<mark id="oztn4"></mark>
0
| 本文作者： 張偉 | 2017-06-30 12:00 |
*清華大學汽車工程系教授 李克強在CICV 2017
雷鋒網新智駕按：1985年，李克強從清華大學汽車工程系本科畢業，他選擇到重慶大學攻讀碩士，入的仍是汽車工程系，拿下碩士以后，他留在了重大任教，并攻讀博士學位。這期間，他還擔任過五十鈴汽車的客座研究員。博士畢業后，他順利成為重大汽車工程系教授，1997年，他前往日本，進行了為期三年的游學，歸國后，他重返母校清華，成為汽車工程系的教授。這一做，就是10多年。
在汽車圈耕耘30多年的他，如今有了許許多多的頭銜，前不久，他又成了“中國智能網聯汽車產業創新聯盟”專家委員會常務副主任。當然，李克強最為大家熟知的還是其主導起草的《中國智能網聯汽車技術發展路線圖》于去年正式推出，成為工信部力推的“紅寶書”。
如今，當各界大談特談自動駕駛的時候，李克強也迎來了職業生涯最為忙碌的一段日子。6月28日這天，中國汽車工程學會主辦的第四屆中國國際智能網聯汽車技術年會（CICV 2017）上，李克強如約現身，作為中國汽車學術圈的“老人”，他確實有很多話說。這一次，他選擇的主題是《從輔助駕駛到自動駕駛的變革之路：關鍵技術的挑戰和進展》。
李克強坦言，“這一次不是講課，實質上我本身也是個學者，非常愿意將我和我們清華大學汽車系團隊在智能汽車領域的認識和實踐分享給各位。”
從輔助駕駛到自動駕駛，到底在技術方面有些什么樣的挑戰性問題，而從業者又能在技術方面做哪些創新性的工作，是他此次分享的主題。
大家也知道，自動駕駛存在著多個階段，初級階段的自動駕駛，是需要駕駛員來監管汽車行駛的環境，而高度自動駕駛階段，則是自動駕駛系統本身來實施對車輛周身環境的監管。
如果要從普通的輔助駕駛到高度的自動駕駛，技術層面上應該包括這幾個方面的挑戰。
過去，簡單的輔助駕駛只需用很少的攝像頭、很少的傳感器，到現在是多傳感器的融合；另外，大家都談到擬人化的控制，從任務的規劃、行為的規劃到路徑規劃再到車輛的控制，最終怎么在車輛動力系統上進行集成是一大問題；此外，還要考慮人機交互以及對駕駛員行為的描述以及車輛多性能指標的監控。
毋庸置疑，環境感知是自動駕駛繞不開的一大技術挑戰。
從車載傳感器方面看，這一系列傳感器產生的信息會存在所謂的異構性、多態性、不完備性以及不確定性。而且很多傳感器容易受到不同因素的干擾，所以其產生的信息的質量并不高。而且，如果忽略了人、車、環境的關聯性來考慮周邊信息的利用，其效率勢必不高。
另一大技術挑戰則來自決策與規劃。實際上，不管人多么善于學習或者說機器能多大程度上替代人，基本存在的問題不外乎這兩大類：不完備的環境感知和道路使用者（包括行人、機動車或者外來物）行為的隨機性。如果對此掌握不好，那么自動駕駛車輛便會對交通參與者運動的預測不準確，這將降低自動駕駛決策的有效性，也就直接導致安全問題的出現。
還有一大挑戰是在底層，是汽車公司向來比較擅長的，如果交給自動駕駛系統來做這件事情，勢必面臨著各種挑戰。
這其中包括：
車輛動力學系統強非線性和車輛的縱橫向動力學耦合
安全、節能、舒適等多性能指標相互沖突矛盾，難以協調
車輛隊列中各車動力學特性的異質以及無線通信中通信息流拓撲結構的多變
不過，縱使有如此多困難和挑戰，也阻礙不了眾多企業去追逐自動駕駛的浪潮。實際上，國內外的很多車企和互聯網公司都在研發自己的自動駕駛汽車。而且，自動駕駛是高新技術、交叉技術，很多的研究機構，比如美國的高校、中國的高校都在做自動駕駛相關的工作，清華大學便在其列。 清華也在國家項目的支持下，同時也與國內外企業進行合作，進行相關方面的探索和實踐。
另外一方面，國家也在進行相關科研項目的推進，發展智能網聯汽車的戰略研究和行動計劃，比如科技部在十二五計劃以及十三五計劃中都有智能網聯汽車的項目，而且也投入了數額不小的經費來做這件事情。包括國家自然基金委對人工智能、視聽覺認知這方面也有很大的投入。
李克強作為清華汽車工程系教授，當然繞不開這所學府本身在智能網聯汽車領域的探索和實踐。
第一，集中在環境感知方面。
清華方面認為環境感知的最大挑戰還是在行人這塊，特別是具有中國特色的騎車人。清華采用的是深度學習的方法來進行“行人和騎車人”的同時檢測。這兩者都是道路參與者中的弱勢群體，當二者耦合的時候，清華提出了統一的“行人及騎車人”聯合檢測方法：多示例目標候選區域選擇。
通過深度學習的方式，不斷訓練數據，讓系統能夠分清楚行人和騎車人這兩類道路參與者。
而做這方面的識別，很重要的一點就是數據庫，清華也在和車企戴姆勒合作，建立了世界上第一個公開的騎車人識別數據庫，可以做訓練、識別的工作。
而在目標檢測的時候，如果是立體的目標物，在檢測的時候不但需要知道它的形狀，還可以知道它前進的方向。用立體的方法做深度學習的識別是非常有益的。清華團隊做了基于單目相機的3D目標檢測，主要利用二維的圖像道路估計和語義特征的理解，來構建出一個3D檢測的效果。
第二，是決策與規劃方面。
汽車行業已經有非常成熟的從感知到認知到決策到運動控制再到執行的實踐方法論。怎么樣把“駕駛腦”（雷鋒網新智駕注：率先由中國工程院院士李德毅提出）的概念運用到汽車行業中去，清華也進行了相關的實踐。
他們把決策和規劃分別定義為駕駛大腦和駕駛小腦，通過感知系統獲取的信息形成短期記憶庫，經過訓練植入到“駕駛腦”中，當然，還有諸多知識和規則組成長期記憶庫，將持續輸出給“駕駛腦”，“駕駛腦”再完成路徑規劃和動力學控制，然后這個車輛動力學系統再反哺感知系統，形成一個完整的閉環。
這一個閉環也在告訴公路上做了試驗，清華為此提出安全場的概念：將高速公路提煉為一個安全場，然后再進行量化，形成訓練集，然后通過機器學習，讓自動駕駛車輛知道在高速公路環境中完成各種操控，明白什么時候該如何做。
第三，則是動力學與控制。
這方面，清華的實踐有“考慮燃油經濟性的單車縱向控制”，應用場景最典型的的就是下一代ACC（自適應巡航）系統。基于模型預測控制的架構，可以實現車輛的燃油經濟性、跟蹤性能以及駕駛員感受的和諧統一。
這一個模型目前清華已經在實車上進行相關的試驗，包括和一汽奔騰轎車和五十鈴重型卡車的合作。在城市道路和高速公路上都有良好的表現。
另外，清華還在考慮燃油經濟性的多車隊列控制，提出了分布式的MPC，可以滿足車輛隊列安全、舒適等要求的同時減少車輛的燃油消耗。
清華將車輛隊列控制系統進行了分解，可以分為節點動力學、信息流拓撲結構、分布式控制器和隊列幾何模型，應用此方式，多車隊列的控制便可以實現。該控制系統在仿真測試中的表現也是非常不錯的。
此外，清華還在做交通信號與車輛的協同控制相關工作。以往大家都是分開的，車輛是車輛、交通是交通。但是在未來的智能網聯汽車時代，協同控制的重要性越來越突出。
具體來說，清華的做法是：
而在這種協同控制的促使下，交通效率也得以提升，燃油經濟性也得到提高。
李克強表示，面向未來的自動駕駛，清華大學也在做一些前瞻性的研究，目前仍然處在不斷取得進展的狀態。
其一是基于低成本傳感器融合的環境感知技術。主要是融合如相機、單線激光雷達、毫米波雷達和超聲波雷達等這樣傳感器，以期做到基于語義的道路場景理解。
其二是二維路網中智能網聯汽車的協同決策與分布式控制。因為如今的交通，不再是單一的道路和車隊，而是環境更為復雜的二維甚至是多維路網二維路網。如何實現群體的智能，是清華正在做的事情。
最后是人機協同共駕。至少在目前來看，自動駕駛的全面普及仍需很長一段時間，所以必須要經歷人類駕駛和機器駕駛共存的階段。在這種情形下，如何去做協同？清華給出了三個小的解決方案，包括增強感知——減少駕駛員分心和注意力不集中、復雜和高風險環境中的補充決策和共享控制權——減小駕駛員駕駛負荷。
從以上李克強的分析可以看到，由于復雜交通環境、駕駛員行為的不確定性以及汽車多目標性能沖突等原因，從輔助駕駛到自動駕駛的發展和轉變充滿挑戰。
不過，值得欣喜的是，中國在環境感知、決策和動力學控制等自動駕駛各方面也取得了不俗的進展。清華大學在基于神經網絡的目標檢測、基于學習的決策和基于優化的控制等方面也有很多創新研究。
在李克強看來，下階段自動駕駛技術需要著眼于如何提高關鍵技術的可靠性。復雜交通環境下的可預測安全、更優的燃油經濟性和更高的交通效率將會伴隨著市場成熟而成為更加緊迫的需求。
*文中圖片由雷鋒網新智駕拍攝，PPT內容是清華大學汽車工程系教授李克強在CICV 2017的演講。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
