科创中国

行业领域

高新技术改造传统产业

需求背景

自主决策能力是自动驾驶汽车智能性的核心体现。目前，高速公路和封闭场景的自动驾驶技术蓬勃发展，已经实现了商业化。面向城市道路的高级别自动驾驶成为汽车企业和驾驶方案供应商的关键发力点。城市交通环境的高度动态性、随机性以及复杂性对自动驾驶的决策系统提出了更高要求。当前，规则型决策仍是自动驾驶汽车的主要智能化方案，有限状态机和决策树即为其中的典型代表。该类方法需要事先定义所有的驾驶行为，并制定行为之间的切换规则，可读性高，能清楚表达状态间的逻辑关系。然而受限于工程设计人员的知识局限，规则型方案难以覆盖所有的城市驾驶工况，不能满足高级别智能汽车应对混杂动态场景的功能需求。这是自动驾驶领域赖以突破的共性瓶颈技术。

需解决的主要技术难题

1. 地图数据处理和场景识别：学习型智能汽车需要能够准确地识别城市交通场景，包括道路、交通标志、交通信号灯等，从而能够做出正确的决策。这需要解决地图数据的处理和场景识别的技术难题。

2. 多模态感知和融合：城市交通场景中存在多种感知信息，如图像、激光雷达、GPS等。学习型智能汽车需要能够将这些不同的感知信息进行融合，从而得到更准确、全面的场景认知。这需要解决多模态感知和融合的技术难题。

3. 高效的路径规划和决策：学习型智能汽车需要能够根据当前的交通场景和目标，快速、准确地做出路径规划和决策。这需要解决高效的路径规划和决策的技术难题。

4. 交通流预测和优化：学习型智能汽车需要能够准确地预测交通流量和交通状况，从而能够选择最优的路径和决策。这需要解决交通流预测和优化的技术难题。

5. 与其他交通参与者的协同与合作：学习型智能汽车需要能够与其他交通参与者进行协同与合作，如与其他车辆进行车队行驶、与交通信号灯进行通信等。这需要解决与其他交通参与者的协同与合作的技术难题。

6. 安全性和可靠性保障：学习型智能汽车需要能够保障行驶过程的安全性和可靠性，包括避免碰撞、应对突发情况等。这需要解决安全性和可靠性保障的技术难题。

7. 道德和伦理问题：学习型智能汽车在决策过程中可能面临道德和伦理问题，如在紧急情况下如何做出决策、如何平衡不同交通参与者的利益等。这需要解决道德和伦理问题的技术难题。

期望实现的主要技术目标

（1）考虑动态交通参与者交互式博弈的决策方案：与高速公路场景相比，城市道路结构复杂多变，标识不规则且交通流密度大，各交通参与者之间的行为随机性强，存在抢行、加塞等博弈交互行为。现有预测模型通常只针对单个交通参与者建立，难以支持城市道路的自动驾驶汽车决策。如何在现有预测模型基础上进一步刻画自车与周围交通参与者的博弈交互特性，并通过风险优化确保自车能够应对行人、车辆等的不确定性行为，是实现智能汽车安全行驶的前提。

（2）融合先验环境模型和真实驾驶数据的学习算法：单纯的数据驱动型学习方案对驾驶数据的利用效率低，导致强化学习算法的收敛速度慢，且容易陷入局部最优，致使自动驾驶汽车丧失自我学习能力。如何充分利用环境模型的先验信息以及真实驾驶数据的后验信息，建立一套既能高效探索未知场景，又能在线实时训练的强化学习算法，是实现智能汽车自主决策能力的关键。

（3）适用于车载平台的神经网络剪枝压缩方法：当前神经网络的参数规模达到百万量级以上，而车载计算平台受功耗及成本限制，算力相对低，导致网络计算效率难以满足车规级标准的实时要求。开发适用于自动驾驶任务的神经网络结构化剪枝技术，通过动态量化和结构剪枝实现网络模型的压缩，有望降低在线推理的计算复杂度，并大幅降低部署难度与应用成本。

处理进度