利用人工智能优化高级驾驶辅助系统 (ADAS)

凌 晨时分，一条高速公路上。旭日初升，车流如织。一辆轿车正在中间车道行驶，忽然驶入右侧车道，紧跟在一辆低平板低平板拖车的后方。这辆拖车上装载着一辆倒着停放的车辆，车头朝后。轿车的摄像头传感器误将装载的车辆识别为迎面而来的对向车辆，触发紧急制动系统准备介入。这类交通状况虽然极为罕见，但却并非不可能发生。因此，高级驾驶辅助系统 (ADAS) 必须针对这些稀有情景进行反复训练，以做到未雨绸缪、防患未然。

保时捷工程集团人工智能和大数据部门的项目负责人阿尔森·萨戈扬 (Arsen Sagoian) 表示：“像这种车辆运输的情况，正是典型的罕见场景。”罕见情景是指那些不同寻常且并不常见的交通情景。这其中还包括高速公路上偶尔出现的行人或自行车骑行者、因积雪覆盖而无法识别的车道边界，或者因道路状况特殊导致系统难以辨识清晰车道的情况。

为了精益求精、持续改进，开发工程师们必须不断通过罕见场景对驾驶辅助系统进行训练，使其应对更加从容、滴水不漏。问题的关键在于：在通常情况下，从技术角度来看，普通驾驶视频记录的大多数场景千篇一律、相似度极高，对高级驾驶辅助系统 (ADAS) 的优化贡献有限。而随着时间推移，罕见场景的数据库逐渐丰富，新试驾中遇到的异常场景也就愈发稀少。在这样的背景下，挑战在于如何以事半功倍的方式，从海量记录中发现尚未涉及的罕见场景，这就如同大海捞针，极为费时费力。若采用人工方式从视频数据中逐一查找，则因时间漫长、成本高昂，无法实现规模化应用。

自动编码器是一种特殊的神经网络 (NN)，它能逐步压缩输入数据，以还原其基本特征。它们首先通过编码器的神经网络：神经网络由若干层组成，其节点（人工神经元）越往后会越来越少。这意味着输入数据被不断压缩——这一过程在瓶颈处达到顶峰，“潜向量”便在此产生。在这里，输入数据的特征是一系列“潜值”（见下文）。在随后的解码器中，神经网络的节点数量会逐层增加，直至最后达到原始数量。这样，就可以根据例如人脸的基本特征对其进行识别。

变异自动编码器 (VAE) 的前身是自动编码器。它主要用于生成与训练数据分布相似的新数据点。与自动编码器不同，VAE 是通过将输入数据的平均值和标准偏差作为潜值，对输入数据的基本特征进行编码，这种编码是统计性的，而不是像自动编码器那样是确定性的。在驾驶场景中，VAE 用于学习驾驶的一般和特殊情况。然后，它将这些向量压缩成一千个潜向量，这些向量共同构成了潜空间。软件会对其进行分析，以绘制出潜空间内的潜向量密度地图。向量多的区域密度高，代表频繁发生的驾驶动作。相比之下，向量较少的偏远区域则被认为是代表罕见场景的有趣区域。

在“基于人工智能的罕见场景检测”项目中，保时捷工程集团巧妙运用人工智能方法，通过分析视频数据或预处理后的传感器数据和总线信号的时间序列，自动识别那些弥足珍贵的异常场景。其中，变分自动编码器 (Variational Autoencoder, VAE) 技术可在试驾过程中对视频及时间序列数据进行深入分析，迅速捕捉相关情况及其持续时间和发生时间（请见信息框)。这种技术迄今为止主要应用于人脸识别，而将其引入 ADAS 优化领域，堪称别出心裁。作为一种非监督学习方法，VAE 不仅降低了训练数据的生成难度，还凭借其运行时间短的优势，可直接嵌入车辆内部运行。这样一来，它只会记录与驾驶辅助相关的重要数据，避免了无关紧要的冗余信息。

通过人工智能筛选出的罕见场景，将作为新的测试情景被转交至负责例如车道识别等功能的开发团队。“例如，有一次系统在罕见场景下误将一段积雪边缘识别为车道边界。”CARIAD 驾驶功能验证、验证与数据分析技术主管丹尼尔·斯利特 (Daniel Slieter) 解释道：“这就导致车辆横向引导不够顺畅，存在舒适性隐患。”在空间深度分析中，系统会突出显示“主动车道偏离警告” (Active Lane Departure Warning, ALDW) 中与雪地边缘相关的关键数据点。这些数据点反映了典型的罕见场景。开发团队据此可量体裁衣，精准优化，调整车道保持辅助功能，从而确保系统在类似条件下不再因雪地边缘干扰而束手无策。

在搜索此类情景的效率上，人工智能技高一筹，远胜人工。它只需要短短几分钟，就能完成对大约 10,000 公里驾驶数据的分析，并发现其中大约五个罕见场景。算法的质量和设置的阈值在此过程中举足轻重，直接影响结果的精度和效率。由于引入了人工智能技术，试驾数据的人工分析量被压缩至微乎其微。阿尔森·萨戈扬指出：“相较于人工处理，我们借助人工智能节省了超过 99% 的人工工作时间, 并且这种效率提升呈现出指数级增长的趋势。这一突破使得工程师们能够更加专注于核心功能的研发。”

目前，所有驾驶过程中记录的数据都需要上传至云端进行统一分析。但未来的方向将更加灵活高效。斯利特进一步解释说：“我们的罕见场景检测技术具备直接在车辆行驶期间实时执行的潜力。因为我们采用的是一套性能优异的小型神经网络，可实现高效计算。如果实现此目标，未来就只需要将检测到的罕见场景上传至云端，而无需上传大批量的原始数据，这将大幅减少数据传输量。”

新方法的另一个优势在于：通过不断分析数据，人工智能不仅变得愈加精益求精，还能够得出更为深远的结论。其基础就是所谓的潜空间 (Latent Space)——这是一个抽象无形的空间，人工智能在其中对数据进行深度挖掘，依照预设模板和参考图像进行匹配，从而不断自我完（请见信息框）。借助潜空间，开发人员能够一目了然地识别出不同国家在罕见场景分布上的相似性。与此同时，还能够根据新数据点与已知罕见场景的相似度，推断出是否已收集到足够数量的数据点，以确保验证结果的稳健可靠。“总的来说，可以这样理解，VAE 系统通过精准扫描图像，而潜空间则确保这些图像能被正确分析和精确评估。”斯利特说道。

这种方法的高效能正在全球范围内进行测试，并已取得了显著进展。“这一技术使我们能够识别出各种不同类型的罕见场景，并洞察其结果在不同国家之间的迁移适应性。”萨戈扬表示。该系统已在瑞典和芬兰发现了特别多罕见场景，这主要源于雪天等极端天气条件造成的特殊交通状况。然而，值得注意的是，在这些国家，车辆与动物在道路上相遇也显得尤为常见，成为了额外的挑战。

本文首次发表于《保时捷工程杂志》2024年第2期。

文字：Claudius Lüder

版权：本文中发布的所有图片、视频和音频文件均版权保护。未经保时捷工程书面许可，不得部分或全部复制。欲了解更多信息，请联系我们。

您有问题或想了解更多信息吗？请联系我们：info@porsche-engineering.de