《中国人工智能学会通讯》——2.3 智能驾驶汽车的发展概况

简介: 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第2章,第2.3节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。

2.3 智能驾驶汽车的发展概况

当前世界各国都非常重视对自主驾驶汽车的研究,发展了许多实验性的自主驾驶系统[1] ,美国国防部高级研究计划局 (DARPA) 先后举办了三次无人驾驶车辆的“大挑战”(Grand Challenge)比赛[2] 。其中 2004 年和 2005 年举办的两次越野环境挑战赛,重点测试了自主驾驶汽车在越野环境的感知与规划控制能力;2007 年的城市挑战赛(UrbanChallenge),强调自主驾驶汽车在复杂城市环境中的适应能力。作为长距离自主驾驶实验的代表,意大利帕尔玛大学 VisLab 实验室研制的无人驾驶电动汽车在2010年7月从意大利出发,经过莫斯科、西伯利亚,最终在 2010 年 10 月底到达中国上海,全程 13 000 公里。此次实验距离很长,但无人车前方需要有一辆人工驾驶的引导车。

进入 21 世纪,美国、欧洲、日本等国的著名汽车厂商都非常重视汽车智能驾驶技术的研究,自主驾驶汽车已经被作为新一代汽车产业革命的主要突破点。2013 年,奔驰汽车公司的自主驾驶汽车完成了从曼海姆到普福尔茨海姆的城市和城际道路的自主驾驶试验,行驶距离约 100 公里。2015 年3 月,美国 Delphi 公司用 9 天时间完成了从旧金山到纽约的自主驾驶试验,行程约3 400英里。近年来,Google、Apple 等信息领域的高新技术企业也加入到无人驾驶汽车关键技术研发的队伍中,并且进展迅速。2012 年 5 月,谷歌在内华达州获得了美国首个无人驾驶汽车测试许可证。美国政府已在内华达、加利福尼亚、佛罗里达及密歇根州四个州为无人驾驶汽车发放了公路试验牌照。欧洲方面,英国、西班牙等国也已经允许无人驾驶汽车上路测试。

我国的汽车智能驾驶技术研究始于 20 世纪 80年代末,近年来也取得了快速的发展。在“八五”和“九五”期间,由南京理工大学、国防科技大学、浙江大学、清华大学等联合研制了“ATB-1”和“ATB-2”两台自主驾驶实验车。2008 年以来,在国家自然科学基金“视听觉信息的认知计算”重大研究计划支持下,国防科技大学、南京理工大学、北京理工大学、西安交通大学、军事交通学院、中科院合肥物质科学研究院、清华大学、同济大学、上海交通大学等院校在自主驾驶技术方面取得系列研究进展。在高速公路自主驾驶方面,2000 年国防科技大学研制的 CIT-AVT-IV 自主驾驶汽车实现了 75.6 km/h 的高速公路自主驾驶。2003 年 6 月,国防科技大学研制成功面向结构化道路的红旗自主驾驶轿车,该车在正常交通状况下,高速公路最高稳定自主驾驶速度为 130 km/h,最高峰值自主驾驶速度为 170 km/h,并具备超车功能。2011 年 7 月,国防科技大学在国家自然科学基金“视听觉信息的认知计算”重大研究计划支持下,完成了国内首次长距离高速公路自主驾驶实验,全程 286km,人工干预比为 0.7%。2012 年 7 月,军事交通学院研制的 JJUV-3 实验车完成从天津到北京的城际高速公路自主驾驶实验,具备跟车行驶、自主超车能力。

目前,汽车自主驾驶技术的研发在取得快速进步的同时,仍然存在较大的困难和挑战。一方面,智能驾驶汽车对于复杂环境和复杂交通场景的建模与理解能力存在不足,距离人类驾驶员尚有明显差距。另一方面,现有的智能驾驶汽车还难以实现在不确定环境和动态变化场景条件下的优化决策与智能控制,其自适应和学习能力还有待提高。基于人机交互和人机智能协同技术,将人类驾驶员的智能与自主驾驶系统的机器智能进行融合,实现人类驾驶员与自主驾驶系统之间的优势互补,将为上述问题提供一种有效解决途径。

相关文章
|
机器学习/深度学习 人工智能 自然语言处理
人工智能与未来教育:探索智能教学的新纪元
【10月更文挑战第16天】 在21世纪这个信息爆炸的时代,技术革新正以惊人的速度改变着我们的生活和工作方式。其中,人工智能(AI)作为引领变革的先锋力量,不仅重塑了工业、医疗、金融等多个行业的面貌,也正悄然渗透进教育领域,预示着一场关于学习与教学方式的革命。本文旨在探讨人工智能如何为未来教育带来前所未有的机遇与挑战,从个性化学习路径的定制到教育资源的优化分配,再到教师角色的转变,我们一同展望一个更加智能、高效且包容的教育新纪元。
|
9月前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能:有多少人工,才能有多少智能?
当下AI大模型的能力,特别是Agent领域,到底离不开多少“人工”的加持?本文将结合我的实际经验,深入探讨高质量数据与有效评价体系在Agent发展中的决定性作用,并通过编码Agent、Web Agent和GUI Agent的成熟度分析,揭示AI智能体发展面临的挑战与机遇。
348 89
|
6月前
|
机器学习/深度学习 人工智能 供应链
决策智能是新的人工智能平台吗?
决策智能融合数据、决策与行动,通过AI与自动化技术提升企业决策质量与效率,支持从辅助到自动化的多级决策模式,推动业务敏捷性与价值转化。
|
9月前
|
机器学习/深度学习 人工智能 自动驾驶
人机融合智能 | 以人为中心的人工智能伦理体系
本章探讨“以人为中心”的人工智能伦理体系,分析人工智能伦理与传统伦理学的关系、主要分支内容及核心原则。随着人工智能技术快速发展,其在推动社会进步的同时也引发了隐私、公平、责任等伦理问题。文章指出,人工智能伦理需融入传统伦理框架,并构建适应智能技术发展的新型伦理规范体系,以确保技术发展符合人类价值观和利益。
413 4
|
9月前
|
机器学习/深度学习 人工智能 算法
人机融合智能 | 以人为中心人工智能新理念
本文探讨了“以人为中心的人工智能”(HCAI)理念,强调将人的需求、价值和能力置于AI设计与开发的核心。HCAI旨在确保AI技术服务于人类,增强而非取代人类能力,避免潜在危害。文章分析了AI的双刃剑效应及其社会挑战,并提出了HCAI的设计目标与实施路径,涵盖技术、用户和伦理三大维度。通过系统化方法,HCAI可推动AI的安全与可持续发展,为国内外相关研究提供重要参考。
666 3
|
传感器 数据采集 机器学习/深度学习
人工智能与环境保护:智能监测与治理的新策略
【9月更文挑战第21天】人工智能在环境保护中的应用,为智能监测与治理提供了新的策略和方法。通过实时数据采集与分析、智能预警与应急响应、精准化决策支持等技术的应用,AI正在引领一场革命性的变革。未来,随着技术的不断发展和应用场景的拓展,AI将在环境保护中发挥更加重要的作用,助力我们构建更加绿色、可持续的未来。让我们携手共进,共同迎接一个更加美好的明天。
|
8月前
|
机器学习/深度学习 人工智能 自然语言处理
人机融合智能 | 数据与知识双驱动式人工智能
本章系统介绍了数据驱动、知识驱动及双驱动人工智能的理论与应用。数据驱动方法依赖大数据和深度学习,在图像识别、自然语言处理等领域取得突破,但面临标注成本高、可解释性差等问题。知识驱动方法通过知识表示与推理提升系统理解能力,却在泛化性和适应性上受限。为弥补单一范式的不足,数据与知识双驱动融合两者优势,致力于构建更智能、可解释且安全可靠的AI系统,兼顾伦理与隐私保护。文章还回顾了AI发展历程,从早期神经网络到当前大规模语言模型(如GPT、BERT)的技术演进,深入解析了各类机器学习与深度学习模型的核心原理与应用场景,展望未来AI发展的潜力与挑战。
543 0
|
11月前
|
数据采集 机器学习/深度学习 人工智能
数据驱动智能,智能优化数据——大数据与人工智能的双向赋能
数据驱动智能,智能优化数据——大数据与人工智能的双向赋能
688 4
|
11月前
|
数据采集 人工智能 缓存
深挖“全栈智算”之力 中兴通讯开启AI普惠新纪元
深挖“全栈智算”之力 中兴通讯开启AI普惠新纪元
308 1
|
机器学习/深度学习 人工智能 运维
人工智能在云计算中的运维优化:智能化的新时代
人工智能在云计算中的运维优化:智能化的新时代
1166 49