采用人工智能驱动的大数据循环，自动驾驶的未来

汽车驾驶员会不断学习，并随着日积月累而形成一种直觉。举例来说，如果驾驶员行驶在超车道上，当他看到右侧车道上在前方行驶的车辆缓慢向左偏转时，即使对方还没有打转向指示灯，驾驶员也会自动松开油门。这是因为任何有实践经验的驾驶员都会预测对方车辆即将变道切出。

那么，自动驾驶车辆要如何才能以同样的方式从经验中学习，并且也做出直观的反应？作为“大数据环”概念验证项目的一部分，保时捷工程公司与保时捷股份公司以及大众汽车集团旗下的软件和技术公司 CARIAD 共同着手解决这个问题。CARIAD 的软件专家团队在其中负责推动集团内部的量产研发。此次概念验证的目标在于揭示未来应如何持续开发所有基于人工智能的功能。解决方案类似于一种循环：来自车辆的数据以无线方式传输到云端，用于进一步训练人工智能。改进的算法在经过检验后，再次转移回人工智能中。

该项目中的测试对象是一辆配备有增强版自适应巡航控制系统“Adaptive Cruise Control”（ACC）的汽车。这一常规的量产型驾驶辅助系统可以独立加速或制动，从而确保始终与前方车辆保持安全车距。为此，ACC 必须在其他道路使用者变道切入时及早加以识别。现在需要借助人工智能及早识别的，正是这类变道切入行为：因此，在测试车辆上，一个内部研发的神经网络担负起这一任务，它会不断借助测试行驶中的真实场景而得到训练。这样便可形成一个观察和学习的无限循环，不断提高 ACC 的性能。保时捷工程公司人工智能和大数据负责人约阿希姆舍珀博士（Dr. Joachim Schaper）报告称：“可能的变道可提前半秒至一秒识别出来——在高速公路上相当于 30 米行驶距离。”

每一辆搭载辅助系统的现代车辆都会产生大量数据（大数据），包括经过评估的摄像头信号或雷达传感器的信息——因此有足够的数据来训练神经网络。乍看去似乎是个简单的想法，但实施起来却是一项真正的挑战。“例如，我们只想记录真正有助于系统进化的数据。”项目负责人、保时捷工程公司纵向和横向控制专家菲利普·乌斯特曼（Philipp Wustmann）解释说，“这不是一项简单的任务，因为雷达传感器和摄像头会产生大量数据，其中大部分与我们所关注的功能并无关系。”例如，在空旷的高速公路上行驶，对于自适应巡航控制系统而言并没有学习效果。此外，评估所有数据所需工作量大，需要耗费过多的时间精力。

因此必须有针对性地选择特定的场景，来让人工智能从中学习。这项任务由 Taycan 测试车上的“场景探测器”（SceneDetector）负责：该算法使用车载总线上经过解析的摄像头信号。这些信号不是原始视频图像，而是关于哪些目标距离车辆有多远的信息。场景探测器可从当前交通状况中筛选出那些ACC 尚未作出最佳反应的场景——例如对变道切入识别太慢或识别错误的情况。此外，从技术上讲，可以让程序记录所谓的“极端工况”（corner case），即在日常生活中很少发生的边缘情况。例如前车在其车道上左右摆头，但实际上却没有改变车道，那么算法也可以标记该场景。这同样适用于摄像头没有检测到车道标线的情况。这种对特定场景的识别，是由一款名为“自动测量数据分析”（Automated Measurement Data Analytics，简称 AMDA）的专用软件完成的。

变道切入识别功能需要正确预测另一车辆是否即将改变车道。然后，自适应巡航控制系统（ACC）可以及早进行轻柔制动。

在这个例子中，变道切入识别得以正确工作。这种情况极为常见，因此对大数据环而言意义不大。

变道切入识别也应该能识别到车辆虽然向右摆头，却并不打算变道切入。由此可避免不必要的制动动作。

在这个例子中，变道切入识别没有正确工作。这种情况是少见的，因此对大数据环的优化非常有意义。

一旦场景探测器发现了五个可能具有学习意义的变道切入过程，就会通过移动通信系统将相关数据传输到服务器。在云端上，将会扩充参考材料量：为此，数据首先被输入一个使用游戏引擎的模拟系统，与电子游戏用来生成图像的技术相同。借助“保时捷工程公司虚拟 ADAS 测试中心”（Porsche Engineering Virtual ADAS Testing Center，简称 PEVATeC），可以生成虚拟测试行驶，也就是让计算机内的车辆与在沥青路面上行驶的真实车辆具有相同的物理行为。通过模拟，可以取得与真实车载总线相对应的测量值。

在 PEVATeC 模拟环境中，又会在真实测量的基础上，自动为所记录的变道切入过程生成各种不同的变体——换句话说，就是对真实情况进行再模拟。模拟变道切入过程的各种不同变化之间只有微小的差别：例如，在一个版本中，对方车辆切入左侧的速度更快；而在另一个版本中，对方车辆在此过程中的车距更大。借助这类变体，可在极短时间内产生更多的训练数据，而不需要额外的测试行驶。这也提高了人工智能模型的普适性。它不仅可以识别标准情况，而且还可识别较为罕见的情况。这就是此类技术的本质：神经网络仅通过观察，便可学习到新的技能。它们见过的案例越多，就会变得越强大。模拟环境还允许对临界或非典型情况进行模拟，以扩大训练数据的范围。

在所有视觉场景创建完毕后，便可以正式开始学习：所有真实和模拟的变道切入过程都会用于在云端训练神经网络。通过观察，它可学会像人类驾驶员一样识别出即将变道的迹象。这使得 ACC 能够做出轻柔制动动作，几乎与人类驾驶员一模一样。或者如专家舍珀所说：“我们试图在人工智能中再现人类的直觉。”长远来看，车辆可以对其他道路使用者的行为形成一种几可乱真的“感觉”，例如识别出容易做出危险变道动作的激进驾驶风格。保时捷工程公司使用大众汽车集团的云平台 GroupMDM（MDM代表“Measured Data Management”，测量数据管理）来存储和处理这些数据。

训练完成后，自适应巡航控制系统便会自动创建和验证一版新软件。这意味着：它必须在大量未知的测试场景中可靠识别出变道切入动作。软件只有在经过充分证明后，才会转移到车辆上。然后，驾驶员将看到一个对话框，内有文字：“有新版本可用，要激活吗？”如果现在按下“OK”确定，改进后的自适应巡航定速控制系统就会开始工作。

此外也可先在车辆后台（“影子模式”）对新的ACC 模块加以测试：在行驶中，改进后的模型接收与现有车载系统相同的传感器数据，并且必须做出相应的反应。然而，油门和制动器则继续由以往的ACC 控制。与此同时，会借助软件来监测预测水平的优劣。例如，如果处于“高等学习阶段”的人工智能预测将有一个变道切入过程，然而这实际上并未发生（“假阳性”），则视为不合格。只有当经过云端训练的神经网络在预测方面真正表现出优势时，它才会上线运行。

在此次概念验证中，驾驶员按下按钮激活新的 ACC 版本，便是学习循环中唯一的手动步骤了。“一切流程均为自动化。”舍珀强调。车辆对相关场景的识别，是在没有人类干预的情况下进行的，模拟环境中学习场景的扩充也是如此。云端上的神经网络训练，以及转移回车辆上的过程，同样由一台计算机控制。研发人员仅仅负责检查。“车辆会自我优化。”乌斯特曼总结说。

保时捷工程公司在短短四个月内就实现了具有自学能力的自适应巡航定速控制系统。该技术的一部分已成功申请专利。概念验证表明，这一技术方法是可行的。此过程中所使用的架构已应用于其他研发项目中，例如测试和验证新一代传感器以替代现有传感器。下一步便是将大数据环投入量产。其中仍有一些挑战需要应对，例如边角案例识别或全自动化功能优化。CARIAD 目前正致力于为大众汽车集团旗下各个品牌实现在自动驾驶整体环境下的大数据环量产应用。此次概念验证收获了不少宝贵的知识。

如果必要的技术成为所有交付车辆的标准装备，学习过程也会变得更快——因为届时将有更多的数据：因为，虽然今天只有一辆测试车行驶在高速公路上并收集变道切入动作，但在未来，如果客户同意，每一辆车都能将数据反馈给制造商。畅想这一前景，项目负责人乌斯特曼不由得十分激动：“从不同国家的客户车队那里获得直接的反馈，可大幅节省时间、成本和测试工作量。”

变道切入识别只是通往终身学习型车辆之路的一部分。未来，神经网络将应用于车辆的诸多部分，并且都可以通过自动反馈环路获得持续改进。“这项技术对于横向控制可能也颇具意义，例如用于车道保持辅助。”乌斯特曼说。

新型人工智能模型使用经改进的数据集进行自动训练，并通过现有的验证数据集加以验证。如果它优于以前的模型，就会应用到车辆上接受进一步测试。

针对大数据环，会不断记录和模拟新的场景，以扩大训练数据集的范围。

有了大数据环，基于人工智能的车辆功能得以不断继续发展。此方法已在概念验证中得到证明，并已应用于其他研发项目。这很可能是迈向终身学习车辆的重要一步。

本文首次发表于《保时捷工程杂志》2021年第2期。

文字：Constantin Gillies
共同撰稿：Philipp Wustmann, Dr. Joachim Schaper
插图：Florian Müller

版权：本文中发布的所有图片、视频和音频文件均版权保护。未经保时捷工程书面许可，不得部分或全部复制。欲了解更多信息，请联系我们。

您有问题或想了解更多信息吗？请联系我们：info@porsche-engineering.de