當我們談論無人駕駛時，人工智能在其中又將扮演著怎樣的角色？

著現代高新技術的迅速發展，數字化、信息化和智能化越來越多的應用到人類社會的生產、生活的各個方面，曾經只能在科普小說中看到的智能無人駕駛汽車已經不再是虛幻的，人們在不久的將來將能在現實中看見智能無人駕駛汽車。現在集各種高新技術于一體的汽車，其性能、舒適性、安全性已經取得很大進步。智能無人駕駛汽車通常具有一款高智能的計算機，它能夠接收各種智能傳感器傳來的周圍環境及汽車自身的各種信息并能高效迅速的綜合整理，然后把信息傳遞給汽車的執行系統，從而實現自動駕駛、智能控制等功能。

車輛實現自動駕駛的技術原理

人駕駛汽車運行時，在車載顯示屏電子地圖上點出目的地，并且設計行駛路徑，將做好的電子地圖確認自動導入中央處理器中，中央處理器根據地塊邊界規劃出合理的行駛路徑。

在系統中應用角度傳感器、電動機轉速傳感器、位置傳感器、壓力傳感器等傳感器測量行車信息，并將行車信息轉換為電信號傳遞給中央處理器進行運算，再由中央處理器發出指令控制自動變速轉向機構，構成閉環系統，實現對汽車駕駛的智能控制。

無人駕駛中的人工智能技術（Drive.Ai）

1、環境感知，這是計算機視覺領域的研究重點，常說的slam就是指這個，基于激光雷達的slam系統目前已經能較好的進行地圖定位，局部環境地圖構建

2、標識識別，包括車道識別交通標志識別（比如紅綠燈）車輛行人識別和運動跟蹤，在這里，CNN（ConvolutionalNeuralNetwork，卷積神經網絡）技術成了目前最好的技術，標識識別是無人駕駛行為決策的基礎

cnn技術也是對激光雷達的一個很好的補充，因為激光雷達是低像素，不能很好的識別障礙物

3、行為決策系統技術

行為決策系統或者叫駕駛決策系統，包括全局的路徑規劃導航和局部的避障避險，以及常規的基于交通規則的行駛策略（最簡單的，讓車保持在車道內），使用到的技術分成三類

1）、基于推理邏輯和規則的技術

全局路徑規劃導航的A*，D＊算法，局部避障的dwa算法，常規的最優控制數學辦法（比如多目標決策），以及基于交通規則的fsm規則引擎都屬于這類技術

2）、快速優化的遺傳算法

當目前有多個策略選擇時，如何選擇最好的目標或策略，基于線性規劃或動態規劃的數學辦法存在計算速度緩慢，很多情況下無法建模或計算量過大無法計算，這就是遺傳算法發揮作用的地方

3）、神經網絡技術

利用神經網絡來進行自動駕駛訓練是最新的研究熱點，也就是常說的，讓神經網絡學會像人類一樣開車是很振奮人心的目標

但是，神經網絡的問題在于它是不透明的，是個黑盒系統，是不可解釋的，基本你無法說出訓練模型里一個節點的值為什么是0.1而不是0.5，這是由神經網絡的特點決定的，另外，利用訓練數據訓練出來的很好的模型到了新的環境能不能發揮同樣好的作用也是疑問

有一種最簡單的設計無人駕駛系統的辦法，就是只用神經網路來做一切控制，我們只需要用大量的數據來訓練它，這樣就不用寫復雜的控制策略算法代碼了，我們只要訓練好神經網絡，然后用很少的代碼讓它運行就可以了，但是，在神經網絡的可解釋性不能解決前，完全基于神經網絡的自動駕駛系統很顯然是不能讓人信服和舒服的

所以無人駕駛系統中基于推理邏輯的控制策略仍然是很重要的，讓基于推理邏輯的白盒控制系統和基于神經網絡的黑盒控制系統協同工作，是最為可行的方向

4、車輛控制系統技術

車輛控制系統技術除了傳統的pid控制外，在無人車系統也越來越多的引入了神經網絡模糊控制

無人駕駛（自動駕駛）系統常見的駕駛決策控制策略

1、全局導航路徑規劃a*，圖像識別神經網絡和即時駕駛和避障dwa相結合的控制策略

這是傳統的無人駕駛控制策略，全局路徑導航使用常規的a*算法（也可以使用其他的），車輛攝像頭的圖像經過神經網絡處理，提取出車道交通標識和車輛行人信息，然后以這些信息作為輸入，利用vfh/dwa算法進行即時駕駛和避障控制，比如變道減速剎車等等

谷歌無人車自動駕駛系統使用的就是這種控制策略

2、全局路徑規劃和即時駕駛和避障神經網絡相結合的高度智能的控制策略

全局規劃還是使用和策略一相同的算法，但是在即時駕駛和避障中，完全使用了神經網絡技術，把從攝像頭捕捉到的原始像素圖特征作為神經網絡的輸入端，輸出端為為汽車的操控命令。我們不再從原始像素圖提取車道信息，交通標識，車輛行人標識，這一切都交給神經網絡自動識別，最后輸出的是轉向循跡減速剎車等汽車控制命令，神經網絡使用了數以億計的節點。