AI算法和自主车辆的挑战

文章作者:Anton Hristozov

自动驾驶汽车(AVs)开始在工业的某些领域成为一种真正的可能性。农业、交通运输和军事都是一些例子。自动驾驶汽车进入普通消费者日常生活的那一天很快就会到来。车辆必须执行的许多操作都是基于传感器信息和一些人工智能(AI)算法。车辆需要收集数据，规划轨道并执行轨道。这些任务，特别是后两个任务，需要非传统编程方法，并依赖于机器学习技术，而机器学习技术是人工智能的一部分。本系列分为两部分，阐述了使自动驾驶汽车成为现实的人工智能应用，介绍了它们的挑战和成就。第1部分提供了AI及其在AVS中的应用分析。本文探讨了AI中AI的算法和挑战。

3. AI算法用于自主车辆

3.1。路径规划与控制算法

传统的计算机科学算法在本质上是启发式的，可以用于这项任务。这些算法包括Bellman-Ford和Dijkstra的算法(Bugala, 2018)。为了使这些算法能够工作，我们需要在整个过程中对车辆进行定位。定位是通过传感器如GPS以及同步定位和测绘(SLAM)技术来完成的。

例如，当没有GPS可用性（例如地下或封闭的空间）时使用SLAM。SLAM生成环境的地图，同时估计车辆的状态（Cadena等，2016）。地图由地标或障碍组成，以表示环境。SLAM用于映射不可用的应用程序中，需要创建。它使用传感器和特殊算法，用于创建数据的模型以生成地图。

3.2。对象检测算法

目标检测是人工智能在移动车辆中必须处理的最重要的任务之一。这些算法是一个活跃的研究领域，它们依赖于不同的传感器。目标检测可以基于摄像机或激光雷达、雷达和其他类型的传感器。使用的算法通常是深度学习算法，它使用某种类型的神经网络来完成这项工作(Redmon等人，2016)。

此任务的一个要求是它需要快速。原因是因为在车辆移动时需要处理需要处理的图像。

这里的一些最新技术是基于卷积神经网络(CNN)的使用。这些是R-CNN, Fast R-CNN和你只看一次(Yolo)方法(Redmon等人，2016)。RCNN首先在图像中找到包含潜在目标的区域，然后尝试分析每个区域。这使得R-CNN有点慢，这就是为什么开发了快速的R-CNN方法和Yolo方法。Yolo同时使用单个卷积神经网络来查找区域并对区域中的对象进行分类。这使得Yolo与其他方法相比非常快。此外，Yolo能够看到整个图像，不会受到R-CNN的问题，如将背景图像误认为物体。

3.3。决策算法

决策制定基于来自传感器的信息来确定车辆的动作。基于其政策和环境，车辆不断决定。用于决策的算法是以下（Bugala，2018）：

• 决策树
• 支持向量机回归
• 深入强化学习

4.人工智能在自主中的挑战汽车

在自动驾驶汽车上使用人工智能算法所面临的一些挑战，与许多其他人工智能应用程序所面临的挑战相同。自动驾驶汽车领域带来了一些额外的、独特的挑战。这些概念包括实时、安全和机器伦理。下面的小节详细描述了这些领域。

4.1真实时间响应

实时系统是特定的嵌入式系统，具有在特定时间限制内产生输出或反应的特性。他们必须在他们的设计中是确定性和极简主义者，因此他们可以始终满足预期的实时行​​为。为此，他们经常使用特殊的实时操作系统（RTOS）或裸机高管直接与硬件进行交互，避免解释语言和动态内存分配。在某些情况下，实时系统故意使用编程语言的子集，以保证速度和确定性。

人工智能解决方案通常在频谱的另一侧 - 使用更高级别的编程语言，完整的操作系统依赖性，像动态内存分配和垃圾收集等技术。这在实时保证这些系统时会产生挑战。

这些系统的另一方面是它们是否被集中或分布如（Carmody，Thomas，2019）中所述。集中式系统更容易架构师，而且依赖于内部通信和强大的中央处理器。分布式系统使用可以处理不同子系统和传感器的专用CPU，从而减轻了对复杂和强大的中央CPU的需求。分布式架构允许具有较低功耗的系统。它们也更灵活，可以更便宜。

4.2计算复杂性

人工智能算法，特别是深度学习，由于数据量和计算的复杂性，需要特殊的硬件解决方案。硬件，如图形处理单元(GPU)或张量处理单元(TPU)可以进行高度优化以实现快速并行计算。这种速度是以更高的能源消耗和成本为代价的。即使使用专门的硬件，仍然不能确定特定的算法能够在实时约束条件下得到解决方案。因此，根据算法的复杂性和CPU需求来选择算法是实时系统中的一个重要因素。CPU计算和内存的使用情况可以帮助确定一种算法是否适合在现代车辆中使用的典型CPU中使用。

4.3黑匣子行为

AI算法被批评而不是分析标准计算机算法。这来自AI算法具有更高级别的复杂性并依赖于大量数据。复杂的神经网络可以执行多个AI任务，而无需了解IT控件的过程。

事实上，深度神经网络是近似于一个函数的，这是其本质的一部分，也解释了为什么它能如此成功。深度神经网络可以有成千上万的节点，这些节点可以通过训练达到某种状态。此外，它们可以有许多隐藏层和许多输入和输出。当系统崩溃时，所有这些都会导致问题，需要做取证分析并找出崩溃的准确原因。这是一个活跃的研究领域，该领域的成功将解决许多与使用人工智能相关的法律和技术问题。

一个想法是使用混合解决方案，将人工智能与传统控制算法相结合(Abduljabbar和Dia, 2019)。这一问题对于事故预测和处理尤其重要(Narayanan, 2019)。AI算法必须证明为什么会做出一个决策，而如果算法只能被分析和视为一个黑盒子，那么这就很难或不可能实现。

4.4精度和可靠性

用于自动驾驶汽车的计算机视觉应用可能还没有准备好。原因是它们可以在原始条件下工作，但在传感器输入的一些甚至很小的干扰下就会失效。对于具有一定特征的训练数据，人工智能算法的训练速度较慢。

改变数据可以使分类和预测算法随着灾难性的结果而大大改变他们的行为。例如，一个带有大包的人，可能不会被车辆视为一个人。

此外，很难预测输入系统的任意数据会发生什么。这一问题已被攻击者利用，他们能够通过人类看不到的图像数据欺骗深度学习算法，但使神经网络停止正确分类。为了提高机器学习算法的可靠性和准确性，显然还有很多需要改进的地方。

4.5安全

人工智能的复杂性可能会导致安全问题。更复杂的系统是更难开发、测试和部署的系统。这只是问题的一部分。另一个现实是，新的安全标准正在出现，但尚未被交通运输业采用(Carmody, Thomas, 2019)。

是什么让事情更复杂的是，AI系统的分析和验证是仍在其早期阶段的东西，并且由于它们的复杂性而可能不会被遗传。一般来说，即使对于传统的软件系统，也很难验证，即使是基于AI的软件也更加困难。创建强大，验证和验证的AI解决方案的问题是我们必须一般来说，不仅适用于自动车辆，而且是所有AI应用程序。

4.6安全和ai

AI系统对自主车辆如此核心，其安全与整个系统的鲁棒性直接相关。机器学习系统易受攻击，并且存在许多情况的例子（纽曼，2019）。

最大的威胁是对手可以操纵来自传感器到车辆的数据，从而使系统做出错误的决定。这种行为可以通过训练系统的数据有一些对抗的特征来改进。一项使用识别路标的深度学习模型进行的实验表明，“在一个停车标志上添加一些黑白贴纸就会让算法误以为这是一个时速45英里的限速标志。””(纽曼,2019年第2期)。

影响AI如何在自主车辆中操作的大威胁是通过扰动传感器操作，这导致传感器数据流的变化，因此可以完全混淆AI算法。基于型号的混合系统，模糊逻辑和传统控制系统等解决方案是研究人员正在探索的一些方式。赌注很高，因为AI可以在一些车辆子系统中找到，并且在不久的将来将在每个车辆中。

4.7道德和艾

目前，人工智能在自动驾驶和半自动驾驶汽车上的伦理实现还不成熟，也没有得到显著发展。伦理价值是一种人的素质，很难在机器中形成和实现。换句话说，对于机器来说，决定什么是对的，什么是错的是模糊的(Narayanan, 2019)。机器伦理学的全面发展可能需要几十年的时间。这是一个活跃的研究领域，是人类心理学、机器学习和社会政策的交叉学科。当技术变得更加成熟时，一些法规可能会在这个方向上有所帮助。

结论

如今，人工智能解决方案无处不在。它们是Alexa和谷歌Home等设备的一部分，是割草机器人的一部分，也是我们期待不久就能驾驶的自动驾驶汽车的一部分。人工智能的挑战和成就在许多行业都很常见，但在交通运输业，尤其是自动驾驶汽车，我们面临着安全和安全方面的额外挑战。一方面是因为制造一辆自动驾驶汽车的任务很复杂，另一方面是因为人工智能领域的发展水平，以及它在解决诸如目标检测、路线规划和实时决策等复杂问题上的适应性。随着自主解决方案越来越多地渗透到经济的某些部门，许多障碍将得到解决。也许对这个行业来说，正确的问题应该是“我们能安全到达那里吗?”而不仅仅是“我们到了吗?”

- Anton Hristozov毕业于匹兹堡大学，获得电信和信息科学硕士学位。他目前正在普渡大学攻读技术博士学位。