这两天,关于AlphaGo战胜世界围棋大师李世乭后对人工智能和机器学习的谈论不绝于耳,甚至一度有许多人认为一个机器代替人类的新时代来临了,未来的无人驾驶汽车将会更快进入商用化,事实真的如此吗?
在这里我们将不会很深层次的去在技术以及深度学习算法方面探讨,我们将从整体上先对机器学习进行介绍,然后合理的结合目前发展形势以及汽车行业发展做出一个力求客观的评估,好让大家了解和知道:其实所谓的人工智能还并未达到你想象中那般美好。
如果对智能无人驾驶很感兴趣的读者也可以点击下图,阅读我们此前关于无人驾驶发展以及未来展望的文章。
我们尽量用最简单的表达让各位读者明白,其中对于涉及到算法的我们尽量不去解释其中的运算,只去了解其意义与功能。对于像AlphaGo(Alphabet公司设立的一个项目,可以看做Alphabet是谷歌经过调整后的新集团)这样针对围棋的智能程序,其目前需要来三个大的核心,分别为:MCTS(Monte Carlo Tree Search蒙特卡洛树搜索) + DNN(Deep Neural Network深度神经网络) + RL(Reinforcement Learning强化学习)。
△ 针对以上的三大技术,我们可以简单理解为:先进的搜索算法+机器学习算法+深度神经网络。
而这三者之间的关系可以这样理解:
●蒙特卡洛树搜索 (MCTS) 是大框架,是许多高级博弈AI都会采用的算法。
●强化学习 (RL) 是学习方法,用来提升AI的实力。
●深度神经网络 (DNN) 是工具,用来拟合局面评估函数和策略函数。
这些都不是AlphaGo或者DeepMind团队首创的技术。但是强大的团队将这些结合在一起,配合Google公司强大的计算资源,成就了历史性的飞跃。
可是这三大技术的匹配就可以成就一个无懈可击的新世界了吗?答案显然不是。任何算法都是源自于人类所设定的起始逻辑,算法本身也都不可能完美解决所有的问题。
显然目前Alphabet在无人驾驶领域也走在了世界的前列,其下属的谷歌更是会利用以上那些技术或算法应用在自己的无人驾驶汽车领域。
△ 有了更多算法的加入,未来谷歌的无人驾驶项目可能会有更快的发展,不过以上的三种算法技术都不是无懈可击的。
简单来说是这样:alphago解决问题的方法属于监督学习。和以往我们写的确定的算法不同。机器学习程序的算法设计当中会有许多用于调整的参数,向程序中输入数据,会输出结果。比较输出结果和实际正确结果,会有误差,然后用调整算法依据误差调整这些参数,一次次减少误差,接近所给数据的实际结果。
以上优化参数的过程就是所谓学习的过程,这批数据就是训练集。采用深度神经网络之类的模型是为了更好地设定和调整参数。
至于机器智能独立于人类思维的趋势、主动获取信息自行分析、自我认知和现在计算机科学中的机器学习和人工智能实在搭不上边。而且感觉当初就不应该取“人工智能”这种容易造成人们误解的名字。
说白了目前所有冠以“人工智能”的一切都包含了不可否认的伪科学命名!各种漏点与计算盲点层出不穷,我们可以理解为只是一种更加全面化的逻辑计算方法。由此可见因AlphaGo赢得对阵李世乭的围棋比赛而衍生出来的各种人工智能统治人类,未来人类会变得更懒惰,人类会失去独立思考的空间与能力等等一切相关文章都是在扯淡!对没错,都是在扯淡!
不过我们不可以排除在一定的使用情景下,例如:参与交通出行的车辆的下一秒发展状态确是可以通过这样的算法去大致确定的,从而能够根据交通发生地的法律法规与车辆的参数信息作出一个优化的判断。因为,目前的无人驾驶汽车以及相关研究的重点都在利用传感器进行实时监测与控制,那么能“预见下一秒”的判断会是未来无人驾驶汽车发展的新的蜕变契机吗?
根据之前对无人驾驶发展的研究结论,我们可以做下面的归纳:整个业内对于无人驾驶车辆提出了以下六点。1、体系结构。2、环境感知。3、定位导航。4、路径规划。5、运动控制。6、一体化设计。这六个方面组成了无人驾驶车辆的最新六要素。无论是哪一家车企要想实现2020年量产商用无人驾驶车辆都必须在以上六要素中深耕自己的技术水平。
●对于体系结构来说,它是一个系统的“骨架系统”,确定了系统的基本组成框架和相互关系;对于无人驾驶汽车系统来说,体系结构还包括了系统信息的交流和控制调度,因此又起到了“神经系统”的作用。无人驾驶汽车体系结构定义了系统软、硬件的组织原则。集成方法以及支持程序。一个合理的体系结构可以实现系统模块间的恰当协调,并在软、硬件上具有开放性和可扩展性。
△ 目前体系结构主要有分层递阶式与反应式体系结构,像Google的无人驾驶实验车辆采用的一种混合式的体系结构。
●在环境感知方面,主要需要四个步骤,分别是:感知与处理、环境建模、价值评估和行为生成。在感知与处理环节离不开遍布于车身的各类传感器,通过收集到的感知数据与已经储存在车内的先验储备知识相互作用,从而检测数外界的有用信息。这里对于传感器以及车载软、硬件都是一个较大的考验了。例如未来将要在车辆上搭载的更加强大的英伟达NVIDIA Tegra X1处理器。
不仅仅是与奥迪MMI互联科技的结合,全新A4车型所需要的移动处理器更是要拥有惊人的信息处理速度与极短的图形处理显示时间。所以惊艳的这块数字化仪表盘背后是无比强大的科技实力的支持。
●定位与导航,由于高精度数字地图已经高精度定位服务会涉及到国家地理位置信息的安全问题,因此像国内就基于自己的“北斗导航”与国内公司的高精度数字地图。
所以在这个方面,没有能力的国家需要被绑定在这些拥有全球定位系统的国家之上了。且目前常用的导航技术有:航迹推算(Dead-Reckoning,DR)技术、惯性导航(Inertial Navigation System,INS不需要外部干扰,通过自身位移、方向、海拔高度等传感器直接测算与目标的的差值)技术、卫星导航定位技术、路标定位技术、地图匹配定位(Map Matching,MM)技术和视觉定位导航技术等,而这些技术无不都是在导弹制导中有所应用的技术。
●而在路径规划上,在一定环境模型的基础上,给定无人驾驶汽车的起始点与目标点后,按照某一性能指标规划出一条无碰撞、能安全到达目标点的有效路径。路径规划主要包含两个步骤:一是建立环境地图;二是调用搜索算法在环境地图中搜索可行路径。
△ 目前真正意义上在这一要素中有所建树的恐怕就是谷歌了,依托于自己多多平台以及计算处理能力,其他的汽车企业在这点上恐怕与谷歌有着一段距离。
这也从理论上折射出科技型IT企业加入无人驾驶车辆行业的先天性优势还是很大的。
●还有的就是运动控制要素了。无人驾驶汽车的运动控制包括了横向控制与纵向控制。通过对油门和制动的协调,纵向运动控制实现对期望车速的精确跟随。在保证车辆操纵稳定性的前提下,横向运动控制实现无人驾驶汽车的路径跟踪。
看来我们叙述到第五个要素时已经发现了不少现在宣传的厂商在玩票了,要么就是过度宣传自己的科技实力,要么就是欲盖弥彰,故意在技术不成熟的地方给模糊起来。相信看到这里你已经有了充足的知识积累,别着急还有最后一个要素呢。
●最后一个要素为一体化设计。相对于传统的添加外部机构的改造方法,无人驾驶汽车的一体化设计师未来无人驾驶汽车设计的导向。它综合考虑无人驾驶汽车队局部环境的感知和决策,以及车辆的动力学特性等性能之间的相互联系和影响,在构建的无人驾驶汽车上集成设计各个模块及其相关过程。
△ 这种一体化设计注重的是整体性,以获得无人驾驶汽车设计整体最优为目标,在控制、结构、性能、布局、强度、可靠性、维修性和寿命周期费用等多方面进行综合分析和协调。
所以,目前很多宣称自己要做无人驾驶的厂商现在请你们对号入座,对于没有技术能力的请闭嘴不要在忽悠我们消费者了。笔者相信目前这六大要素是最核心的内容,缺少其中任何一项都是在打着无人驾驶的幌子虚标自己的技术实力。那这其中并没有提到机器学习对无人驾驶汽车的影响与作用,我们根据上一页的文章分析内容可以将机器学习对无人驾驶汽车的作用归纳到能够学习到更多伟大车手们的驾驶能力上。
也就是机器学习对于无人驾驶的意义我们可以理解为:通过学习全人类伟大车手们的驾驶数据来提高无人驾驶车辆的驾驶与操控能力,未来也能够在驾驶竞赛中与职业选手进行比拼。对没错,就类似于AlphaGo与李世乭之间的较量。最近奥迪也公布了一段RS7无人驾驶概念车与三次问鼎勒芒冠军的车手里纳尔多·卡佩罗的速度竞赛,同时也赢得了比赛。基于此我认为奥迪已经将机器学习算法加入到了其RS7无人驾驶概念车上。
全文总结:首先我们知道了机器学习并不是无懈可击的完美解决方案,也并不会带来真正意义上的“人工智能”,“人工智能”这个命名一定程度上是一种伪科学。但是在目前无人驾驶汽车六要素的基础上若增加机器学习技术,将很大程度上的提高无人驾驶车辆的实际行驶性能,通过对伟大车手们的数据学习将给未来的无人驾驶汽车的乘客们带来更加人性化更加出色完美的乘坐体验。所以在这样一个方面来说,机器学习确实在引领着无人驾驶汽车走向一个更加完臻的高度,更是一种深度的蜕变与革命,比起谷歌现在的无人驾驶小车的乘坐体验,未来奥迪RS7无人驾驶概念车那种可超过职业车手版的驾驶能力显然更加诱人。