- 李升波;刘畅;殷玉明;段京良;王建强;李克强;
随着以ChatGPT为代表的生成式人工智能的发展,端到端自动驾驶系统得到了广泛关注,有望为通用场景的驾驶智能带来革命性突破。以全部模块神经网络化为特征的端到端系统对专家规则的依赖度低,功能的集约性与实时性强,具备智能涌现能力和跨场景应用潜力,是实现数据驱动自进化驾驶能力的重要途径。本文概述了端到端汽车自动驾驶系统的关键技术与发展趋势。首先,介绍生成式人工智能的技术现状,包括网络架构设计、预训练与微调,以及模型剪枝与压缩等;其次,总结端到端自动驾驶的关键技术,其核心是以车云协同为基础的驾驶大数据和自动驾驶大模型的在线循环迭代;再次,归纳该类自动驾驶系统的发展现状,尤其是感知、预测和决控三大功能的技术进展;最后,总结生成式人工智能与自动驾驶融合发展的技术挑战。
2023年05期 1-16页 [查看摘要][在线阅读][下载 1582K] - 杨辰兮;吴士一;王春香;杨明;
近年来,以人工智能技术发展、传感器成本下行等因素为契机,园区限定场景下的低速无人小巴因其市场需求明确、技术风险较低、具备短期商业落地潜力等特点,成为智能驾驶领域的研发与投资热点。而当前形势下,无人小巴初期投入依旧较高、商业模式尚待进一步梳理。本文结合笔者二十余年专注低速无人驾驶研究的经验,通过分析无人小巴市场需求、介绍关键核心技术及回顾国内外典型应用,拟总结目前现状并展望未来发展前景,以期为产业界与学术界提供参考。
2023年05期 17-30页 [查看摘要][在线阅读][下载 1705K] - 王云鹏;吴琼;宋德王;孙鹏;张小飞;杜娟;
本文首先从场景的解构上分析了自动驾驶感知的复杂性,调研了67项自动驾驶感知相关的数据集,其中22项综合类数据集,17项道路感知专题数据集,14项障碍物感知专题数据集和14项自然环境相关专题数据集,给出不同数据集近四年的更新情况以及引用情况。另一方面,对3D目标感知方法进行了总结,考虑到最新的nuScenes数据集上3D目标感知任务TOP10的网络全部为基于多模态的方法,本文重点对基于图像和激光雷达点云的多模态的方法进行了归纳,并对nuScenes数据集3D目标感知任务榜单进行了分析。在上述分析的基础上,提出自动驾驶感知相关的数据集应进一步增大规模,并需加强国际合作,提出多模态融合的方法在nuScenes数据集3D目标感知任务上成为主流,同时基于Transformer的方法也进入Top10,未来值得继续关注和研究。
2023年05期 31-47页 [查看摘要][在线阅读][下载 1285K] - 谢富鑫;郭圆;周剑;郭思雨;李必军;
高精地图的研究进展在推动智能汽车领域发展中扮演着至关重要的角色。然而,传统地图更新方式难以适应复杂多变的道路环境和交通条件。基于众源式更新可以有效解决高精地图更新时效性问题,并降低数据采集成本。本文首先分析众源式更新在我国高精地图领域的发展前景,指出众源更新已成为地图更新发展的新趋势;其次,探讨智能汽车高精地图众源更新技术研究现状,特别关注数据采集、数据处理和地图更新等关键技术的研究进展;最后,总结和分析了众源更新技术的挑战和未来研究方向。
2023年05期 48-54页 [查看摘要][在线阅读][下载 1217K] - 刘赢;采国顺;徐利伟;殷国栋;
针对虚假消息注入攻击下多车队列系统纵向稳定性控制问题,采用加性不确定方法量化攻击对队列系统的影响,采用等效时滞、网络诱导时滞等方法,将通信时滞与数据丢包、车载传感器数据离散化特性等因素整合到队列中,构建了网络攻击与信息延迟下的队列模型。基于李雅普诺夫-克拉索夫斯基稳定性理论和H_∞鲁棒控制,提出了一种弱保守性分布式鲁棒抗干扰控制方法,并给出了队列系统保持稳定性的条件。仿真结果表明,所提出的鲁棒H_∞控制方法在保证队列内稳定需求的同时,能兼顾队列稳定性。与常规队列干扰抑制控制方法相比,对于队列内相邻车辆之间的间距误差控制以及跟随车辆与领航车之间的速度跟踪控制效果更好。
2023年05期 55-69页 [查看摘要][在线阅读][下载 2135K] - 李金瑜;宋非;斯白露;
随着人工智能技术的快速发展,智能驾驶系统备受瞩目。目前,智能驾驶技术已成为人工智能领域的热门研究方向之一,呈现出广泛而深远的前景。然而,现有的智能驾驶系统仍存在一些局限,例如路径规划技术需要大量计算资源,对大规模和动态环境的适应能力有限。随着神经科学的进步,生物导航和空间认知机制逐步被揭示。本文从生物导航的角度出发,综述了哺乳动物大脑的空间认知机制,并介绍了几种受空间认知启发的类脑导航算法。我们期望这些研究可以激发智能驾驶路径规划技术的创新,实现更智能更安全的路径规划,甚至能够选择未曾探索的捷径,从而实现灵活的导航。
2023年05期 70-77页 [查看摘要][在线阅读][下载 1167K] - 吴思凡;段续庭;周建山;郭侃;田大新;
决策系统是自动驾驶的重要组成部分。目前,基于传统算法的决策系统在复杂的交通场景下的应用还欠缺,而深度强化学习(DRL)方法更适合在复杂交通场景中智能地处理自动驾驶决策问题,并有效地提高自动驾驶的智能性。本文首先对自动驾驶系统进行了简要介绍;其次,介绍了强化学习的原理和DRL的典型算法,并总结了DRL在自动驾驶决策系统中的应用;最后,根据目前存在的问题,总结了DRL方法在自动驾驶决策系统中遇到的挑战,并对DRL在自动驾驶决策中的未来应用进行了展望。
2023年05期 78-92页 [查看摘要][在线阅读][下载 1808K]
- 魏顺光;
技术发展的超前性必然引发潜在的、未知的、不可预测的法律风险,ChatGPT的迅猛发展已经面临技术垄断、算法偏见、虚假信息、知识产权和数据安全等领域的法律困境,因此从法律规制的角度对ChatGPT进行冷静思考不仅必要而且紧要。由于风险与规制往往相生相随,应开展全链条综合治理,研析前瞻性制度设计,构建多维度监管体系,打造系统性监管生态,建立规范的监管体系,并采取适当超前的制度设计,以ChatGPT为代表的AIGC不仅能被人类所用,而且还能被人类所控。
2023年05期 93-100页 [查看摘要][在线阅读][下载 1114K] - 孟芳;
作为第四次工业革命和产业变革的核心驱动力,人工智能不断实现跨越式发展和突破性进展,在教育、养老、医疗、交通、商业等领域取得显著成绩,做出巨大贡献,带来无限机遇。与此同时,人工智能也不可避免地冲击着现有社会秩序和基本结构,引发了一系列研发和应用实践中的伦理风险。这就需要正面回应这些伦理问题,从而保证人工智能向善发展,赋能新时代。由此,必然要求应对人工智能伦理风险的中国方案的出场。一是,“以人民为中心”作为价值引领,规避或降低人工智能伦理风险发生的可能性;二是,充分挖掘并汲取中国传统科技伦理观中的实践智慧,为治理人工智能伦理风险提供宝贵思想资源;三是,积极构建中国人工智能伦理体系,为应对人工智能伦理风险提供体制机制保障;四是,大力推进人工智能负责任研究与创新,提升人工智能研发与应用人员的伦理素养。
2023年05期 101-109页 [查看摘要][在线阅读][下载 1055K] 下载本期数据