自动驾驶系统将对汽车产业生态变革产生哪些影响？.docx

《自动驾驶系统将对汽车产业生态变革产生哪些影响？.docx》由会员分享，可在线阅读，更多相关《自动驾驶系统将对汽车产业生态变革产生哪些影响？.docx（20页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、自动驾驶系统将对汽车产业生态变革产生哪些影响？自动驾驶系统将对汽车产业生态变革产生哪些影响？导语：本文以自动驾驶系统为代表的汽车智能化技术将对汽车产业生态变革产生重大影响。首先，分析了自动驾驶技术开展道路、开展现状及人工智能ArtificialIntelligence，AI的应用领域，指出AI在自动驾驶应用中面临的挑战。然后，提出一种基于AI的车云协同自动驾驶系统架构，分析了基于AI的智能驾驶终端软硬件架构与基于大数据的自动驾驶云端空间架构；结合车端与云端的AI集成应用问题、信息数据交互方法与车云协同技术，讨论了人工智能在自动驾驶系统的主要应用。 本文以自动驾驶系统为代表的智能化技术将对汽车产

2、业生态变革产生重大影响。首先，分析了自动驾驶技术开展道路、开展现状及人工智能ArtificialIntelligence，AI的应用领域，指出AI在自动驾驶应用中面临的挑战。然后，提出一种基于AI的车云协同自动驾驶系统架构，分析了基于AI的智能驾驶终端软硬件架构与基于大数据的自动驾驶云端空间架构；结合车端与云端的AI集成应用问题、信息数据交互方法与车云协同技术，讨论了人工智能在自动驾驶系统的主要应用。 21世纪以来，随着新一代信息通讯、新能源、新材料等技术加快与产业交融，信息通讯、互联网等新兴科技企业全面涉足汽车行业，世界汽车产业开展形势正面临重大变化： 1产品形态和消费方式深度变革。产品加快

3、向新能源、轻量化、智能和网联化的方向开展，汽车正从交通工具转变为大型挪动智能终端、储能单元和数字空间。汽车消费方式向充分互联协作的智能制造体系演进，个性化定制消费形式将成为趋势。 2新兴需求和贸易形式加速涌现。用户体验成为影响消费的重要因素。消费需求的多元化特征日趋明显，分享出行、个性化效劳成为主要方向。 3产业格局和生态体系深入调整。兴旺国家加快推进产业创新和交融开展，世界汽车产业格局变化加速。互联网等新兴科技企业大举进入汽车行业，全球汽车产业生态正在重塑。 汽车智能化技术集当代传感技术、信息与通讯技术、自动控制技术和人工智能即是一体，在减少交通事故、缓解交通拥堵、降低能耗、保护环境等方面具

4、有宏大潜能。为此，世界各国都在积极制定自动驾驶技术道路图，推动自动驾驶汽车的开展，如美国的工业互联网、德国的工业4.0、日本的机器人革命等各类科技规划，均将汽车智能化技术列为汽车产业开展的重要打破口，我国于2021年发布的（）中国制造2025）及2017年发布的（）汽车产业中长期开展规划）明确提出智能+网联的自动驾驶汽车技术开展道路。 自动驾驶汽车系统被以为是汽车智能化开展的最高目的，对改善交通平安、实现节能减排、消除拥堵、提升社会效率，拉动汽车、电子、通讯、效劳、社会治理等协同开展，促进汽车产业转型晋级具有重大战略意义，自动驾驶技术已经成为诸多企业的竞争热门。 另一方面，基于深度学习Deep

5、Learning，DL在机器视觉MachineVision，MV、自然语言处理NaturalLanguageProcessing，NLP等领域的成功应用和我国AI开展战略，研究AI在汽车自动驾驶系统中的深度应用，有特别重要的现实意义。文中梳理自动驾驶技术开展趋势，分析人工智能在汽车智能化网联化开展下的关键技术，并提出一种基于AI的车云协同自动驾驶系统。 1.自动驾驶技术的开展趋势与AI应用现状分析 1.1自动驾驶技术开展现状 自动驾驶汽车是一个机电一体、软硬件高度集成、以最终实现替换人操纵的复杂信息物理交融系统，主要由感悟、决策和执行子系统构成，自动驾驶技术涉及环境感悟、决策规划、控制执行、V

6、2X通讯等关键技术，其构造如图1所示。 图1自动驾驶汽车分层构造示意图 环境感悟技术使用车载传感设备如GPS/INS系统、毫米波雷达/摄像头及5G网络获取汽车所处的交通环境信息和车辆状态信息位置、姿态，并将多个传感器的输出信息统一在车辆坐标系下，建立具有时间标记的数据关联和交融的元信息，为自动驾驶的决策规划效劳。 决策规划技术根据环境感悟子系统输出信息，实现路由寻径、交通预测、行为决策、动作规划及反应控制信号输出等功能。 控制执行技术使用线控执行机构完成反应控制输出指令的执行，以实现转向、油门和制动的控制。 V2X技术为车与外界的信息交互提供实时、可靠的通讯效劳，为环境感悟和决策规划效劳。 1

7、.1.1自动驾驶开展道路 目前自动驾驶技术的实现出现了2条途径：以传统车企为主的渐进式开展道路、以科研机构和IT企业为主的颠覆式开展道路。 1渐进式开展道路通过逐步进步汽车智能化程度，沿着辅助驾驶、局部自动驾驶、高度自动驾驶和完全自动驾驶的方向分阶段开展。在辅助驾驶阶段，车辆控制以驾驶员为主，驾驶员把握最终的驾驶权，系统辅助驾驶员，降低驾驶负担。目前已在乘用车上量产的辅助驾驶技术有侧向稳定控制、电动助力转向控制，局部高档车还装有自动停车、自适应巡航、车道偏离预警系统等辅助驾驶系统。在局部自动驾驶阶段，车辆的智能化程度进一步进步，具有一定的自主决策才能，具备特定工况下短时托管的才能。在高度自动驾

8、驶阶段和完全自动驾驶阶段，车辆具有高度自主性，汽车可自主决策、规划和控制，可实现复杂工况如高速公路、城市工况的托管才能，甚至完全无人驾驶。 2颠覆式开展道路跳过汽车智能化逐级开展的思路，直接实现车辆的高度/完全自动驾驶，研发难度大，其研究成果已经很好地用到渐进式开展道路的各个阶段。美国是该领域研究最早技术最先进的国家。美国国防部高级研究方案局DARPA从20世纪80年代开场通过ALV工程、DEMO-II方案、DEMO-III方案等资助美国企业、科研机构和高等院校进展颠覆式自动驾驶技术在军事领域的应用。谷歌公司是目前在该领域获得成果最为显著的企业，其2020年开场自动驾驶技术研究，2020年进展

9、了自动驾驶汽车城市路况测试，2020年获得自动驾驶汽车的受权，目前其研发的自动驾驶汽车已经被美国车辆平安监管机构以为符合联邦法律。德国也是最早开场该领域研究的国家，早在20世纪80年代，德国慕尼黑联邦国防军大学就与奔驰公司合作开场研发自主驾驶汽车，其代表车型奔驰S500于2021年在城市和城际道路完成了长间隔 自主驾驶试验。 渐进式开展道路和颠覆式开展道路表达了传统整车企业和互联网IT企业关于智能驾驶汽车产业化开展的分歧。互联网企业试图将一些尖端的IT技术引入到汽车领域中，为消费者带来更多美妙的驾驶体验，通过自顶而下的技术辐射，纵向向下衍生低级别的智能驾驶技术。而汽车企业以为驾驶员对于平安感的

10、需求可能远超IT思维的料想，因此采取循序渐进的方式推广智能驾驶技术。 无论何种技术道路，车辆智能平安辅助功能的研究已经很成熟，客观上为智能驾驶搭好了根底技术平台；整车企业及IT企业在智能驾驶产业化开展上也均面临技术问题、本钱问题、法规问题需要解决。但只要市场对这些技术有持续需求，就能推动汽车向完全无人化演进。 1.1.2我国自动驾驶技术开展现状 我国在自动驾驶领域的研究起步于20世纪80年代。1980年遥控驾驶的防核化侦察车由国家立项，1989年我国首辆智能小车在国防科技大学研制成功，1992年国防科技大学、北京理工大学等高校研制成功我国第一辆真正意义上可以自主行驶的测试样车ATB-1。 进入

11、21世纪，国家863方案开场对自动驾驶技术研究给予更多支持。2000年国防科技大学公布其第4代自动驾驶汽车试验成功。2003年国防科技大学和一汽共同合作研发成功了一辆自动驾驶汽车红旗CA7460，该汽车可以根据车辆前方路况自动变道，2006年研制成功新一代红旗HQ3自动驾驶轿车。2005年我国首辆城市自动驾驶汽车由上海交通大学研制成功。2020年国防科技大学和一汽研制的HQ3首次完成了从长沙到武汉的高速全程无人驾驶试验，自动驾驶的平均速度到达87km/h，全程间隔 为286km。2021年11月军事交通学院研制的自动驾驶汽车完成了高速公路测试，是第1辆得到了我国官方认证的无人汽车，并获得中国智

12、能车将来挑战赛2021年度和2016年度冠军。 2021年12月IT企业百度的自动驾驶汽车完成北京开放高速路的自动驾驶测试，意味着自动驾驶技术从科研开场落地到产品；2016年9月百度公布获得美国加州政府颁发的全球第15张无人车上路测试牌照，2017年4月17日百度展示了与博世合作开发的高速公路辅助功能增强版演示车。 2017年4月我国把基于自动驾驶技术的智能网联汽车列入汽车产业中长期开展规划，成为我国汽车产业转型开展又一个战略目的。我国自动驾驶技术的总体程度与国外先进程度还存在一定的差距，主要关键技术感悟交融、途径规划、控制与决策技术等仍处于完善阶段，关键技术开展的局限性制约了自动驾驶系统在不

13、同环境下的自主驾驶才能，导致自动驾驶系统的行为表现有时存在较大的反差。 1.2 AI在自动驾驶中的应用现状与挑战 1.2.1人工智能技术简介 AI是一门研究模拟、延伸和扩展人类智能的理论、方法及技术的科学，其诞生于20世纪50年代，目前开展为计算机视觉、自然语言理解与沟通、认知与推理、机器人学、博弈与伦理和机器学习六大领域，并呈现出各领域互相浸透的趋势。 其中，机器学习研究怎样在算法的指导下自动学习输入数据样本的数据构造和内在规律并获得新的经历与知识，进而对新样本进展智能识别，甚至对将来进展预测。典型的机器学习算法有线性回归、K-均值、K-近邻、主成份分析、支持向量机、决策树、人工神经网络等。

14、 在人工神经网络根底上开展起来的深度学习模型是当前最为有效的机器学习算法模型之一，成为当前人工智能研究与应用的热门。深度学习模型在人工神经网络中参加了多个隐层，于2006年由GeoffreyHinton和RuslanSalakhutdinov提出。由于在2021年的ImageNet比赛计算机视觉领域最具影响力的国际比赛中成绩突出，深度学习模型受到社会各界的极大关注，并在多个领域获得研究进展，出现了一批成功的贸易应用，如谷歌翻译、苹果语音工具Siri、微软的Cortana个人语音助手、蚂蚁金服的扫脸技术、谷歌的AlphaGo等。 1.2.2人工智能在自动驾驶技术中的应用 AI在自动驾驶技术中有着

15、丰富的应用，诸如深度学习、增强学习都在自动驾驶技术中获得较好的研究结果。 1环境感悟领域 感悟处理是AI在自动驾驶中的典型应用场景。如基于HOG特征的行人检测技术在提取图像的HOG特征后通常通过支持向量机算法进展行人检测；基于激光雷达与摄像头的车辆检测技术中，需对激光雷达数据做聚类处理；线性回归算法、支持向量机算法、人工神经网络算法也常被用于车道线和交通标志的检测。 图2基于机器学习的非构造化道路检测框架 图2所示的框架把机器学惯用到乡村公路、野外土路等非构造化道路的检测中。由于车辆行驶环境复杂，已有感悟技术在检测与识别精度方面尚无法知足自动驾驶的需要，基于深度学习的图像处理成为自动驾驶视觉感

16、悟的重要支撑。在感悟交融环节，常用的AI方法有贝叶斯估计、统计决策理论、证据理论、模糊推理，、神经网络以及产生式规那么等。 2决策规划领域 决策规划处理是AI在自动驾驶中的另一个重要应用场景，状态机、决策树、贝叶斯网络等AI方法已有大量应用。近年来兴起的深度学习与强化学习能通过大量学习实现对复杂工况的决策，并能进展在线学习优化，由于需要较多的计算资源，当前是计算机与互联网领域研究自动驾驶规划决策处理的热门技术。 3控制执行领域 传统控制方法有PID控制、滑模控制、模糊控制、模型预测控制等。智能控制方法主要有基于模型的控制、神经网络控制和深度学习方法等。 如清华李克强等研究了单车多目的协调式自适

17、应巡航控制技术，在实现自动跟车行驶、低燃油消耗和符合驾驶员特性三大功能的同时全面提升行车平安性、改善车辆燃油经济性、减轻驾驶疲惫强度；还提出了基于多智能体系统的协同式多车队列控制方案，以实现降低油耗、改善交通效率以及进步行车平安性的目的。 1.2.3自动驾驶领域AI应用面临的挑战 当前，以深度学习为代表的现代AI技术，基于在机器视觉MV、自然语言处理NLP等领域的成功应用，被引入到自动驾驶技术的环境感悟、决策规划和控制执行的研究中，获得了较好的效果。 由于车辆行驶环境复杂，一些严重依靠于数据、计算资源和算法的AI技术，在自动驾驶的感悟、决策、执行等环节尚无法知足实时性需求，一些以其作为核心支撑

18、的自动驾驶系统原型面临挑战： 1实时可靠性需求给系统的计算速度和计算可靠性带来挑战。自动驾驶系统要求感悟、决策和执行各子系统的响应必须是实时可靠的，因此需要系统提供高速可靠的计算才能。 2部件小型化的产业化需求使目前系统庞大的硬件尺寸面临挑战。当前的自动驾驶系统原型大多是计算机系统或者工控机系统，不知足车规级部件需求。 3个性化适配无法知足。当前兴起的深度学习算法对应用环境变异的自适应性较差，对不同车型和不同场景存在模型重新训练的适配问题，已有的自动驾驶系统原型不能知足。 4自主学习、自主维护需求无法知足。深度学习呈现出学习集越大，效果越好的特点，由此需要自动驾驶系统具备持续自主学习才能，而已

19、有的自动驾驶原型无法知足。面对老化、磨损等问题，部件出厂时的标定参数不再处于最优状态，自动驾驶系统需要基于汽车行驶数据、性能评价进展智能整定自标定、诊断和维护，已有的自动驾驶原型也无法知足需求。 5本钱控制面临挑战。当前自动驾驶系统原型造价尚不知足产业化本钱需求。 上述问题本质上是由于智能驾驶单车数据积累深度与广度缺乏、强计算才能欠缺、任务自适应才能差、AI算法优化适配困难。为解决上述问题，完成AI在车载终端的深度集成应用，考虑构建车云协同一体的智能驾驶系统。借助云平台灵敏、丰富的计算资源，处理复杂的AI算法，并将分析结果发给车端进展实时决策规划，使云端域作为具有网络功能开放的大脑和核心，成为

20、连接网络内部和车端业务需求的纽带，藉此真正实现网络智能化。基于云计算和大数据技术的开展，把自动驾驶系统分为车、云平台两层，提出车云协同自动驾驶系统架构。在云端提供数据存储、数据分享和计算资源，支持深度学习、自主学习、自主维护和个性化适配等复杂AI算法。通过局部软/硬件分享技术，可降低车端本钱，使计算量减少，有利于车端嵌入式AI硬件产品的研发，以知足车规级部件的需求。 2.基于AI的车云协同自动驾驶系统架构及关键技术 围绕AI技术应用于自动驾驶中的数据、计算与算法三大要素，面向多车型、多场景与个性化智能驾驶需求，针对智能驾驶单车系统面临的等问题，提出一种基于AI的车云协同的自动驾驶系统架构方案，

21、如图3所示。 图3基于AI的车云协同自动驾驶系统架构方案示意图 该架构方案由基于AI的自动驾驶智能车端设备和基于大数据分析的自动驾驶云端系统两局部组成，共同形成一个集复杂环境准确感悟、通行智慧决策与行车控制优化执行的车云协同一体自动驾驶系统。 2.1基于AI的自动驾驶智能终端 自动驾驶智能终端是一个集环境感悟、规划决策、执行控制等多项功能于一体的信息物理交融系统CPS。为适应不同场景不同车型汽车自动驾驶的应用需求，需深化研究自动驾驶汽车嵌入式智能控制器软硬件协同设计技术，建立可承载集传感器数据收集、环境感悟数据交融、规划决策，执行控制AI算法为一体，知足自动驾驶行车需求的智能终端软硬件体系架构

22、，设计实时可靠、具有系统容错和跛行才能的自动驾驶汽车AI终端，提出实时可靠、任务自适应的智能终端专用系统软件，实现AI算法的系统集成验证与实车应用。需打破的关键技术包括实时可靠的自动驾驶AI终端硬件架构、可靠自适应的自动驾驶AI终端软件架构和自动驾驶智能终端的AI技术集成应用等。 1自动驾驶AI终端硬件架构 自动驾驶汽车AI终端是一个集环境感悟、规划决策、控制执行等多项功能于一体的综合智能系统。根据自动驾驶系统在典型应用场景中针对环境感悟、规划决策以及执行控制等业务模块表达出的不同任务分工、工作形式及通讯互联方式，研究自动驾驶AI终端的系统可靠性设计及模块化设计方法，重点研究基于GPU和MCU

23、的异构多核硬件系统架构和基于以太网的高速互联通讯架构。 2自动驾驶AI终端软件架构 自动驾驶车端系统集成了多个软件功能模块环境感悟、规划决策、执行控制、导航、定位、交通讯号监测等和多个硬件执行单元计算单元、控制单元、传感器等，研究： 基于AI的感悟、规划、执行等功能性应用软件系统架构与层次化、模块化的设计方法； 基于任务自适应的系统软件和应用软件最优构架； 确保公道分配和调度包括GPU、CPU、内存、总线和通讯接口等在内的软硬件资源，提供系统自己修复才能、模块资源隔离才能、计算与内存资源分配才能、优先级执行才能，以及模块间有效通讯才能等。 3自动驾驶AI终端的技术集成应用 自动驾驶系统作为一个

24、典型的物理信息交融系统，必须通过AI方法的综合运用才能实现进展数据信息和知识信息的综合集成。 针对自动驾驶智能终端的有限软硬件资源，构建面向自动驾驶智能终端的AI操纵系统，使自动驾驶的感悟交融、决策控制等任务可以实时执行。AI操纵系统除具有通用操纵系统的所有功能，还应包括语音识别、机器视觉、执行器系统和认知行为系统，可分为根底设施层、技术研发层和集成应用层。基于AI的自动驾驶智能终端目前已得到业界的普遍重视，大量AI技术正以惊人的速度应用在自动驾驶汽车领域。 然而，目前仍面临的一些问题亟待解决： 如AI算法需要大量标记的样本库进展自学习，且内在机理不明晰、边界条件不确定； AI技术应用范围受限

25、于车载芯片及传感器的处理才能等。 因此，注重传感器与汽车产业同步晋级，藉此进步数据收集质量，使数据交融在硬件层面有解决方案；最大限度发挥AI技术在限定场景下的应用，如封闭/半封闭区域、低速/高速状态、有轨交通、特种车辆等。 2.2基于大数据分析的自动驾驶云端系统 在云计算平台的强计算才能保障下，面向多车型、多场景以及个性化驾驶的需求，分析自动驾驶汽车系统中AI关于数据质量与访问效率的要求， 研究面向AI的云计算平台数据空间构建技术，实现车云两端多类型、多领域数据的归一化； 研究自动驾驶汽车系统中的车云两端信息数据交互协同技术，构建信息数据交互协同框架，解决车云两端信息数据的无缝对接问题，完成车

26、端的信息数据订阅与云端的信息数据分发。 在此根底上，研究在不同车型、不同驾驶风格下适应多场景的AI算法适配问题，使自动驾驶汽车在感悟、决策与执行3个层次均呈现较深的智能化，进而实现自动驾驶汽车整体智能的提升。 1云端数据空间构建技术 为降低在多场景、多车型与个性驾驶等背景下的自动驾驶系统中AI数据处理和信息效劳的复杂性，分析信息数据的分布、异构、时变、海量的数据特征， 研究基于信息数据源的元数据描绘方法、元数据的冲突消减技术以及元数据的发布发现技术，实现元数据集的构建与治理； 研究信息数据空间的组织构造与建模技术，构建信息数据空间的对象关联集； 研究基于元数据实体对象的索引和检索技术，实现基于

27、元数据的异构信息数据源的发布与发现才能。 2车云协同技术 在不同的行车工况与应用场景中，无论是自动驾驶的在线AI学习训练，还是离线的交互信息预备，为施行精准的行车环境感悟、智慧的通行决策与优化的行车动作控制，车端与云端之间均需要进展大量的信息数据交互与协同。 基于AI的自动驾驶系统车云协同技术需主要解决信息数据在车端与云平台之间的统一有效传递问题。车身传感器节点的采样数据包括数值型数据如GPS/INS数据、毫米波雷达数据和多媒体数据如摄像头图像，将这些传感器数据按一定频率传输到云端数据库，进展在线处理、离线处理、溯源处理和复杂数据分析。 文中提出的自动驾驶系统包括车端与云端两局部智能子系统，云

28、端系统不仅可以存储海量的传感器实时收集数据，还可以存储收集历史数据，同时借助云计算完成这些海量数据的存储、传输、分析处理，基于AI集成应用算法的智能驾驶控制模型，为车辆决策提供可靠、高效的协同控制方案。 3云平台AI算法应用技术 云平台AI算法应用是自动驾驶云端系统的核心局部，它结合机器学习、数据挖掘等相关技术，对感悟交融信息进展分析，为车辆控制规划提供决策根据。车载嵌入式硬件平台因计算、存储才能有限，无法知足AI模型的训练需求。自动驾驶云平台AI算法应用技术，利用虚拟化技术及网络技术整合大规模可扩展的计算、存储、数据、应用等分布式计算资源完成AI模型算法的学习训练，能实如今云端训练AI模型，

29、通过车云协同技术将其部署到嵌入式平台，使AI算法在车端自动驾驶系统上得到深度应用。 可以预见，自动驾驶云端系统将来面临的主要问题集中在超大规模的数据存储、数据加密和平安性保证以及进步I/O速率等方面；在技术落地上也面临供给商协作及运营收费政策的限制。 因此，考虑充分利用现有创新资源和载体，融通各类企业级平台及政府监管平台数据，转变通讯系统和发布系统的封闭现状，采用云计算形式构建交通效劳体系，对于一些中小城市而言只需要租用相应的效劳即可，有利于自动驾驶云端系统的普及。同时由政府引导，对云平台技术标准及数据元格式等核心草案进展编制与推广，进而引导自动驾驶云端系统应用的示范，推广及可持续开展。 3.

30、结论 文中分析了自动驾驶技术的开展现状，以及AI在自动驾驶技术中的应用开展趋势与面临的挑战。在此根底上，提出了一个基于AI的车云协同自动驾驶系统，阐述了系统组成及其关键技术。 文中提出AI深度应用于自动驾驶领域需重点解决自动驾驶车载终端的AI深度集成、自动驾驶系统车云计算平台数据归一化、车云信息数据交互协同、车云AI算法多车型多场景及个性驾驶适配等关键技术。 针对多车型多场景的应用工况，指出需研究自动驾驶汽车嵌入式智能控制器软硬件协同设计技术； 针对车载自动驾驶系统本地存储和计算才能有限的问题，提出以云计算作为车端才能的扩展，解决AI算法模型学习训练所必须的大数据存储空间和HPC才能的问题； 针对车云两端的交互问题，提出通过车云协同方法将云端上训练的AI模型部署到车端进展执行，完成感悟交融、规划决策等自动驾驶任务。 最终基于车端和云端软硬件架构形成一套完好的车云协同一体自动驾驶系统。