現代汽車集團正在通過在現有的ADAS系統增加人工智能(AI)技術，來解決目前包括自適應巡航控制(ACC)在內的傳統自動輔助駕駛系統面臨的一些問題。
日前，現代旗下豪華品牌Genesis發佈了一款重新設計的G80轎車，基於全新的平臺設計，包括新的安全技術以及專屬第三代後輪驅動平臺。
其中，一個帶有機器學習功能的智能巡航控制功能，可以幫助汽車瞭解司機的駕駛習慣，並相應地調整系統的決策反饋。
傳統的ACC，當駕駛員設定一個特定的速度和一個跟隨的距離(通常是三種模式選擇)，然後車輛自動控制加速和剎車時，常規的ACC系統就會被激活。
然而，這些ACC系統的表現讓許多司機體驗並不好，因為它們要麼加速太慢，要麼剎車太早或太猛，導致主動安全技術在許多情況下被關閉。
Genesis這套系統被命名為：基於機器學習的智能巡航控制(SCC-ML)，同樣依靠現有的前置攝像頭和雷達，不過，在數據實時採集、分析和應用上有所不同。
系統會實時採集車輛與前車的距離、加速度和一些變量參數，再通過車載中央計算平臺超過10,000種模式識別個人的駕駛風格，最終通過機器學習來調整功能的細節處理。
現代汽車表示，“如果沒有機器學習技術，就不可能對常規功能設置進行細緻的微調，以適應不同司機的個人駕駛偏好”。
此外，即使是同一個駕駛員，在高速、中速和低速的環境下，根據不同的環境，也可能會有不同的加速方式，這意味著非智能的ACC，很難達到駕駛員的要求。
例如，SCC-ML可以在慢速城市交通中與前面的車輛保持較短的跟隨距離，但在快車道上行駛時則可以保持較遠的跟隨距離。這是現有的ACC系統無法自動實現切換的。
目前的全速域ACC，如果考慮加上主動換道輔助，自動駕駛功能等級可以達到L2.5。但實際上，從駕駛體驗來說，還遠未到這個水平。
除了機器學習技術的導入，利用車輛的傳感器，SCC-ML的功能決策模型也會定期更新，從而反映出駕駛員最新的駕駛風格。比如，駕駛員的一些危險駕駛模式，系統會做一些規避。
按照計劃，SCC-ML功能將會導入到現代汽車集團旗下的其他幾個品牌，包括現代、起亞和Genesis其他車型。
一、ADAS的變革
一直以來，基於機器學習的系統決策行為通常是一個黑盒子（目前更多基於深度學習的感知+模式決策），只能在一定程度上進行調試並用於功能測試。
越來越多的傳感器或組件具有從機器學習(ML)技術中獲取新的技術迭代的可能，這些過程通常是在大量數據上訓練，尤其是自動駕駛技術研發。
從安全的角度來看，這類系統及其風險評估存在許多問題。沒有一種簡單的方法可以確定基於機器學習的系統的精確故障率。
對於SAE的L3-5級系統而言，機器學習用於感知、映射、融合和決策算法。這意味著，如果其中一個算法做出了錯誤的識別/決策，它可能會導致危險的後果。
而當前適用於ADAS（L3以下）功能安全標準主要用於確定性系統，僅限於可能導致系統或項目故障的危險和風險分析以及組件故障。
ISO 26262標準沒有描述如何防止功能本身的錯誤決策。而新的ISO 26262標準第二版則試圖解決這個問題並試圖定義新的流程可以幫助控制這些系統故障風險。
現有的已經量產的車型，搭載的加速（自適應巡航控制系統、自動緊急制動和智能交通標誌識別）和轉向決策（車道保持、輔助和交通擁堵援助）是基於AI感知+傳統決策模型。
而引入機器學習的決策不透明性，是安全保證的一個障礙，並降低了模型按預期運行的置信度。另一個不透明的問題是，必須解釋事故發生的各種原因。
其次，是出錯率。目前，許多檢測系統的可信度存在爭議。例如，車道檢測系統可能無法檢測到模糊的道路標記線，或者可能對柏油路車道進行錯誤的檢測。
此外，即使錯誤率的估計值是準確的，它也不能反映系統在有限組輸入後實際運行時的錯誤率，因為真正的錯誤率是基於無限組樣本的。
而機器學習訓練的基礎，是通過對一組數據（交通標誌、車道、車輛和人員）進行訓練而創建的。這些數據被標記為可能遇到的操作輸入的子集。
因此，訓練集必然是不完整的，甚至不能保證它能代表可能的全部場景。另一個因素是，即使訓練集具有代表性，它也可能不能充分代表安全關鍵案例，因為這些案例日常行駛過程中通常比較少見。
最後，就是系統的不穩定。DNN模型是功能更強大的機器學習模型，通常使用優化算法進行訓練，優化算法可能有各種各樣的優化。
因此，使用相同的訓練集可能得到不同的結果。這一特性使得調試模型或重用以前的安全評估的部分變得困難。
這方面，之前Mobileye有自己的一套安全戰略，其區分了系統故障（即可以識別的故障）和正常運行故障（可能出現誤檢）。
減少感知故障的因素之一是Mobileye的REM技術，該技術提供在線眾包數據，通過確保車輛即使在沒有車道或車道模糊或被誤導的情況下也能遵循安全的路徑。
此外，Mobileye的決策算法不是基於一個沒有事故的想法(因為有些事故可能是無法避免的。它的方法是避免造成事故的責任——換句話說，車輛的決策應該計算這樣的路徑/行為，而不是導致事故的責任。
最重要的是，該算法應響應其他道路上行駛車輛的錯誤，以確保其車輛的乘客的最高安全水平。比如，當發生由其他司機造成的事故前，當前車輛應作出適當的反應。
為了實現這一點，Mobileye制定了RSS模型。這個模型將“誰應該對事故負責”這一難題的“常識”邏輯化。
1、比如，與你前面的車保持安全的距離，這樣如果它突然剎車，你就能及時停下來。
2、與你身邊的車輛保持安全的距離，當你進行橫向操控並切入另一輛車所在的車道時，你必須給另一輛車足夠的空間來做出反應。
3、此外，還包括應該尊重“通行權”規則，對被遮擋的區域要特別注意。例如，一個孩子可能被阻擋在一輛停靠的汽車前面。
上述模型與過去的事故數據進行了驗證，驗證此類模型的一種方法是重現（比如，在仿真模擬中）現實生活中發生的事故場景。目前，Mobileye已經從超過600萬起事故中提取了碰撞數據，並分成37個場景，覆蓋了99.4%的事故。
真正的挑戰是用數學公式來描述駕駛規則，並定義非常主觀的駕駛模式（例如，變道）。基於這些定義，可以創建系統限制，不允許決策系統發起危險行為，並始終遵循規則。
這種方法唯一明顯的缺點是，系統無法快速學習道路環境以及駕駛員行為模式的變化。顯然，SCC-ML的模式，是基於機器學習進行駕駛員行為和ADAS功能之間的自學習。
傳感器融合算法和決策算法，無論是加速、制動還是轉向，目前仍然是基於確定性模型開發，但這將在下一代自動輔助系統中發生改變。
二、真正的AI+ADAS
實際上，儘管完全自動駕駛距離真正量產還有很長的時間，但是一些在自動駕駛上用的技術，比如機器學習、深度神經網絡技術等等可以幫助ADAS提升用戶體驗。
最典型的，就是特斯拉的“陰影模式”。通過基於車輛的駕駛數據，並結合後期的大數據訓練來優化決策模型。這種技術，尤其對於ADAS中不可預測性的感知，更加重要。
比如，在城市環境中，探測行人、發出警報並對他們有時不可預測的行為採取行動，無疑是ADAS最具挑戰性的任務之一。
在這種情況下，ADAS系統的全部潛力可以通過行人跟蹤、方向和意圖預測來實現。
但實際上，對行人的實際檢測並不一定要提取出人的全部特徵，而是要識別出一個物體是人。然而，對於意圖預測，行人模型的上下文信息應該被納入。
由於環境複雜，待分析的情況多種多樣，傳統的確定性算法容易出現多次誤檢。由於ADAS對假陽性檢測的響應可能會導致嚴重的後果，所以將錯誤檢測減少到最低限度是對性能的嚴格要求。
基於機器學習的算法則提供了更好的解決方案，比如使用級聯分類器，每個分類器被訓練來模擬行人的不同身體部分。
比如，基於梯度直方圖和haar特徵的算法來檢測目標。這些方法以前已經被證明能夠實時操作，適合於ADAS所需的快速響應時間。
一個候選對象作為行人的識別是通過幾個分類器的多數票來完成的。對結果施加嚴格的閾值可以限制假陽性檢測的水平。當上下文信息可以集成到系統中時，識別值的調整是非常重要的。
例如，在城市和鄉村道路上駕駛不需要相同的警戒級別。因此，汽車在這兩種環境中的定位可以用來動態調整ADAS中的警報級別。
不過，類似的AI技術，更多停留在感知層，而在ADAS功能層，很可能成為市場的關鍵差異和重要的收入來源。
由於處理器、傳感器、映射和軟件算法等技術的集成，ADAS的可能性是無限的。以預警的形式出現，會是AI的第一步應用。接下來的升級，就是與制動、轉向或其他與安全相關的決策中落地。
由機器學習支持的決策算法，將能夠促進與自動駕駛車輛相關的許多其他任務，比如：人工智能神經網絡與傳感器融合，然後提供最好的駕駛決策可能。
在過去，像十字路口這樣的道路場景是一項複雜的任務，涉及太多的規則，對傳統的計算決策模型來說，這些問題現在都可以逐步基於神經網絡訓練來解決。
同時，ADAS將繼續成為實現自動駕駛的橋樑。數據顯示，接近90%的交通事故都是由人為失誤造成的，其中包括識別錯誤（比例最大）和決策錯誤。
一些行業人士表示，過去汽車內部不同算法的管理和使用方式將發生翻天覆地的變化。卷積神經網絡，甚至是深度神經網絡在識別和分類物體上非常有效。然而，決策人工智能還沒有很好的融入。
剎車力度和行程多少合適，或者應該轉向多大的角度，是繼續前進還是避讓，這都是解決目前ADAS體驗和安全性的核心關鍵問題。
現代汽車選擇的漸進路線，是基於駕駛員行為模式的智能決策，這是目前看起來一種合理的模式，從而規避相對激進的模式（直接用L4降維）。
閱讀更多 高工智能汽車 的文章
