Ford Displays 'Smart Cars' That Prevent Accidents
 |
5 月 7 日在對岸中國科學院自動化研究所舉辦。本期講座邀請到美國福特公司創新與研發中心技術研究員 Dimitar Filev 博士做題為「 Intelligent vehicle systems for smart mobility 」的報告。
報告聚焦人工智慧技術在福特智慧汽車系統中的應用，重點介紹機器學習、決策方法以及算法，在福特產品的生產過程中的應用，包括機器學習應用於車輛診斷和校準、駕駛建模和車輛個性化，燃油經濟性優化和自動駕駛。
報告還討論了，在車輛控制和資訊系統中，整合人工智能技術的經驗教訓、正在進行的研究，以及作為智慧移動應用建構模塊的未來趨勢。
報告還討論了，在車輛控制和資訊系統中，整合人工智能技術的經驗教訓、正在進行的研究，以及作為智慧移動應用建構模塊的未來趨勢。
Dimitar Filev 博士現任美國國家工程院院士、福特研究創新與研發中心技術研究員，主要進行計算智慧、人工智慧和智慧控制的研究，以及它們在自動駕駛、車輛系統，和汽車工程中的應用。發表學術論文 200 餘篇，14000 餘次引用的會議論文，擁有美國專利 100 多項。
2008 年獲 IEEE SMC 協會諾伯特·維納獎，2015 年獲 IEEE CIS 協會先鋒獎。他獲於 1979 年在捷克理工大學（Czech Technical University）獲得電氣工程博士學位。
目前是 IEEE 會士和美國國家工程院院士。曾於 2016 年－2017年擔任 IEEE 系統、人與控制論學會（IEEE Systems， Man， ＆ Cybernetics Society）主席。
2008 年獲 IEEE SMC 協會諾伯特·維納獎，2015 年獲 IEEE CIS 協會先鋒獎。他獲於 1979 年在捷克理工大學（Czech Technical University）獲得電氣工程博士學位。
目前是 IEEE 會士和美國國家工程院院士。曾於 2016 年－2017年擔任 IEEE 系統、人與控制論學會（IEEE Systems， Man， ＆ Cybernetics Society）主席。
內容：
早上好，我的名字是 Dimitar Filev 非常感謝王教授的精彩介紹，我跟他共同在 IEEE ，以及一些團體工作多年。但是我們從沒有正式合作過，但我認為現在是個好機會，因為我們現在在北京有研究中心，我們可以建立專業的合作，我本人非常期待。非常高興今天能再次與你們進行分享。
福特在汽車工業領域擁有悠久的歷史，生產了許多汽車和卡車。福特不僅僅是汽車生產商，也是一家科技創新公司，我們在全球範圍內，擁有多家研究和先進工程中心，分別在墨爾本、南京、慕尼黑等等。
這是我們主要的四個研究領域，第一個集中於動力系統（Propulsion），為車輛提供動力，包括汽油引擎、柴油引擎、能量管理以及傳動；第二部分是汽車研究與技術（Vehicle Research and Technology），由被動安全、材料＆輕量化、車架內外部和底盤等組成；第三部分是控制（Control），主要是駕駛輔助、自動駕駛車輛以及車輛動態和控制；最後是電子（Electrical），Compute單元專注於用戶體驗、電子以及資訊安全。
福特的「研究＆先進工程組織」由兩名亨利福特技術 Fellow 領銜，擁有 20 名高級技術領導、數百名技術專家，其中 34％ 具有博士學位，分別位於密西根的 Dearborn、德國的Aachen、加州的 Palo Alto三個中心。
福特是世界上第一個，將神經網路，應用到阿斯頓馬丁的汽車點火失敗檢測中去的，點火失敗會導致燃燒不充分，後來將這個方法，應用到了福特的V10引擎。
大概在二十年前，人們不相信 AI 能提供任何效果，如今是 AI 發展的好時機。湧現出了像 Github、Tensorflow 等這樣的好的資源，這些開源的人人都可以用，Arxiv上也有成千上萬的論文可供閱讀。
大概在二十年前，人們不相信 AI 能提供任何效果，如今是 AI 發展的好時機。湧現出了像 Github、Tensorflow 等這樣的好的資源，這些開源的人人都可以用，Arxiv上也有成千上萬的論文可供閱讀。
AI 的進步和汽車的改變，是推動智慧系統，部署在車輛上的主要的驅動力。車輛產生的數據，從過去的每小時 0.5 GB到後來的 25 GB 再到現在無人駕駛車輛的 1.7 TB。
如此大量的數據，如何即時的進行擬合，以及合理利用，是個重要的話題，車輛已經成為了大數據源和移動計算平台，設備製造商（OEMs），和交通系統都在發生著改變。
傳統的車輛已經具備很好的動力總成系統、底盤系統、空調系統和娛樂系統，同時車輛具備一些智慧駕駛輔助系統，例如ABS、車身動態穩定系統、尋跡系統等。
傳統的車輛已經具備很好的動力總成系統、底盤系統、空調系統和娛樂系統，同時車輛具備一些智慧駕駛輔助系統，例如ABS、車身動態穩定系統、尋跡系統等。
這些系統已經非常智慧，但我們在此基礎上，設計了智慧使用者介面，讓車輛更加客製化，以適應不同的使用者。虛擬駕駛系統與交通移動雲連接，控制著車輛。因此，客製化和智慧化是自動駕駛車輛發展的兩個方向。
接下來討論幾個駕駛汽車中的應用，以及福特在自動駕駛中的研究。在汽車控制中有自動動力系統控制、自動轉向控制，和半自主懸架系統，這些不同的系統，經過標定可以實現舒適、常規和運動，三種模式之間的切換。
車輛模式的選擇共有27中組合，讓駕駛員在這之間進行選擇，是一件困難的事，而智慧系統則可以基於道路特點，和駕駛員的反應選擇最優的模式，這也是客製化的一個方面。
另一個重要的應用，是智慧巡航控制，它基於速度曲線，尋找最優的巡航速度設置點，來達到最優化燃油消耗的目標。
另一個重要的應用，是智慧巡航控制，它基於速度曲線，尋找最優的巡航速度設置點，來達到最優化燃油消耗的目標。
透過對數位地圖的分析、交通標誌的辨識、道路幾何形狀的辨識系統，能夠為駕駛者建議最優的加減速、檔位，提供最高效的駕駛模式選擇。
此外，分析駕駛員的行為，由此生成評估報告、根據車輛在不同時間頻繁的行車、停車的記錄，可以估計出下一個目的地。
福特在自動駕駛領域的佈置和發展，包括投資了 Argo AI ，以及成立了自動駕駛子公司AV LLC，這兩家由福特所有的獨立實體計劃，在2021年前完成研發並投入生產。
福特研究自動駕駛，採用的是分層級的方法，層級從反射級 Reflexive 到深思級 Reflective。反射級指的是當人們在駕駛時，不需要思考，而下意識作出的一些舉動，Reflective 則是完全相反的，比如人在高速駕駛的時候，會不斷地思考獲取最佳的決策。
分層級方法有三個層級，Decision Making 曾屬於高層規劃，基於強化學習、博弈論方法；稍低一個層級的 Path Planning，主要完成避障等場景；沿著規定好的軌跡行駛，則是由最後的 Path Following 層級使用模型預測控制完成。
Path Planning 部分使用的是 Q 強化學習方法，強化學習透過最大化累計收益函數，Q 函數來獲得最佳決策，此處狀態為車輛本身，以及相鄰車輛的即時的橫向和縱向位置，行為是車道保持、巡航速度增減，以及左右換道。
仿真器用來訓練神經網路擬合決策 Q 函數，該算法提供了狀態到行動的映射，得到的是貝爾曼方程的即時解。
仿真器用來訓練神經網路擬合決策 Q 函數，該算法提供了狀態到行動的映射，得到的是貝爾曼方程的即時解。
強化學習近些年變得很火熱，尤其是谷歌的 Deepmind 推出了Alpha Go 取得了成功，他們提出了 Deep Q Learning（DQN），現在幾乎成了強化學習的標準。在DQN算法中，我們建立了⋯⋯
一個人工目標於是得到：
Y 與 Q 的差值，可模擬監督學習中的預測值，與標籤的差值，由此得到的時域差，用來更新網路得到最優值。在此基礎上，Deepmind 提出了三個主要的改進，形成了 Double DQN，首先是提出適合多層神經網路的Q函數；第二他們提出一個採樣任意的 Minibatch 的方式，處理訓練網路的數據；第三個則是他們提出了兩個 Q 函數，分別為當前 Q 函數，和目標 Q 函數來更新網路，這些改進使得強化學習更加穩定。
然而，當福特直接使用這些方法，是發現訓練神經網路經常容易失敗，並且訓練速度很慢。因此他們加入了一些常識性的規則，當發現行為不安全時，將安全的行為加入網路，對碰撞的判別，會混合到採樣隨機 Minibatch 中，用於網路的更新，最終結果取得顯著性效果。
在強化學習中，應該不僅僅依賴於對數據，這些短期性的經驗的學習，一些常識性的長期經驗規則的使用也很重要。
當前智慧駕駛汽車算法，和解決方案面臨的挑戰如下：
1、能學習特定駕駛員和環境、擁有最少的手工標定和標籤數據的車載或者雲平台的實時解決方案；
2、相比較監督式學習，更傾向於無監督和半監督強化學習；
3、包含認知資訊和實體模型的混合 AI 算法；
4、AI 算法可解釋、可驗證；
5、擁有加強特性，並且可以自評估；
6、維護成本低。
下面介紹一些有效的解決方案，每當我們遇到一個複雜系統時，我們會努力學習用一些複雜函數，去近似這個系統，例如神經網 路，這是其中一種方法。另一種方法使用許多簡單的小的子系統，進行組合模擬複雜系統。
非監督的演化聚類算法，可以實現即時的學習，對系統的狀態空間進行預測，一個重要的例子，是對引擎特性具有自適應標定，和控制能力的在線上空時濾波器。
混合馬爾科夫模型，對於目的地和路徑的預測，也是非常有效的。神經網路的可解釋性，是近年來的熱點話題，強化學習可以使用神經網路，將狀態空間映射到行為空間，這是個非線性映射。
這種非線性映射，可不可以使用其他的映射，來近似並且時刻解釋的呢？
基於強化學習的控制器，將狀態空間映射到行為空間，而使用模糊控制器，基於規則的模型，則是一種通用的近似器，透過將強化學習 Agent 仿真，為黑盒子動態系統，它可以被有限級的「if－then」規則近似和解釋。
以強化學習車輛跟蹤控制為例，跟車問題，基本是是一種自適應巡航問題，後車需要保持與前車的安全距離、控制好各自的車速以及加速度，傳統方法中車速控制器，基於吉布斯分布、加速度控制器使用智慧駕駛模型（Intelligent Driving Model，IDM）建模，福特使用強化學習，分別建立速度、加速度，以及距離的獎勵函數，最大化獎勵函數得到的結果，達到甚至超過傳統方法。
在得到加速度結果後，他們使用聚類算法，以相對速度和相對距離作為輸入，預測加速度作為輸出，對數據進行聚類，來近似強化學習控制器，強化學習器被近似為可解釋的 PI 控制器的非線性組合的形式，組合系數為各數據點，到聚類中心距離負值的 Softmax 函數。
擬合效果基本達到原始強化學習其的性能，但是推理時間從強化學習器的 0.3ms，降低到了非線性組合的 0.13 ms。最後，對演化系統地總結如下：
1、使用演化聚類和核粒化的方法，講一個複雜系統，即時分解為多個相互重疊的子區域；
2、即時同步學習系統架構，以及局部子系統的參數；
3、對具有多個操作模式，和多元化行為的系統即時建模；
4、特定的機器學習技巧（無監督聚類與監督學習的組合）；
5、反映人類從現實中學習、總結、管理知識的能力。
我們在此提到的演化系統是多個子系統的組合，它的功能非常強大，包含了監督學習方法和非監督學習方法，可應用在即時的無人駕駛大數據處理中。
大數據、物聯網以及 AI 技術的快速發展，為智慧汽車提供了更多的解決方案，AI 算法則需要具備更多的人性化、自適應，和最小標定，以適應嵌入式實施的需求也很廣泛，智慧汽車的發展，為傳統 AI 算法的改進，提供了新的發展方向，傳統 AI 算法，應與基於規則的系統、認知知識，和基於第一性原理的模型相結合，此外，認知模型對統計機器學習的近似，使得傳統機器學習算法，變得可解釋和性能的可升。
沒有留言:
張貼留言