以下为《无人车中的人工智能技术》的无排版文字预览，完整格式请下载

下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。

无人驾驶中的人工智能技术

1 智能环境感知

对周围环境的感知是汽车实现自动驾驶的基础。通过摄像头、激光传感器、声呐传感器、微波传感器、GPS 等多种车载传感器来收集环境数据 ，并且根据道路情况、交通信息、车辆位置和障碍物位置信息做出路径分析和判断。摄像头和雷达现已经广泛运用在家用汽车上 ，而完全自动驾驶需要更多的传感器相互合作才能实现。激光传感器精度高 ，可以准确地对周围环境进行扫描和构建模型 ，但是成本较高 ，尚未实现大规模量产 ；摄像头可以有效的识别人物、障碍物和交通标示 ，直接获得周围环境的影像 ，有利于对进一步的运动做出判断和分析 ；声呐雷达较激光传感器来说成本更低 ，同样具有较高的稳定性 ，更利于实现普及。利用传感器收集到信息数据后 ，需要将收集到的光学和声学信息数据进行模式识别。在无人驾驶中 ，光学信息识别可以实现对周围的路面、行人和交通指示牌等做出判断 ；声学信息识别可以实现人车之间的智能交流 ，通过驾驶员的语音输入 ，控制车辆进行相应动作。例如 ：在行驶过程中 ，车内的驾驶员通过目视的方法可以准确迅速地分析出交通指示牌所代表的内容和信息 ，但无人驾驶汽车得到交通指示牌信息 ，首先需要通过摄像头来得到道路的影像数据 ，但是车辆本身不能对交通指示牌在现实生活中所代表的内容作出判断。只有利用人工智能加以恰当的算法 ，从道路的影像资料中获取交通指示牌的特征信息 ，并进行分析 ，从而得到交通指示牌所代表的真实意义。

2 智能避障

避障是无人驾驶汽车在行驶过程中面临的一大重要的问题。现在大多数汽车使用的导航主要是磁导航和视觉导航。磁导航的应用是通过在汽车驾驶过程中 ，布置磁装置 ，从而收集到周围环境中障碍的位置信息。磁导航因为不使用光学信息 ，即使在天气恶劣的情况下也能保证较高的精度 ，但由于布置过程繁琐 ，维护产生的费用也较高。视觉导航是通过安装在汽车上的光学传感器收集数据 ，从而测量四周障碍物距车辆的距离。因为主要使用了光学传感器进行收集信息 ，所以在恶劣环境下 ，视觉导航的精度就会大大降低甚至丧失功能。通过人工智能技术和无人驾驶汽车的相结合 ，将汽车导航系统收集到的环境信息汇总到中央处理器 ，中央处理器就能对传感器收集到的磁信号或光学信号进行处理 ，并优化汽车的行驶路线 ，做到自动避开障碍的功能。同时 ，通过人工智能技术对天气信息的处理 ，能自动控制车辆上磁导航和视觉导航的交替使用 ，保证环境信息的准确性 ，同时减少车辆能源的消耗

3 标识识别

包括车道识别，交通标志识别（比如红绿灯） 车辆行人识别和运动跟踪，在这里，CNN（Convolutional Neural Network,卷积神经网络）技术成了目前最好的技术，标识识别是无人驾驶行为决策的基础，CNN技术也是对激光雷达的一个很好的补充，因为激光雷达是低像素，不能很好的识别障碍物

4 行为决策系统技术

行为决策系统或者叫驾驶决策系统，包括全局的路径规划导航 和 局部的避障避险，以及常规的基于交通规则的行驶策略（最简单的，让车保持在车道内），使用到的技术分成三类

一、基于推理逻辑和规则的技术

全局路径规划导航的A*,D＊算法，局部避障的DWA算法，常规的最优控制数学办法(比如多目标决策），以及基于交通规则的FSM规则引擎都属于这类技术

二、快速优化的遗传算法

当目前有多个策略选择时，如何选择最好的目标或策略，基于线性规划或动态规划的数学办法存在计算速度缓慢，很多情况下无法建模或计算量过大无法计算，这就是遗传算法发挥作用的地方

三、神经网络技术

利用神经网络来进行自动驾驶训练是最新的研究热点，也就是常说的，让神经网络学会像人类一样开车是很振奋人心的目标。但是，神经网络的问题在于它是不透明的，是个黑盒系统，是不可解释的，基本你无法说出训练模型里一个节点的值为什么是0.1而不是0.5，这是由神经网络的特点决定的，另外，利用训练数据训练出来的很好的模型到了新的环境能不能发挥同样好的作用也是疑问。有一种最简单的设计无人驾驶系统的办法，就是只用神经网路来做一切控制，我们只需要用大量的数据来训练它，这样就不用写复杂的控制策略算法代码了，我们只要训练好神经网络，然后用很少的代码让它运行就可以了，但是，在神经网络的可解释性不能解决前，完全基于神经网络的自动驾驶系统很显然是不能让人信服和舒服的。所以无人驾驶系统中基于推理逻辑的控制策略仍然是很重要的，让基于推理逻辑的白盒控制系统和基于神经网络的黑盒控制系统协同工作，是最为可行的方向

车辆控制系统技术

车辆控制系统技术除了传统的pid控制外，在无人车系统也越来越多的引入了神经网络模糊控制无人驾驶（自动驾驶）系统常见的驾驶决策控制策略

全局导航路径规划a*，图像识别神经网络和即时驾驶和避障dwa相结合的控制策略。这是传统的无人驾驶控制策略，全局路径导航使用常规的a*算法（也可以使用其他的），车辆摄像头的图像经过神经网络处理，提取出车道 交通标识和车辆行人信息，然后以这些信息作为输入，利用vfh/dwa算法进行即时驾驶和避障控制，比如变道 减速 刹车等等。谷歌无人车自动驾驶系统使用的就是这种控制策略

局路径规划和即时驾驶和避障神经网络相结合的高度智能的控制策略。全局规划还是使用和策略一相同的算法，但是在即时驾驶和避障中，完全使用了神经网络技术，把从摄像头捕捉到的原始像素图特征作为神经网络的输入端，输出端为为汽车的操控命令。我们不再从原始像素图提取车道信息，交通标识，车辆行人标识，这一切都交给神经网络自动识别，最后输出的是转向 循迹 减速 刹车等汽车控制命令，神经网络使用了数以亿计的节点

以上为《无人车中的人工智能技术》的无排版文字预览，完整格式请下载

下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。