论文部分内容阅读
如果有一天，汽车会学习，也会思考，世界将变成什么样？
对于智能汽车的定义，不同的人有自己不同的理解，不过对于智能汽车的终极目标——无人驾驶或者自动驾驶，却是大多数人所向往的未来。尤其在谷歌人工智能机器人Alpha Go大胜围棋顶级高手之后，很多人认为我们距离智能汽车的终极目标似乎越来越近，甚至仿佛可以指日可待，事实果真如此吗？本期我们采访了博泰前瞻技术研发经理原树宁博士，目前，由其主导的博泰V2X项目正在稳步推进，在无人驾驶领域已取得了有效的进展。
记者：在可见的未来，像AlphaGo那样专门用于下围棋的人工智能（AI），专门应用于自动驾驶的人工智能（AI）会出现吗？
原树宁：我的观点是保守的肯定。目前来看，汽车上已经开始在应用的视频分析、自适应巡航、自然语言识别等技术实际上已经利用了人工智能，但是基于通用智能的这种无人驾驶，就是它可以自己去适应任何交通环境的自动驾驶技术，可能还遥遥无期。要大规模普及无人驾驶需要在决策层应用人工智能（AI），目前的视频分析，专业语音识别等技术都是在感知层的应用。人工智能（AI）在无人驾驶中的应用，其核心肯定是人工智能（AI）AI在决策层的作用，比如说车速怎么加？方向朝哪里？如果这个决策本身是人工智能（AI）做出来的，没有人工的干预，这才是真正的无人驾驶，或者说自动驾驶。
而且我认为如果无人驾驶要大规模普及，用传统的程序控制方法是很难做到的，它必须使用机器学习，或者人工智能（AI）的方法实现决策。由于交通规则不是绝对的，如果用人工智能（AI）实现决策，那么人工智能（AI）就要适应没有规则的情况，它会遇到很多困难，比如说，有一个人赖在前面不走，或丢一个大东西等情况，因为智能汽车是绝对遵守规则的，如果别人不遵守规则，就可以欺负它。
事实上，现有的人工智能基本上都是对特定任务设计的，例如：图像识别、自然语言识别、软件框架设计、扮演游戏对手等非常细分的专业应用。各个应用之间是分割的、不能垮行业使用的。另一方面，人工智能领域中的“通用人工智能（General AI）”，依然是科技界长期奋斗的目标。通用人工智能要能够很快学习新的规则，适应新的事物，能够直接应用在不同的领域，会下棋、也会打桥牌、还认识朋友、会开车。不过如何实现通用人工智能，我们目前在理论上都还没有搞明白。
记者：人工智能（AI）在自动驾驶中的作用是什么？
原树宁：首先是环境感知。这是自动驾驶的数据基础，提供车辆周边环境的状况。车辆不但需要知道自己所在的位置，还要获取道路属性、周边物体的属性、交通设施的属性。在这个层面上视频分析、雷达成像分析等人工智能手段是完成环境感知的最重要组成部分，这一部分的技术发展已是突飞猛进，例如对车辆、摩托、行人、动物、障碍物、限速牌、红绿灯、车道的识别。好的识别模型和大量的数据训练能够保证很高的识别正确率，但是，机器学习本身，即使在理论上，它都无法保证绝对（100%）的正确。这在自动驾驶中却是不可原谅的缺点，如果环境感知不能确保绝对的正确，那如何保证决策的正确性呢？如何保证行车安全呢？人们会购买发生事故的自动驾驶车辆吗？因此在环境感知层面，人工智能与工程手段将会起到相互补充的作用，实现对环境的正确感知。其中非常有潜力的一项技术就是V2X技术，它会将所有的交通基础设施和每辆车都贴上标签，实时的播发自己的相关信息，从而使得每部汽车都能直接获取周边的情况，再结合其他传感器，实现信息冗余，保证对环境的正确感知。
其次是决策协同。决定车辆的行驶速度、方向、线路等根本问题。基于程序控制的车辆完全能够实现自动驾驶。但是，它只能运行在有限的场景之下，极度缺少应对能力，并且消耗大量的程序分析和维护时间（系统越复杂维护成本越高）。基于机器学习的人工智能在决策协同领域有着无可比拟的优势，自我完善，维护成本越来越小，具有较强的适应和应变能力。就好比用编程控制的方式也能让程序下围棋，却永远无法达到AlphaGo的高度。但是，这里也会遇到一些奇奇怪怪的障碍。
1）无规则。在现实生活中交通规则不是绝对必需遵守的，而围棋的规则至少在正规比赛中双方都是绝对遵守的。如果李世石偷偷在棋盘上多放一个子，AlphaGo会怎么处理？应该整套模型都必需重构吧？这也是大家调侃谷歌不敢挑战中国麻将的原因。一个随时可以被打破的规则（闯红灯、超速、逆行、横道线抢行等）就是没有规则。这样的模型建立恐怕绝不亚于“通用人工智能”的难度。解决方法就是建立一个必需绝对准守的规则，将那些可能不遵守规则的参与者全部剔除，于是乎就只身下自动驾驶车辆本身了。
2）规则重塑。在一个只有自动驾驶车辆的路网上，机器的驾驶行为将会完全不同于人类的驾驶行为。例如，人类在高速上行驶需要保持100米左右的车距，其原因是人类生物能力的限制，例如，高速时视觉的狭窄化、反应时间的限制。此时机器完全不需要顾及人类生物能力的限制，而是根据自身的反应时间、信息处理的范围和能力重新定义交通规则，例如高速公路车速完全可以提升到200km/h，甚至300km/h，车间距离可以缩小到数米甚至完全对接，高速公路的线型（坡度、转弯半径、车道宽度）也可以放松要求。新的规则将保证自动驾驶车辆的安全运行。
3）车辆互学习。这个只有在自动驾驶车辆行驶的道路网中进行，车辆的驾驶行为和我们现在人类的驾驶行为将会大相径庭。但是人类的驾驶行为可以作为车辆自己学习驾驶的起点。人类开车时是如何保持车距、如何在拥堵时协作排队、如何变道、转弯、掉头对于AI而言都是难能可贵的经验。以此起点，在既定规则下，向自动驾驶道路网投入已经学会了人类开车方式的车辆，让他们之间相互协作、相互学习，优化自己的驾驶效率。就如同两个AlphaGo对弈，相互学习围棋技艺。
最后是控制执行。这是对决策的执行，例如决策需要5秒加速到80Km/h，那么该喷多少汽油，发送机转速要多快等等。这里完全是工程的世界、是精确控制的领域，需要对命令的坚决和精准地执行。这里和人工智能无关。
对于智能汽车的定义，不同的人有自己不同的理解，不过对于智能汽车的终极目标——无人驾驶或者自动驾驶，却是大多数人所向往的未来。尤其在谷歌人工智能机器人Alpha Go大胜围棋顶级高手之后，很多人认为我们距离智能汽车的终极目标似乎越来越近，甚至仿佛可以指日可待，事实果真如此吗？本期我们采访了博泰前瞻技术研发经理原树宁博士，目前，由其主导的博泰V2X项目正在稳步推进，在无人驾驶领域已取得了有效的进展。
记者：在可见的未来，像AlphaGo那样专门用于下围棋的人工智能（AI），专门应用于自动驾驶的人工智能（AI）会出现吗？
原树宁：我的观点是保守的肯定。目前来看，汽车上已经开始在应用的视频分析、自适应巡航、自然语言识别等技术实际上已经利用了人工智能，但是基于通用智能的这种无人驾驶，就是它可以自己去适应任何交通环境的自动驾驶技术，可能还遥遥无期。要大规模普及无人驾驶需要在决策层应用人工智能（AI），目前的视频分析，专业语音识别等技术都是在感知层的应用。人工智能（AI）在无人驾驶中的应用，其核心肯定是人工智能（AI）AI在决策层的作用，比如说车速怎么加？方向朝哪里？如果这个决策本身是人工智能（AI）做出来的，没有人工的干预，这才是真正的无人驾驶，或者说自动驾驶。
而且我认为如果无人驾驶要大规模普及，用传统的程序控制方法是很难做到的，它必须使用机器学习，或者人工智能（AI）的方法实现决策。由于交通规则不是绝对的，如果用人工智能（AI）实现决策，那么人工智能（AI）就要适应没有规则的情况，它会遇到很多困难，比如说，有一个人赖在前面不走，或丢一个大东西等情况，因为智能汽车是绝对遵守规则的，如果别人不遵守规则，就可以欺负它。
事实上，现有的人工智能基本上都是对特定任务设计的，例如：图像识别、自然语言识别、软件框架设计、扮演游戏对手等非常细分的专业应用。各个应用之间是分割的、不能垮行业使用的。另一方面，人工智能领域中的“通用人工智能（General AI）”，依然是科技界长期奋斗的目标。通用人工智能要能够很快学习新的规则，适应新的事物，能够直接应用在不同的领域，会下棋、也会打桥牌、还认识朋友、会开车。不过如何实现通用人工智能，我们目前在理论上都还没有搞明白。
记者：人工智能（AI）在自动驾驶中的作用是什么？
原树宁：首先是环境感知。这是自动驾驶的数据基础，提供车辆周边环境的状况。车辆不但需要知道自己所在的位置，还要获取道路属性、周边物体的属性、交通设施的属性。在这个层面上视频分析、雷达成像分析等人工智能手段是完成环境感知的最重要组成部分，这一部分的技术发展已是突飞猛进，例如对车辆、摩托、行人、动物、障碍物、限速牌、红绿灯、车道的识别。好的识别模型和大量的数据训练能够保证很高的识别正确率，但是，机器学习本身，即使在理论上，它都无法保证绝对（100%）的正确。这在自动驾驶中却是不可原谅的缺点，如果环境感知不能确保绝对的正确，那如何保证决策的正确性呢？如何保证行车安全呢？人们会购买发生事故的自动驾驶车辆吗？因此在环境感知层面，人工智能与工程手段将会起到相互补充的作用，实现对环境的正确感知。其中非常有潜力的一项技术就是V2X技术，它会将所有的交通基础设施和每辆车都贴上标签，实时的播发自己的相关信息，从而使得每部汽车都能直接获取周边的情况，再结合其他传感器，实现信息冗余，保证对环境的正确感知。
其次是决策协同。决定车辆的行驶速度、方向、线路等根本问题。基于程序控制的车辆完全能够实现自动驾驶。但是，它只能运行在有限的场景之下，极度缺少应对能力，并且消耗大量的程序分析和维护时间（系统越复杂维护成本越高）。基于机器学习的人工智能在决策协同领域有着无可比拟的优势，自我完善，维护成本越来越小，具有较强的适应和应变能力。就好比用编程控制的方式也能让程序下围棋，却永远无法达到AlphaGo的高度。但是，这里也会遇到一些奇奇怪怪的障碍。
1）无规则。在现实生活中交通规则不是绝对必需遵守的，而围棋的规则至少在正规比赛中双方都是绝对遵守的。如果李世石偷偷在棋盘上多放一个子，AlphaGo会怎么处理？应该整套模型都必需重构吧？这也是大家调侃谷歌不敢挑战中国麻将的原因。一个随时可以被打破的规则（闯红灯、超速、逆行、横道线抢行等）就是没有规则。这样的模型建立恐怕绝不亚于“通用人工智能”的难度。解决方法就是建立一个必需绝对准守的规则，将那些可能不遵守规则的参与者全部剔除，于是乎就只身下自动驾驶车辆本身了。
2）规则重塑。在一个只有自动驾驶车辆的路网上，机器的驾驶行为将会完全不同于人类的驾驶行为。例如，人类在高速上行驶需要保持100米左右的车距，其原因是人类生物能力的限制，例如，高速时视觉的狭窄化、反应时间的限制。此时机器完全不需要顾及人类生物能力的限制，而是根据自身的反应时间、信息处理的范围和能力重新定义交通规则，例如高速公路车速完全可以提升到200km/h，甚至300km/h，车间距离可以缩小到数米甚至完全对接，高速公路的线型（坡度、转弯半径、车道宽度）也可以放松要求。新的规则将保证自动驾驶车辆的安全运行。
3）车辆互学习。这个只有在自动驾驶车辆行驶的道路网中进行，车辆的驾驶行为和我们现在人类的驾驶行为将会大相径庭。但是人类的驾驶行为可以作为车辆自己学习驾驶的起点。人类开车时是如何保持车距、如何在拥堵时协作排队、如何变道、转弯、掉头对于AI而言都是难能可贵的经验。以此起点，在既定规则下，向自动驾驶道路网投入已经学会了人类开车方式的车辆，让他们之间相互协作、相互学习，优化自己的驾驶效率。就如同两个AlphaGo对弈，相互学习围棋技艺。
最后是控制执行。这是对决策的执行，例如决策需要5秒加速到80Km/h，那么该喷多少汽油，发送机转速要多快等等。这里完全是工程的世界、是精确控制的领域，需要对命令的坚决和精准地执行。这里和人工智能无关。