圖：潘毅院士在創新賦能大會上的演講
自動駕駛是時下的熱門話題之一，已陸續在很多場景中得以應用。從技術上看，自動駕駛汽車是一個集環境感知、規劃決策、運動控制、多級輔助駕駛等功能于一體的綜合系統，它集中運用了計算機、現代傳感、信息融合、V2X通訊、人工智能及自動控制等技術，自動駕駛的關鍵技術依次可以分為環境感知、行為決策、路徑規劃和運動控制四大部分。
AI在自動駕駛領域的三大應用
在人工智能系統中，第一代人工智能系統的特點是知識驅動，即用機器來描述人類的知識。第二代人工智能系統的特點是數據驅動，即利用深度學習找到數據背后的函數，具有理論的保證。而第三代人工智能系統，是將第一代的知識驅動和第二代的數據驅動結合起來，以構造更強大的AI。簡而言之，就是要將知識模型與數據模型兩者深度結合。數據上要有歸納能力，能夠舉十反一；知識上要有邏輯推理能力，能夠舉一反三。
當下，人工智能技術在自動駕駛領域主要應用于三個部分：
第一，人工智能的數據融合。在自動駕駛汽車行車過程中，將會產生各種各樣的數據，包括但不限于攝像頭視覺數據、毫米波雷達數據、激光雷達數據、超聲波雷達數據等。AI將主要用于融合上述各種傳感器的數據。
第二，人工智能的可解釋性。人工智能在自動駕駛領域的應用應具備可解釋性，即能發現碰撞的問題和原因，以增強信任度、透明度、可依賴性和公平性，從而改進AI算法，避免今后出現同樣的問題。
第三，人工智能的雙驅動。目前，自動駕駛的時空軌跡數據是數據驅動的，但這還不夠，需要知識驅動的加入。比如，當汽車感知到前方地面上的人影，如果沒有知識驅動，則汽車將仍然直行向前，但加入知識驅動后，汽車便能辨別出這個三維的形象代表著前方有行人，從而避免碰撞。
自動駕駛測試的難點與突破
今天的自動駕駛技術仍存在一些安全隱患和待解決的行業難題，諸如高等級自動駕駛面臨技術、驗證、法規和倫理上的諸多挑戰，遠未成熟；自動駕駛本意是降低交通事故率，但是頻發的事故打擊了公眾信心；現行算法尚存在諸多缺陷，特別在評估方面的研究嚴重不足等。
傳統汽車搭載的是相對簡單的機電一體化控制系統，而智能網聯汽車則是一個軟硬件相耦合的高度復雜智能體。面對后者，當前基于里程的實車測試已落后于產業發展。首先，測試里程長不代表安全性高。簡單來說就是一輛車開一萬公里沒出問題，不代表它開一億公里就不會出問題。其次，大規模實車測試花費巨大，如果要測一億公里，將付出高昂的成本。
因此，若想克服上述難點，必須要加強仿真測試，找出算法問題。由此可見，基于場景的測試評價已成為潛在的解決方案之一。場景是行駛環境的數字化產物，Waymo公司通過仿真構造了大量特異性仿真場景，測試效果等效于實車測試超過200億英里。未來，成功的自動駕駛系統或將主要依賴基于場景的仿真測試，加上少量精心設計的封閉場地和實車道路測試（90%以上仿真，10%實車測試）。
圖：基于場景的智能網聯汽車V型研發測試
針對上述難題的研究當前主要集中于場景定義、場景分類以及場景生成三個領域。場景定義的特征是無限行駛環境的有限映射與參數重組。換言之就是在一個時空場中去定義汽車的行為和運行環境，如一棵樹倒下的場景、行人沖出來的場景、天氣變化的場景等，且上述場景可以交叉同時出現。
場景分類，主要包括典型場景和邊緣場景。其中，典型場景涉及了危險事故場景（如人車事故、車車事故等），自然駕駛場景（如城市、鄉村等），法規標準場景（如ACC、APS等）。與此同時，邊緣場景，即參數重組場景，使用了很多人工智能算法，包括深度學習、強化學習等。前者面向常規功能的測試，而后者則用于測試自動駕駛能力的邊界。
圖：場景分類
此外，在場景生成上，為了更高效地測試，測試人員希望設計的問題場景能一直快速出現。但現在的技術仍存在覆蓋度低下的問題，仿真工作量很大，極大占用計算資源，且現行的技術以規劃控制驗證為主，對真正容易失效的感知算法驗證不足。改進的方法有很多，例如從大量的感知測試數據中分析挖掘出致錯原因及機理，作為知識指導魯棒人工智能算法的設計，不斷提高自動駕駛的安全性。
為此，包括李慧云教授和博士生蔣拯民等的潘毅院士團隊正在構建全鏈條測試工具，其中“自動駕駛算法嵌入于仿真工具中的測試平臺”可加快置入上述復雜場景；整車臺架測試環境，在固定汽車的情況下就能進行道路模擬、天氣模擬、交通場景模擬等，由傳感器向計算機發送信息以進行測試；L4級自動駕駛技術驗證原型車，允許實車道路測試，可用于真實交通數據采集、算法驗證。
