实现真正类人化驾驶的关键

世界总是在变化，我们行驶的道路尤其如此。想想不断变化的交通状况、建筑、障碍物和行人。一般来说，人类驾驶员能够应对周围环境的不断变化， 例如，判断是否可以绕过某个障碍物，还是应该等待障碍物自行移开。简而言之，人类有能力通过推理和利用记忆中的以往经验来应对道路上的意外状况。

随着行业向更高水平的自动驾驶迈进，面临的挑战是让自动化系统具有与人类相似的能力，以便它们能够做出更明智的决策并像人类一样驾驶。这意味着系统必须包含一个推理系统，该系统能够理解车辆周围场景及自身所处情况，能够预测该场景在不久的将来可能发生的变化。

路径规划和场景预测的正确方法

实现自动驾驶的方法有很多种。一种是使用规则和既定反应，也就是依赖经验：如果存在某些条件，车辆就会执行特定的动作。另一种方法是使用真实世界的详细模型，将各类知识作为数据，从而创建一个能够模仿“专家”应对方式的系统。

安波福的方法是使用以高效人工智能 (AI) 加速器支持运行的先进神经网络。我们放弃了既定反应，而是使用大量驾驶数据来训练神经网络了解周围环境、理解世界、对现实中将要发生的事情做出短期预测并决定下一步行动。

这意味着我们可以训练它预测其他道路使用者的行为。例如，如果行人站在路边，人类驾驶员通常会观察行人身体或头部方向，以此预测行人是否即将走入道路。AI/机器学习 (ML) 系统也可以学习如何做到这一点。

再举一个例子，假设您前面的车停在路上。是因为红绿灯停车吗？您应该等待吗？如果是的话，要等多久？您应该绕过它吗？系统会感知其他道路使用者的行为和车辆周围的环境，并据此思考上述问题。

机器学习的优势

安波福的 ML 行为规划系统会从感知系统、地图与定位功能以及自身运动（其所在车辆的运动）接收信息。传感器各式各样，包括雷达、摄像头甚至激光雷达。如果没有地图，ML 行为规划系统仍然可以使用接收到的其他信息来创建车辆周围场景的模型并确定最佳路径。AI/ML 引擎在即使没有车道线的情况下也可以推断车道边界，还能在那些缺乏明确边界的不规则道路上调整方向。简而言之，ML 行为规划系统是一个类似人类的驾驶员，无论是常规环境还是异常情况都能应对。

ML 行为规划系统根据最终导航目的地、安全考虑和法规画出多条可能的驾驶路径，并汇总成一条理想路径。最终这条路径将决定车辆要采取的动作，例如转弯、变道、刹车或加速。

通过这种方式，不论采用何种传感器和运动控制器，ML 行为规划系统都能够提供车辆的情况分析和行为方式。这种底层逻辑使 OEM 可以自由地在一端使用各种传感器，在另一端使用不同的规划技术。

此外还可以对基本 ML 行为规划系统进行微调，使其适应不同地区，例如左侧驾驶或右侧驾驶的国家/地区，或者道路通常较窄或较宽的地方。从某种意义上说，它的驾驶风格可以针对具体地点进行定制。

ML 行为规划系统的灵活性至关重要，尤其是在汽车行业持续稳步向更高级别自动驾驶车辆发展的过程中。通过更多均衡的数据收集，该技术处理更复杂情况的能力也会增加，而无需开发新的软件架构。换句话说，随着时间的推移，该系统的能力会随着驾驶经验的增加而提升，就像人类驾驶员的技能会随着驾驶经验的积累而提高一样。