杂性、不确定性与不可预知性；
我们说「人」是整个驾驶链中最重要的角色，这话从何谈起？
截至 2016 年底，全国机动车保有量达 2.9 亿辆，机动车驾驶人 3.6 亿人，其中汽车驾驶人超过 3.1 亿人；
驾龄不满一年的驾驶人 3314 万人；
驾龄 3 年以下的发生道路交通事故 156295 起，造成 29743 人死亡，占驾驶员肇事总数的 45% 左右。
美国高速公路管理局2008年有一个调查报告对事故的原因做了一些细分。总结一下就是超过 90% 以上的事故原因是「人」的因素，包括磕睡、疲劳、精神/生理因素、驾驶单调与分神等等。
所以说，人是整个驾驶链中最薄弱的一环，也是汽车驾驶系统中的 BUG，包括状态不佳、习性不良，技能不足；人也是驾驶链最危险的环节（事故原因占比：＞90%）；虽然行驶交通环境和车辆质量可以改善，但是改变「人」是一件几乎不可能的事情。
因此我们得出这么一个结论，汽车智能化是汽车发展的大趋势，这意味着我们需要部分甚至完全替代人。而无人驾驶则是完全替代人的驾驶。
汽车智能化技术发展有不同的技术路线和分级，目前比较公认的是美国的SAE分级。
从手动驾驶到全自动驾驶，中间有几个环节，从辅助驾驶进一步走到半自动和高度自动化驾驶，最终希望某一天它能够实现全自动驾驶。
我们看到这中间相当长的一段时间里，人机是并存的。除了技术问题之外，从产品的角度看还有包括人以及社会对无人驾驶系统的接受程度，包括保险、责任以及法律制约等。
在整个智能驾驶过程中人机共驾是很重要的一个环节。我们讲渐进式智能驾驶发展，驾驶人仍然是驾驶的主体：
增强感知系统，辅助人的驾驶；
另一方面我们通过增强控制系统，包括控制和干预，从制动、驱动和转向等方面帮助驾驶人。这些都是智能辅助驾驶概念。
人机共驾的概念即是驾驶人和机器人共同驾驶车辆。虽然不是我们想象中的机器人，但它也是由传感、控制和执行机构构成的自动化系统：
驾驶人需要传递驾驶意图给机器人；
机器人则发出提示和警示。另外在人驾驶情况下，机器人可能会监管和干预等。
这就构成了人机共驾和人机交互。汽车控制系统包括传感感知系统、规划决策、控制器、执行器等等，基于行驶目标和理解行驶环境，制定驾驶决策，并操控汽车。
人也在做同样的事情。人的感官通过对环境的感知（视觉、听觉）等，通过视觉、触觉和体感等反馈构成了一个闭环控制系统，包括大脑决策和判断等，这是「人」驾驶的概念。
机器人通过这个系统会发出提示或警示信息，或主动干预，构成了一个人机共驾系统。在这个系统里，核心的部分是「人」，而「人」则是一个很复杂的概念。
首先，我们需要知道人的状态如何，包括是否处在磕睡状态、分神或酒驾状态等等，这样我们才知道驾驶人是否需要帮助。因为帮助过头实际上就是干扰。其次，我们要知道人的驾驶风格、习性或技能如何。
人机共驾，基本上是驾驶人和机器人之间的博弈。
这个系统如果做得不好，就构成了干扰，很可能驾驶人会将系统关闭。所以提供一个协同的人机共驾十分重要。
因此我们就需要对驾驶人的行为特征进行研究，包括他的意图、驾驶状态、驾驶习性和驾驶技能如何？这是一个富有挑战性的关键问题。
另一方面通过对环境感知，规划和决策等形成人机共驾基本模式：包括托管、纠偏、补偿和协同。
所以，人机共驾这个命题将长期存在，友好、和谐、协同的人机共驾与人机交互至关重要，也将是汽车智能驾驶技术面临的很重要的挑战。
我们现在讲无人驾驶，我把它分成两类：一类是基于自动控制技术，一类是基于人工智能技术。它们都将会是未来的驾驶员。但两者之间的区别是什么？或者带来的机遇和挑战是什么？
我们知道，自动驾驶是一个漫长的过程，但终极目标是无人驾驶。
这话 5 年前讲会非常有争论，但是今天大家应该有一个基本共识：无人驾驶是终极目标。它应当具备「类人」的驾驶体验（即人性化）、体现「类我」的驾驶风格（即个性化）。人性化和个性化的无人驾驶是最高境界。
人机共驾与人机交互是一个长期的挑战：包括驾驶意图识别、驾驶状态检测、驾驶行为辨识（驾驶习性和驾驶技能等）、以及友好、直观的人机界面和人机交互体验等。
人机共驾将长期存在，即便是自动驾驶，实现拟「人」和类「我」驾驶是体现人性化和个性化驾驶的关键技术和应用基础。
驾驶员非专业，人数多，年龄、性别、驾龄各异，心理生理差异极大，是汽车驾驶环节中最危险、最复杂、也最不确定的因素。
驾驶员具有驾驶缺陷和障碍、具有驾驶习性和技能等特征。
行驶环境，包括道路环境、交通环境，还有天气因素等。无人驾驶或自主驾驶我们把它归成两类：从基于自动控制的自动驾驶到基于人工智能的智能驾驶。
对基于自动控制技术的自动驾驶，这是它的典型技术路线：
我们有环境传感，基于一系列常见的，比如视觉传感（CCD/CMOS、红外夜视）、雷达传感（毫米波雷达、激光、超声波）、无线通讯（DSRC、V2X 通信），定位导航（GPS、数字地图、GIS）。
上述传感器对环境进行感知，对信息进行融合，形成对环境的理解，包括目标跟踪、障碍物识别、车道线识别、道路识别、交通标记识别等等。
然后便是基于对环境的理解，形成决策与规划，并对系统进行控制，包括转向、驱动和制动等，甚至人机界面也考虑进去，这是一个典型的自动驾驶系统。基于这些技术我们形成了自动驾驶功能，包括我们常见的一些警示功能、驾驶辅助功能，而未来则是无人驾驶功能。
从自动控制技术角度看，它有一些基本的出发点：被控对象可控、可观测、可稳定。
虽然系统具有内部非线性机理的复杂性和外部环境的不确定性。一方面系统的输入能控制系统的状态变化；另一方面系统的输出能反映系统的状态变化；系统参数与结构的不确定性以及外界干扰是有界的；
这是我们基于自动控制，也是目前绝大多数自动驾驶甚至无人驾驶系统基本的技术路线。自动控制的基本出发点：
1、建立系统的数学模型；
基于物理定律推导出对系统的数学描述（模型）；基于系统辨识理论利用系统输入和输出数据「反演」形成对系统的描述；基于信号滤波理论解决由于系统的许多状态变量无法直接测量且伴有随即噪声的干扰问题；基于鲁棒和自适应控制理论解决由于系统结构参数不确定和时变问题；
2、基于反馈机制或基于先验规则的控制策略；
基于模型或预先制定的规则，或基于误差反馈调节；让机器人按照人的思路去做，而不是像人一样思考获取智能。
这个系统中存在着大量的不确定性因素和随机变量。驾驶员的操作是显而易见的不确定因素，传感执行机构、行驶环境的干扰，包括网络传输、车内网、车际网、车间网等等，这些都会对人车环境闭环系统构成干扰，使得整个系统的性能带来极大的不确定性。
因为这些不确定性，我们一般的处理方式：增加传感，提高信息融合程度，以提高感知范围和感知质量；或者限定行驶区域。
一般的自动驾驶现在大多数都限于结构化道路，或者是通过改造道路结构、交通设施或使用专用道路结构来实现自动驾驶。实际上，这就是减少自动驾驶的不确定性。
从自动驾驶的发展路线状态来讲，我们认为有这么三种：
宝马模式（通过与Intel和MobilEye的合作），在智能驾驶方面有它的特色。这也基本上代表了传统汽车工业选择的一种渐进式模式；
Google 模式，一步实现无人驾驶，甚至把方向盘去掉；
Tesla 模式，介于第一和第二种模式中间。
这是目前典型的几种自动化发展模式。作为产品都需要提供 360 度传感感知和360 度的安全保护。但要实现全天候和全工况行驶环境下的自动驾驶技术仍是长期面临的挑战。
这个挑战来自什么地方？
第一，系统可控、可观测性假设并不永远成立：控制系统高阶、高度非线性和不确定性；模型的离散与连续混杂性；系统或扰动随机性；
第二，运行环境的确定性假设并不永远成立：自然环境复杂和不可预知；突发或危险工况难以归纳、难以穷尽；对环境的测量信息充满误差、延迟和不完整性；
第三，基于模型和先验规则的控制策略无法预先制定应对方案、难以处理预设驾驶场景以外事件；由于模型缺乏「学习」和「识别」能力，对环境和扰动的变化缺乏「适应性」和「鲁棒性」。
第四，难以满足（低成本约束下）全天候、全工况的准确、快速和可靠的环境传感感知和自主安全可靠运行。
我提出了一个从 AC（自动控制技术）到 AI（人工智能技术）的技术路径。
研究智能化程度更高的控制方法以处理日益复杂的动力学系统是控制理论的发展趋势；
智能控制理论为解决具有更大不确定性和复杂性系统提供了一条有效途径。
基本上，从经典控制理论、现代控制理论出发，基于人工智能和运筹学理论，形成了智能控制理论，这是控制系统里一个很重要的突破。我们可以看到，像神经网络、分列式控制等等。目的是试图解决一个对控制对象不知道或者不确定的、高度非线性、和复杂决策问题，特别是自学习和自适应能力。
自动控制技术实际上主要是基于知识，智能不是知识，而是想象、是创造、是获取知识和应用知识的能力。所以，基于人工智能的智能驾驶就是要模仿人类大脑神经活动，产生类人的智能功能。
联想推理、自学习、自适应；深度神经网络与大数据的结合以突破传统模型的局限；基于数据而不是基于算法的思路，在本质上就是消除系统的不确定性。
基于人工智能的智能驾驶，可以概括成 3 个方面：计算智能、感知智能和认知智能。
我们知道，机器人的计算与记忆能力远超人类，机器人的感知能力已经接近人类，人工智能技术就是试图模仿人的观察、思考和学习能力。这一方面，还有很长的路要走。
回到报告之初我的两个观点：在未来智能驾驶时代，
第一，我们比任何时候更需要研究人：人的因素与影响在未来智能驾驶汽车设计中扮演做非常重要的角色（人机交互与共驾、人性化与个性化智能驾驶）；
第二，我们比任何时候都更需要学习人，模仿人的联想推理、自学习及自适应能力是未来智能驾驶或无人驾驶的关键技术（人工智能技术）。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
