汽车的自动驾驶技术「自动驾驶技术分类」

自动驾驶汽车是指部分驾驶操作完全由计算机来控制的汽车。自动驾驶汽车的普及，能够减少因人类驾驶员的判断错误而发生的事故，人们对此的期待越来越高。

自动到什么程度？

美国国家公路交通安全管理局（NHTSA）定义了4个级别的自动驾驶水平。L1级：计算机分别独立控制汽车的油门、方向盘、刹车。L2级：计算机控制两个及以上部分，且可以相互配合。L3级：是由计算机控制汽车的油门、方向盘、刹车，但紧急时刻由人类驾驶员进行操作的半自动驾驶。L4级：是人类驾驶员不参与驾驶的完全自动驾驶。如果实现了L4级的完全自动驾驶，也就意味着实现了无人驾驶。

为了实现自动驾驶

要想实现自动驾驶，需要具备多种要素。首先需要有代替驾驶员且能够识别周围路况的摄像头、雷达等传感器，还要有3D地图数据库。然后从这些传感器获得的信息中判断情况，进而在可以控制油门、方向盘、刹车的电子控制单元中罗列出来。此外，还有必要给电子控制单元配备能够发出命令的软件。要想拥有这样的软件，就必须要依靠人工智能技术。 自动驾驶汽车必须要实时地、准确地处理周围的车辆、行人情况以及信号灯的变化等大量的数据，并做出判断。人工智能技术在图像应用中看到的只是静止画面，所以不难想象对从运动车辆的车载摄像头中获取的信息进行持续的实时应对有多么困难。但实时处理大量数据这件事情，对于可以超高速处理信息的人工智能来说可能没有那么难。问题的关键在于如何对现实环境中的变化进行相应的判断。那么，人工智能要怎样做才能应对这些变化呢？

自动驾驶的训练步骤

自动驾驶的训练步骤和围棋AlphaGo的训练步骤基本是一样的。但在围棋AI中，由于实际的棋盘和图像数据中的棋盘没有差别，假想的步数无论是129960步还是10的360次方步，它都是有限的。而与此相比，自动驾驶车辆遇到的实际道路和模拟装置中的道路有很大的不同，在实际道路中，意料之外的事情有很多。在实际道路中，要通过什么样的办法，才能够实现不会发生碰撞的自动驾驶呢？接下来，让我们讲一讲训练自动驾驶AI的例子吧。▶步骤①先通过各种传感器获取自动驾驶车辆的速度以及方向变化等数据，然后制作虚拟再现的模拟装置。▶步骤②在模拟装置制造出的虚拟空间中让自动驾驶车辆行驶，一旦发生碰撞就施以惩罚，制作像这样可以进行强化学习的神经网络。这是在AlphaGo部分中介绍的“深层强化学习”的方法。使用这种模拟装置，学习速度会比让自动驾驶车辆在实际道路上行驶进行学习快100万倍。这时，最重要的是再现实际道路中发生的各种状况（汽车出现故障等），让自动驾驶AI进行学习。▶步骤③和AlphaGo（计算机和计算机对局）一样，一边让多辆自动驾驶车辆多次上路行驶，一边从计算机自行生成的、实际中不太可能发生的状况中学习，不断打磨自动驾驶AI的技术。

为了掌握位置和情况

为了让得到锻炼的自动驾驶AI能够在实际的道路上行驶，最重要的是令其具备“推断车辆位置”和“掌握周围情况”的摄像头和雷达等传感器。人类主要通过视觉来获取信息，那么怎样也让自动驾驶AI知道这些信息呢？信息本身虽然不是人工智能，但只有将这些信息输入人工智能之中，人工智能才能够运转。让我们再次确认一下吧。关于“推断车辆位置”，我们将以下三个方法结合起来进行思考。▶方法①依靠能够360度全方位掌握事物位置和形状的自律型移动机器人的激光雷达，一边制作3D地图，一边推断位置。这个方法的优点是可以去地图上没有的地方，而缺点就是如果行驶距离过长，则会累积误差。▶方法②在系统内安装事先制作好的正确的3D地图。但是，在地图中没有的地方就不能使用这种方法了。▶方法③依靠现行的导航系统GPS（全球定位系统），测定当前位置。但是，用过汽车导航的人都知道，这个方法在隧道等GPS卫星信号探测不到的地方是无法使用的。关于掌握周围的情况，可以通过毫米波雷达测定与周围物体的准确距离，通过激光雷达掌握与物体之间的距离和物体的形状，通过摄像头来掌握周围的物体是什么。但是，在夜间或是恶劣天气时，摄像头的识别性能会下降。这是人工智能技术需要继续解决的问题，不过，随着技术的进步，这个问题是能够克服的。

事故的原因究竟是什么？

自动驾驶车辆的实际应用还面临着一个很大的问题——那就是，在完全自动驾驶车辆发生交通事故时，应该由谁来承担法律责任呢？根据日本道路交通法中的表述，驾驶员的定义是“驾驶车辆的人”，但是人工智能并不是“人”。这样一来，似乎就演变成了，应该是由与自动驾驶车辆相关的企业（自动驾驶车辆制造商等）来承担责任，但要判断责任应该归谁，还是需要先进行事故原因调查，等到调查结果出来之后才能够进行判定。 在这里，依靠深度学习实现的自动驾驶AI的弱点也成了一个难题。一般的计算机程序可以追踪代码，修正（调试）不好的地方，即排除故障。但在深度学习中，没有人类可以读取的代码，只能依赖表现各个神经网络连接强度的系数。因此，要掌握谁在做什么，就变得十分困难。 有时候很难探究事故的原因，且无法修正程序，以预防同样事故的发生。在面临这样的状况时，我们会采取的一种对策是施以惩罚来让其进行学习。围棋AI也被指出存在这样的问题。但是，如果是围棋AI的话，人们的想法大多是，“虽然不明白，但感觉很厉害”，而且也就只会停留在这一感受程度。但是在自动驾驶AI中，应该思考的问题涉及方方面面，因此探究自动驾驶AI发生事故的原因是个十分重要的问题。