人工智能在自动驾驶决策中的应用与思考（附下载）
今天分享的是人工智能系列深度研究报告：《人工智能在自动驾驶决策中的应用与思考》。
（报告出品方：中国一汽）
报告共计：26页
海量/完整电子版/报告下载方式：公众号《人工智能学派》
背景分析
■1.人工智能在自动驾驶中的应用
人工智能的出现，使得图像的输入与输出之间通过深度学习等方法进行特征描述，因此不再需要完全依赖人类专家设计特 征，特征本身也可以跟学习器一起进行联合优化。
深度学习的特殊优势，即将构化的图像数据进行统计和分析，依靠图像语义分割，将大量的数据抽象和形式化，通过计算机可理解的简单概念构建复杂概念，使得其在自动驾驶感知领域取得了广泛的应用。
■2.自动驾驶中的规划决策
随着人工智能的发展，模型的泛化能力不断增强，特征提取不仅能够应用于感知，同样能够将类似方法应用于决策技术。
在复杂场景下，人工智能算法自动提取更多的特征，尽可能多的自动学习人类司机的经验，提升算法“拟人化”程度。
自动驾驶决策任务同样具有自己的特征，人工智能方法的引入对自动驾驶决策任务的提升具有潜在优势。
■3.感知型AI与决策型AI的差异
由于决策的结果与环境之间存在动态交互，且不同决策下的行为表现的差异性较大，给决策型AI的工程化落地带来了困难，探索AI驱动规划决策技术是人工智能技术在自动驾驶领域的下一个重点内容。
相关探索
■1.AI决策技术的应用方向
AI模型可通过子模块或一体化的形式部署在车端决策代码中，实现“新手司机”向“老司机” 的转变。
AI可以在自动驾驶数据挖掘、场景生成、仿真测试等方面实现加速，极大提升自动驾驶验证效率和效果。
■2.基于模块化的AI决策
基于AI实现安全性条件的检测，增强紧急场景的反应能力。
通过局部应用AI模型，实现轨迹粗选，提升算法运算实时性，效率提升了85%以上。
扩展搜索空间至时间与空间一体，决策灵活度提升，但高维度空间导致搜索耗时增加。
以模仿学习为代表的决策AI方法通过将驾驶问题建模来学习从环境表示中给出最优的决策行为。
于模块化部署决策AI的优势，实现部分模块的微调，实现决策规划模块的性能提升。
■3.加速”方式
使用A技术，可以在数据获取、标注、挖掘、训练等方面，有效提高模型选代效率，缩短开发周期。
■4.AI加速：自动化标注挖掘
依托影子模式+云端大算力模型，自动完成数据标注、清洗、挖掘，加速数据向模型能力转化。
当前使用大模型自动标注自动化率可达80%~90%，大量减轻人工标注负担，且标注结果相较人工具有更好的一致性。
■5.AI加速：AI合成数据
通过仿真环境+AI合成染，源源不断的生成训练数据，有力推动模型送代升级。
可将场景隐式存储于神经网络，重建自动驾驶场景，模拟罕见、极端场景，支撑模型闭环验证。
对于自动驾驶规控而言，80%以上的数据是无效数据 使用仿真环境+AI合成可以定向获取有效数据， 显著加速模型送代。
■6.AI加速：云端大模型训练
自动驾驶规控需要面向驾驶风格需求进行设计，对应不同驾驶风格需要构建多种AI模型。
自适应调整模型超参数与模型结构，避免重复繁琐的调参和模型结构设计工作。
使用AI技术学习如何进行AI模型本身的训练， 已经成为了未来的发展趋势。
几点思考
■1.在自动驾驶决策应用中的安全风险
新一轮的人工智能浪潮受到了工业界以及全社会的广泛关注，随着一批人工智能的落地应用逐渐开始变成现实，安全问题 也渐渐显现出来。
人工智能算法对学习样本数据集的正确性存在严重依赖，错误的数据集将导致人工智能算法的错误输出，人工智能算法本 身存在安全盲点，难以对数据集的安全性进行分析。
人工智能算法提取特征的过程是随机化的、不可控的，在不恰当的数据集上算法可能会选择错误的特征，以致使用者不能 清晰理解算法的决策机理，难以解释、预测算法的行为和结果。
系统越复杂，就越有可能包含安全隐患，人工智能算法容易受到输入数据扰动的干扰，出现非鲁棒特征，从而导致模型给 出错误的结论。
■2.自动驾驶决策应用中的231安全对策
报告共计：26页
海量/完整电子版/报告下载方式：公众号《人工智能学派》