智能人工自動(dòng)駕駛，輔助駕駛自動(dòng)駕駛和無人駕駛的區(qū)別

來源：整理時(shí)間：2023-06-19 00:04:31 編輯：智能門戶手機(jī)版

1，輔助駕駛自動(dòng)駕駛和無人駕駛的區(qū)別

主要是一個(gè)人工智能的問題啦，無人駕駛的就是人工智能自動(dòng)根據(jù)情況來駕駛。自動(dòng)駕駛只是在某一個(gè)過程中可以用電腦來操作。

駕駛輔助包括不少功能，其中比較有代表性的比如自適應(yīng)定速巡航（也就是acc），是用于定速跟車前進(jìn)；又比如車道保持，能夠?qū)④囕v保持在車道內(nèi)行駛。這兩者相結(jié)合就是最新的堵車駕駛輔助系統(tǒng)，在堵車環(huán)境中能夠控制車輛的方向和走停。而自動(dòng)駕駛除了實(shí)現(xiàn)駕駛輔助的基本所有功能外，還可以允許駕駛員將注意力從交通情況和控制車輛中解放出來做其它事情。但是，駕駛員仍需要坐在車?yán)铮谧詣?dòng)駕駛系統(tǒng)尚未啟動(dòng)或者退出時(shí)控制車輛。而無人駕駛則可以沒有駕駛員，完全的車輛自主駕駛。

輔助駕駛自動(dòng)駕駛和無人駕駛的區(qū)別

2，什么是汽車自動(dòng)駕駛?cè)绾瓮ㄋ滓锥乩斫馄涔δ芗霸鞟utopilot 搜

自動(dòng)駕駛汽車（Autonomous vehicles；Self-piloting automobile ）又稱無人駕駛汽車、電腦駕駛汽車、或輪式移動(dòng)機(jī)器人，是一種通過電腦系統(tǒng)實(shí)現(xiàn)無人駕駛的智能汽車。自動(dòng)駕駛汽車技術(shù)的研發(fā)，在20世紀(jì)也已經(jīng)有數(shù)十年的歷史，于21世紀(jì)初呈現(xiàn)出接近實(shí)用化的趨勢(shì)，比如，谷歌自動(dòng)駕駛汽車于2012年5月獲得了美國首個(gè)自動(dòng)駕駛車輛許可證，預(yù)計(jì)于2015年至2017年進(jìn)入市場(chǎng)銷售。自動(dòng)駕駛汽車依靠人工智能、視覺計(jì)算、雷達(dá)、監(jiān)控裝置和全球定位系統(tǒng)協(xié)同合作，讓電腦可以在沒有任何人類主動(dòng)的操作下，自動(dòng)安全地操作機(jī)動(dòng)車輛。[1] 2014年12月中下旬，谷歌首次展示自動(dòng)駕駛原型車成品，該車可全功能運(yùn)行。[2] 2015年5月，谷歌宣布將于2015年夏天在加利福尼亞州山景城的公路上測(cè)試其自動(dòng)駕駛汽車。[3]

不明白啊 = =！

什么是汽車自動(dòng)駕駛?cè)绾瓮ㄋ滓锥乩斫馄涔δ芗霸鞟utopilot 搜

3，什么是人機(jī)共駕

人機(jī)共駕（Shared Autonomy）MIT 認(rèn)為自動(dòng)駕駛應(yīng)該分為兩個(gè)等級(jí)：一、人機(jī)共駕（Shared Autonomy）；二、全自動(dòng)駕駛（Full Autonomy）。這樣的分類方式不僅能夠提供有建設(shè)性的指導(dǎo)方針，添加必要的限制條件同時(shí)還可以對(duì)要實(shí)現(xiàn)的目標(biāo)進(jìn)行量化設(shè)定。甚至，對(duì)每個(gè)類別下要實(shí)現(xiàn)的功能、對(duì)應(yīng)的技術(shù)需求以及可能遇到的問題都可以劃分出來。這個(gè)原則的核心在于對(duì)「人類駕駛員在環(huán)」的討論。為了實(shí)現(xiàn)對(duì)車輛的有效控制，人和機(jī)器組成的團(tuán)隊(duì)必須共同保持對(duì)外部環(huán)境有充分的感知。目標(biāo)是促使整個(gè)行業(yè)對(duì)「人機(jī)共駕」和「全自動(dòng)駕駛」進(jìn)行清晰地劃分。需要指出的是，表 I 中的術(shù)語「Good」和「Exceptional」用來表示解決 1% 極端案例的優(yōu)先級(jí)順序。遠(yuǎn)程操控、V2X 和 V2I 等并非必須的技術(shù)，如果要使用的話需要達(dá)到特殊的能力要求。在實(shí)現(xiàn)高等級(jí)自動(dòng)駕駛的方法上，傳統(tǒng)思路全程都跳過了對(duì)「人」這個(gè)因素的考慮，精力主要集中在對(duì)地圖、感知、規(guī)劃以及表 I 中「全自動(dòng)駕駛」一欄標(biāo)注為「exceptional」的技術(shù)上。實(shí)際來看，考慮到目前的硬件和算法能力，這種解決方案對(duì)高精度地圖、傳感器套件的魯棒性要求很高，提供的是較為保守的駕駛策略。而正如表 I 所述，「以人為中心」的自動(dòng)駕駛汽車著眼點(diǎn)主要在司機(jī)身上。負(fù)責(zé)控制車輛的依然是人，但前提是要對(duì)人的狀態(tài)、駕駛方式及之前的人機(jī)合作經(jīng)驗(yàn)做充分的考量，同時(shí)把車輛的轉(zhuǎn)向、加減速等交由人工智能系統(tǒng)負(fù)責(zé)。以特斯拉的 Autopilot 為例，之前 MIT 的研究顯示，測(cè)試中有超過 30% 的行程都是由這套 L2 級(jí)駕駛輔助系統(tǒng)控制完成的。而如果人機(jī)共駕應(yīng)用成功的話，應(yīng)該能實(shí)現(xiàn)超過 50% 的機(jī)器控制率。在這次實(shí)驗(yàn)中，MIT 表示無人車系統(tǒng)在接管過程中呈現(xiàn)出了不同程度的能力，而人類駕駛員始終在密切關(guān)注著機(jī)器的動(dòng)態(tài)，根據(jù)感知系統(tǒng)獲得的信息及時(shí)預(yù)測(cè)可能發(fā)生的危險(xiǎn)。二、從數(shù)據(jù)中學(xué)習(xí)（Learn from Data）從表 I 不難發(fā)現(xiàn)，這其中涉及的任何一項(xiàng)車輛技術(shù)都是數(shù)據(jù)驅(qū)動(dòng)的，需要搜集大量的邊緣案例數(shù)據(jù)，利用這些數(shù)據(jù)持續(xù)不斷地優(yōu)化算法。這個(gè)學(xué)習(xí)過程的目的應(yīng)該是，通過大量數(shù)據(jù)實(shí)現(xiàn)從傳統(tǒng)的模塊化監(jiān)督學(xué)習(xí)向端到端半監(jiān)督式和無監(jiān)督學(xué)習(xí)過渡。要實(shí)現(xiàn)車輛的自動(dòng)駕駛，傳統(tǒng)的方法，不管是哪個(gè)級(jí)別，幾乎都不會(huì)大量的應(yīng)用機(jī)器學(xué)習(xí)技術(shù)。除了在一些特殊的線下場(chǎng)景，比如 Mobileye 的視覺感知系統(tǒng)要進(jìn)行車道線識(shí)別，或者是通用 Super Cruise 搭載的紅外攝像頭要對(duì)駕駛員頭部動(dòng)作進(jìn)行預(yù)測(cè)等。特斯拉的 Autopilot 可能要比其他方案更進(jìn)一步，在開發(fā)針對(duì)第二代硬件平臺(tái) HW 2.0 的軟件算法時(shí)，在視覺感知上應(yīng)用了越來越多監(jiān)督機(jī)器學(xué)習(xí)的原理。但即便如此，對(duì)車輛的絕大部分控制以及對(duì)駕駛員狀態(tài)監(jiān)測(cè)的實(shí)現(xiàn)中，并沒有利用大數(shù)據(jù)驅(qū)動(dòng)的方式，也幾乎不涉及線上學(xué)習(xí)的過程。而在目前業(yè)界進(jìn)行的一些全自動(dòng)駕駛技術(shù)的路測(cè)中，機(jī)器學(xué)習(xí)主要應(yīng)用于環(huán)境感知這一環(huán)節(jié)。更甚的是，這些車輛采集到的數(shù)據(jù)，無論是從量還是多樣性來看，和具備 L2 級(jí)自動(dòng)駕駛能力的車型相比，遜色不少。特斯拉 Autopilot 對(duì)目標(biāo)物、車道線的檢測(cè)主要依賴機(jī)器學(xué)習(xí)算法進(jìn)行 | ElectrekMIT 認(rèn)為，「L2 級(jí)自動(dòng)駕駛系統(tǒng)中機(jī)器學(xué)習(xí)框架使用的數(shù)據(jù)，從規(guī)模和豐富性的角度來看都具有足夠的擴(kuò)展能力，可以覆蓋多變的、具有代表性、挑戰(zhàn)性的邊緣案例?！谷藱C(jī)共駕（Shared Autonomy）要求同時(shí)搜集人和車輛的感知數(shù)據(jù)，挖掘分析后用于監(jiān)督學(xué)習(xí)的標(biāo)注。在 MIT 的實(shí)驗(yàn)過程中，駕駛場(chǎng)景感知、路徑規(guī)劃、駕駛員監(jiān)控、語音識(shí)別以及語音聚合都應(yīng)用了深度神經(jīng)網(wǎng)絡(luò)模型，可以通過搜集到的大量駕駛體驗(yàn)數(shù)據(jù)進(jìn)行持續(xù)性的調(diào)校和優(yōu)化。在進(jìn)行數(shù)據(jù)采集時(shí)，MIT 表示并不會(huì)只局限于單一的傳感器來源，而是對(duì)整個(gè)駕駛體驗(yàn)通盤考慮，并將所有的傳感器數(shù)據(jù)流通過實(shí)時(shí)時(shí)鐘（real-time clock）匯總、聚合，用于多個(gè)神經(jīng)網(wǎng)絡(luò)模型的標(biāo)注。這種方式能夠讓駕駛場(chǎng)景與駕駛員狀態(tài)能夠很好地匹配起來，而在聚合的傳感器數(shù)據(jù)流進(jìn)行標(biāo)注工作，使模塊化的監(jiān)督學(xué)習(xí)可以在數(shù)據(jù)規(guī)模允許時(shí)輕松地向端到端學(xué)習(xí)過渡。三、監(jiān)督人類（Human Sensing）這個(gè)其實(shí)就是我們俗稱的「駕駛員監(jiān)控」。它指的是對(duì)駕駛員的整體心理以及功能特征，包括分心、疲憊、注意力分配和容量、認(rèn)知負(fù)荷、情緒狀態(tài)等的不同程度進(jìn)行多維度的衡量和評(píng)估。目前除了通用 Super Cruise 在方向盤上裝有一枚紅外攝像頭外，不管是搭載了 ADAS 駕駛輔助系統(tǒng)的量產(chǎn)車型，還是在路測(cè)的全自動(dòng)駕駛汽車，絕大部分都沒有提供任何有關(guān)駕駛員監(jiān)控的軟件和硬件。特斯拉 Model 3 其實(shí)也裝了一枚車內(nèi)攝像頭，但目前尚未啟用，具體功用官方表示要等軟件更新后才知道。而基于視覺的解決方案以外，市面上還包括一些準(zhǔn)確率不高的方式。比如特斯拉在方向盤上安裝了扭矩傳感器，也有的公司利用監(jiān)測(cè)方向盤是否發(fā)生倒轉(zhuǎn)的方式推斷駕駛員是否出現(xiàn)疲勞情況。全新一代凱迪拉克 CT6 搭載的駕駛員監(jiān)控系統(tǒng)由 Seeing Machines 提供 | 官方供圖MIT 認(rèn)為「對(duì)駕駛員狀態(tài)的感知和監(jiān)控是實(shí)現(xiàn)高效人機(jī)共駕的的第一步，同時(shí)也是最關(guān)鍵的一步。」在過去的二十多年里，來自機(jī)器視覺、信號(hào)處理、機(jī)器人等領(lǐng)域的專家都進(jìn)行過相關(guān)課題的研究，目的都是在探討如何盡可能保證駕乘人員的安全。此外，對(duì)駕駛員狀態(tài)的監(jiān)測(cè)對(duì)如何改善和提升人機(jī)交互界面、高級(jí)駕駛輔助系統(tǒng) ADAS 的設(shè)計(jì)都有很大幫助。隨著汽車智能程度的不斷提高，如何準(zhǔn)確、實(shí)時(shí)地探測(cè)到駕駛員的各種行為對(duì)打造安全的個(gè)性化出行體驗(yàn)尤為重要。比較有意思的一點(diǎn)是，從完全的手動(dòng)駕駛到全自動(dòng)駕駛，這其中涉及到不同模式切換的問題。一般來說雙手脫離方向盤（handoff）就是一種信號(hào)，可能表示系統(tǒng)要做好接管的準(zhǔn)備了，但還有什么其他更準(zhǔn)確的信息可以用來判斷，可能這也是「駕駛員監(jiān)控」的研究人員需要持續(xù)思考的地方。四、共享的感知控制（Shared Preception-Control）通俗點(diǎn)來說，這相當(dāng)于為整個(gè)自動(dòng)駕駛系統(tǒng)增加了「一雙眼睛和手」。目的是建立額外的感知、控制和路線規(guī)劃機(jī)制。即便在高度自動(dòng)駕駛系統(tǒng)運(yùn)行狀態(tài)下，也要及時(shí)地為駕駛員推送信息，將其納入到整個(gè)駕駛過程中。研究全自動(dòng)駕駛的目的就是為了完美地解決「感知-控制」的問題，考慮到人類的不靠譜和行為的不可測(cè)性。所以傳統(tǒng)觀點(diǎn)認(rèn)為最簡單的辦法就是把人從開車這件事上排除掉，像十幾年前在 DARPA 挑戰(zhàn)賽中獲勝的隊(duì)伍一樣。但和傳統(tǒng)解決思路相反的是，MIT 提出的「以人為中心」的理論將人置于感知和決策規(guī)劃閉環(huán)中的關(guān)鍵位置。因此，整車感知系統(tǒng)就變成了支持性的角色，為人類駕駛員提供外部環(huán)境信息，這其實(shí)也是為了解決機(jī)器視覺本身存在的局限性而考慮的。表 II MIT「以人為中心」自動(dòng)駕駛系統(tǒng)執(zhí)行的感知任務(wù)，包括對(duì)駕駛員面部表情、動(dòng)作以及可駕駛區(qū)域、車道線以及場(chǎng)景內(nèi)物體的檢測(cè) | MIT在 MIT 的研究中，工作人員圍繞這個(gè)原則設(shè)計(jì)了幾條關(guān)鍵的算法。表 II 是其中幾個(gè)典型的案例。首先，從視覺上可以看到神經(jīng)網(wǎng)絡(luò)做出的判斷、道路分割的區(qū)域以及對(duì)駕駛場(chǎng)景狀態(tài)的預(yù)估的可信程度；其次，將所有的感知數(shù)據(jù)整合并輸出融合式的決策建議，這樣在表 IV 的場(chǎng)景下就能夠?qū)φw風(fēng)險(xiǎn)進(jìn)行預(yù)估；再次，MIT 一直使用的是模仿學(xué)習(xí)：將人類駕駛員操控車輛時(shí)方向盤的動(dòng)作作為訓(xùn)練數(shù)據(jù)，進(jìn)一步優(yōu)化端到端的深度神經(jīng)網(wǎng)絡(luò)；最后，MIT 使用的端到端的神經(jīng)網(wǎng)絡(luò)屬于一個(gè)叫做「arguing machines（爭論機(jī)器）」框架的一部分，它為主要的感知-控制系統(tǒng)（表 III）提供了來自人類的監(jiān)督。這里的「爭論機(jī)器框架」是 MIT 2018年提出的一個(gè)概念，它將主要 AI 系統(tǒng)與經(jīng)過獨(dú)立訓(xùn)練以執(zhí)行相同任務(wù)的次要 AI 系統(tǒng)配對(duì)。該框架表明，在沒有任何基礎(chǔ)系統(tǒng)設(shè)計(jì)或操作知識(shí)的情況下，兩個(gè)系統(tǒng)之間的分歧足以在人工監(jiān)督分歧的情況下提高整體決策管道的準(zhǔn)確性。表 III 對(duì)「爭論機(jī)器」框架在「Black Betty」自動(dòng)駕駛測(cè)試車上的應(yīng)用和評(píng)估 | MIT表 IV 通過結(jié)合車內(nèi)外感知系統(tǒng)數(shù)據(jù)得出的融合型決策能夠充分預(yù)估可能發(fā)生的風(fēng)險(xiǎn) | MIT五、深度定制化（Deep Personalization）這里涉及到一個(gè)「將人類融入到機(jī)器中」的概念。通過調(diào)整 AI 系統(tǒng)的參數(shù)，使其能夠更適合人類操作并呈現(xiàn)出一定程度的定制化。最終的系統(tǒng)應(yīng)該帶有該駕駛員的行為特征，而不是像剛出廠時(shí)的普通配置一樣。六、不回避設(shè)計(jì)缺陷（Imperfect by Design）對(duì)整個(gè)汽車工業(yè)而言，處于很多原因的考慮，進(jìn)行工程設(shè)計(jì)時(shí)通?？紤]最多的是「安全」，所以要盡可能地講系統(tǒng)錯(cuò)誤出現(xiàn)的頻率和程度降至最低。換句話說，對(duì)自動(dòng)駕駛而言，完美是目標(biāo)，這也導(dǎo)致了在進(jìn)行某些功能設(shè)計(jì)時(shí)，可能會(huì)因其「不完美」和「不確定」的性質(zhì)而放棄這些可能是「必要」的設(shè)計(jì)。但是在 MIT 的研究看來，豐富、高效的溝通機(jī)制在設(shè)計(jì)用于實(shí)現(xiàn)「人機(jī)共駕」的人工智能系統(tǒng)時(shí)，是非常必要的因素。就「溝通」而言，系統(tǒng)存在的不完美對(duì)人和機(jī)器而言，在進(jìn)行感知模型的交換和融合過程中，能夠提供密集、多樣的信息內(nèi)容。如果將 AI 系統(tǒng)的不確定性、局限性和錯(cuò)誤都隱藏起來，這也就錯(cuò)失了與人建立信任、深度理解關(guān)系的機(jī)會(huì)。MIT 認(rèn)為，此前業(yè)界在設(shè)計(jì)半自動(dòng)駕駛系統(tǒng)時(shí)所采取的「完美」思路，可能是迄今為止所犯的嚴(yán)重錯(cuò)誤之一。而在開發(fā)「Black Betty」這輛無人車時(shí)，MIT 把人工智能系統(tǒng)的局限性通過文字和視覺的形式與人類進(jìn)行充分溝通。例如將人類和機(jī)器對(duì)外部世界的感知視覺化，讓駕駛員知曉 AI 系統(tǒng)的局限所在。研究人員表示這種方式相比只是提供「報(bào)警」或者「模糊的信號(hào)」，是最簡潔有效的人機(jī)溝通方式。盡管這種溝通機(jī)制要實(shí)現(xiàn)還面臨一些技術(shù)上的難題，比如視覺化的過程通常對(duì)芯片的算力和實(shí)時(shí)調(diào)用的能力要求很高。但值得機(jī)器人、自動(dòng)化以及人機(jī)交互等領(lǐng)域共同關(guān)注并思考解決的辦法。七、系統(tǒng)級(jí)的駕駛體驗(yàn)（System-Level Experience）目前，汽車工業(yè)的工程設(shè)計(jì)過程中，一個(gè)最主要的目標(biāo)就是「安全」。另一個(gè)則是「降低成本」。第二個(gè)目標(biāo)導(dǎo)向的是模塊化、基于零部件的設(shè)計(jì)思考。但同樣的模式在面向機(jī)器人、計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等領(lǐng)域的人工智能系統(tǒng)設(shè)計(jì)中卻有著迥異的理由。譬如在設(shè)計(jì)中重視單一功能（目標(biāo)物檢測(cè)等）的實(shí)現(xiàn)，能夠有效測(cè)試該算法的合理性并逐步使之得到改善和優(yōu)化。但是這個(gè)過程也難免會(huì)把注意力過渡集中在單一功能而忽略了系統(tǒng)的整體體驗(yàn)。在過去的幾十年里，「系統(tǒng)工程」、「系統(tǒng)思考」這樣的原則一直在指導(dǎo)著汽車工業(yè)產(chǎn)品的輸出。然后，類似的思考卻幾乎沒有應(yīng)用在自動(dòng)駕駛汽車的設(shè)計(jì)、測(cè)試和評(píng)估過程中。正如 MIT 上面提到的這六大原則，人和機(jī)器都不可避免會(huì)有缺陷，只有當(dāng)「人機(jī)共駕」這個(gè)框架在系統(tǒng)層面上得到考慮時(shí)，這些缺陷才可能有機(jī)會(huì)成為優(yōu)勢(shì)。對(duì)「人機(jī)共駕」的永恒討論不管短期還是長期來看，其實(shí)很難預(yù)測(cè)自動(dòng)駕駛的哪條實(shí)現(xiàn)路徑最終會(huì)成功，而且退一萬步說，你甚至都不知道什么樣的結(jié)果算得上是「成功」。在談到研究目的時(shí)，MIT 希望一套自動(dòng)駕駛系統(tǒng)能夠同時(shí)滿足「安全」、「愉悅的駕駛體驗(yàn)」和「提升的出行體驗(yàn)」這三個(gè)要求，而不是彼此妥善折中。而盡管「人機(jī)共駕」這個(gè)話題在過去的十年里，是包括汽車工業(yè)、機(jī)器人在內(nèi)很多領(lǐng)域研究的焦點(diǎn)，但它仍值得更深入的探討。在今年四月份的上海國際車展上，coPILOT 智能高級(jí)駕駛輔助系統(tǒng)，這是一套定位「L2+級(jí)」的自動(dòng)駕駛輔助系統(tǒng)，目的是提高乘用車的安全性和駕駛舒適性。從產(chǎn)品名稱不難看出，這套系統(tǒng)同樣強(qiáng)調(diào)了「人機(jī)共駕」的概念。它配備了相應(yīng)的傳感器和功能，能夠監(jiān)控駕駛員并在發(fā)生潛在危險(xiǎn)情況時(shí)觸發(fā)警告。例如，當(dāng)發(fā)生駕駛員注意力不集中、幾乎完全未將注意力放在路面交通上或顯示出瞌睡跡象等。所以人工智能扮演了「私人駕駛助手」的角色，這個(gè)產(chǎn)品理念與 MIT 的研究不謀而合。到底完美解決駕駛?cè)蝿?wù)比完美管理人類的信任和注意力哪個(gè)更難？這是值得深思熟慮的問題。MIT 認(rèn)為關(guān)于這個(gè)問題的討論仍不會(huì)停止，不管是這篇論文還是「Black Betty」這臺(tái)無人測(cè)試車，都是基于「人機(jī)共駕」研究的成果，MIT 認(rèn)為它是開發(fā)「以人為中心」自動(dòng)駕駛系統(tǒng)的必由之路。

①時(shí)間概念層面的，什么時(shí)候人開車，什么時(shí)候車自己開（純無人駕駛），什么時(shí)候人和車一起開。 ②汽車駕駛性能層面的，隨著無人駕駛技術(shù)發(fā)展，在駕車過程中，人起的作用越來越小，車的自主性越來越高。

什么是人機(jī)共駕