5G神經(jīng)網(wǎng)絡(luò)在自動駕駛技術(shù)中的應(yīng)用分析

摘要：在汽車自動駕駛技術(shù)中引入5G神經(jīng)網(wǎng)絡(luò)，已經(jīng)成為學(xué)術(shù)領(lǐng)域研究的重點。將5G神經(jīng)網(wǎng)絡(luò)應(yīng)用在汽車環(huán)境感知系統(tǒng)、汽車自主決策系統(tǒng)、汽車運動控制系統(tǒng)中，讓汽車可以自主完成數(shù)據(jù)處理與資源調(diào)度，使人力成本有所降低，而且有助于緩解交通擁堵問題。

關(guān)鍵詞：5G；神經(jīng)網(wǎng)絡(luò)；自動駕駛技術(shù)；技術(shù)應(yīng)用

在城市化進程持續(xù)推進的背景下，道路交通系統(tǒng)面對的運行壓力越來越大，這也讓交通安全事故的發(fā)生概率呈上升趨勢。智能化汽車作為一項新型科技研究成果，在提高道路交通安全系數(shù)與暢通性方面發(fā)揮不可忽視的作用，雖然我國對于此方面的研究還處于初始階段，但提升空間非常廣闊。該領(lǐng)域研究人員可以嘗試基于5G神經(jīng)網(wǎng)絡(luò)，對其在自動駕駛技術(shù)方面的應(yīng)用展開多維度探究，持續(xù)強化自動駕駛技術(shù)的應(yīng)用水平，為汽車行業(yè)的快速穩(wěn)健發(fā)展提供技術(shù)助力。

一、5G神經(jīng)網(wǎng)絡(luò)在汽車環(huán)境感知中的應(yīng)用

（一）激光雷達的交通場景識別

自動駕駛激光雷達是一種利用激光掃描技術(shù)對目標進行定位的雷達，它還能獲取車輛周邊的地形，從而對障礙物進行精確的定位。正如美國Velodyne公司64行的激光雷達，其機械轉(zhuǎn)動的結(jié)構(gòu)可以實時構(gòu)建周邊的三維場景。激光雷達作為一項視覺傳感器，由于顯著的可靠性和精度，使之在汽車自動駕駛領(lǐng)域受到廣泛應(yīng)用。而在空曠的區(qū)域，由于缺少特征點，點云數(shù)據(jù)會過于稀疏，甚至丟失部分點的問題[1]。近年來，諸多研究人員嘗試利用卷積神經(jīng)網(wǎng)絡(luò)對點云聚類實施分類，在實際工程中，利用激光雷達采集目標物體的深度信息，再參照攝像機采集到的圖像信息，利用CNN的多個目標檢測和識別算法進行融合，從而在交通場景中實現(xiàn)對目標的精準定位與分類。這也是使用多個傳感器獲取交通場景中環(huán)境信息的主要原因。

（二）目標檢測

在汽車自動駕駛環(huán)境感知系統(tǒng)中包含諸多識別檢測內(nèi)容，比如可行駛區(qū)域、交通信號燈、交通標志、行人與車輛、車道線等。在傳統(tǒng)的目標檢測方法中，一般都是使用多尺度滑窗的方式進行圖像提取，不僅涉及大量數(shù)據(jù)計算，而且還會生成諸多冗余窗口，不具有很好的魯棒性，目標信息的特征很容易因外部環(huán)境干擾，使得分類準確度和泛化能力有所降低。

在深度學(xué)習(xí)算法提出的背景下，基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測技術(shù)逐漸在工程實踐中得到了廣泛的應(yīng)用，常用檢測算法有R-CNN、FASTER-R CNN、FAST-R CNN等，該方法分為兩個步驟：一是選擇目標區(qū)域，二是進行分類與回歸[2]。后續(xù)基于SSD、YOLO的基礎(chǔ)上，又相繼提出了幾種檢測算法，該方法采用了一種端對端的網(wǎng)絡(luò)結(jié)構(gòu)，可以把檢測對象的問題轉(zhuǎn)換為一個簡單的回歸問題，如此便不需要選擇目標區(qū)域。通過兩種算法的綜合對比，由于后者網(wǎng)絡(luò)結(jié)構(gòu)簡單、計算量與訓(xùn)練數(shù)據(jù)比較少，提高了監(jiān)測的實時性，更適合于真實的路況。

（三）目標跟蹤

跟蹤車輛前方障礙物目標是汽車環(huán)境感知系統(tǒng)中的另一項關(guān)鍵技術(shù)，這些目標有車輛軌跡、非機動車輛軌跡、行人軌跡等。目標追蹤是確保車輛行駛安全的關(guān)鍵技術(shù)，它可以對目標運動軌跡進行有效的預(yù)測，如此一來控制層便可提前做出碰撞預(yù)警，及時變道行駛。根據(jù)目標的數(shù)目，可以將目標追蹤的應(yīng)用分為單一目標追蹤和多目標追蹤，但在現(xiàn)實的交通環(huán)境中，綜合考慮到多個車輛目標前后幀的關(guān)聯(lián)算法，多目標追蹤更具適應(yīng)性。目標跟蹤算法分為生成式（卡爾曼濾波算法、均值漂移算法）與判別式（深度學(xué)習(xí)下的跟蹤算法、相關(guān)濾波算法）兩類，通過對兩種算法的對比，后者對汽車感知系統(tǒng)的魯棒性更強。然而，目標跟蹤技術(shù)現(xiàn)階段也面臨著核心問題，比如光照變化、物體高速移動下產(chǎn)生的圖像模糊、尺度變化等[3]。

（四）場景分割

道路場景的語義分割是汽車自主導(dǎo)航和行為決策的關(guān)鍵技術(shù)，在理解和分析環(huán)境方面具有十分重要的作用。語義劃分是指在像素水平上，根據(jù)行人、車輛、車道線、草地、建筑物等對目標進行分類。場景分割就是對圖像進行語義劃分，有助于實現(xiàn)自動駕駛、構(gòu)建語義實體模型、對周邊環(huán)境的了解、確定行駛路線等[4]。場景分割算法的應(yīng)用具有很大的突破，可以有效地改善車輛行駛的安全性，同時也能夠精準高效地分割道路場景。

二、5G神經(jīng)網(wǎng)絡(luò)在汽車自主決策的應(yīng)用

（一）分解式?jīng)Q策方案

汽車自主決策的分解式?jīng)Q策方案，將決策內(nèi)容拆分為道路場景理解、交通參與者預(yù)測、駕駛行為選擇、局部軌跡規(guī)劃四個問題。其優(yōu)勢是可以自由組合功能與分解任務(wù)，以方便項目的協(xié)同實施。

1.道路場景理解

道路場景理解是汽車自主決策的先決條件。通常情況下，道路場景理解會根據(jù)目前的路況和車流量特征，來判斷車輛行駛需求。道路場景包含諸多內(nèi)容，比如交通流疏密、擁堵特性、交通參與者特性、車輛所處區(qū)域、行駛道路類型、天氣狀況、駕駛員在特定場景下的需求等。道路場景理解模塊以理解結(jié)果作為調(diào)節(jié)其他子模塊超參數(shù)的依據(jù)，比如周車時間范圍的長度/精確度、行為模式的種類和數(shù)量、駕駛行為選擇的標準、軌跡規(guī)劃時間/最小曲線/最短間隔等，從而使自動駕駛程序的性能要求達到平衡[5]。經(jīng)初步研究結(jié)果顯示，在不同駕駛場景下，駕駛員決策分為激進型、中等型和保守型三種決策風(fēng)格，并發(fā)現(xiàn)行為模式轉(zhuǎn)變的頻率與決策方式之間存在較大的相關(guān)性。

2.交通參與者預(yù)測

機動車、行人、非機動車等均屬于交通參與者的預(yù)測主體。本部分研究的重點是，作為道路交通主體的機動車。對周邊機動車進行預(yù)測主要有預(yù)測周車行為模式與運行軌跡兩項作用。周車行為模式預(yù)測也叫意圖識別，主要是用戶判定周車下一步的直行、急停、路口左轉(zhuǎn)與右轉(zhuǎn)、換道等駕駛意圖。周車運行軌跡預(yù)測則是在設(shè)定好駕駛模式后，對當前模式下周邊車輛下一階段的行駛路線展開預(yù)測。行為模式的預(yù)測面臨的困難是，自車傳感器所觀察到的周車信息是有限的、不完全的，并且存在著很大的感知誤差，導(dǎo)致意圖識別的準確率與時效性大幅度降低[6]。目前的主流研究方法是將駕駛意圖作為隱含變量，與隱馬爾可夫模型相結(jié)合，建立基于駕駛數(shù)據(jù)的觀察模型和轉(zhuǎn)移模型，并對每個行為模式的從屬概率展開推斷。目前已有學(xué)者提出將5G神經(jīng)網(wǎng)絡(luò)引入到推斷中，以達到提高準確率的目的。比如有學(xué)者建立了一種新的基于全聯(lián)網(wǎng)的換道行為辨識模型，在非并入行為模式方面準確率高達94%。

預(yù)測行駛軌跡目的是進一步提高精度和預(yù)測距離。在確保物理約束的前提下，按照預(yù)處理的方式進行推算，但是一般不夠精確，而且預(yù)測時間域僅為1s-2s。DNN的引進使系統(tǒng)對參與者的預(yù)測性能得到進一步提高，通過將司機先驗知識、路網(wǎng)地圖和參與者之間的互動模型相結(jié)合，可以更好地了解周車的未來行為特征。比如利用Dual-LSTM技術(shù)，根據(jù)司機的換道意圖，提取了車輛行駛的軌跡與時間特征，并做出長周期預(yù)測，如此便可將汽車在5秒后的側(cè)向預(yù)測誤差控制在0.49 m以內(nèi)。

3.駕駛行為選擇

駕駛行為選擇主要是基于汽車駕駛階段在速度、舒適度、經(jīng)濟性等方面的需求，選擇當前對應(yīng)的行為模式，比如緊急制動、車道保持、路口左轉(zhuǎn)、路口停車等。其困難在于量化的分類與描述駕駛行為，一般做法是通過人工列舉汽車所面對的行為方式，然后根據(jù)這些規(guī)則來選擇特定行為模式，以滿足駕駛需求。不足之處是，行為選擇通常太過保守，無法處理不熟悉場景的情況，僅適合于條件簡單的高速公路。為了降低對規(guī)則的依賴性，可以嘗試把高速公路上的行為決策作為馬爾可夫決策過程來表達，并利用動態(tài)規(guī)劃求取最佳策略。DNN在城市道路、十字路口等復(fù)雜環(huán)境中有著廣闊的應(yīng)用前景[7]。此外，考慮到行為選擇和軌道規(guī)劃之間的耦合關(guān)系，或可基于CL-RRT軌道規(guī)劃算法，將其與3D-CNN網(wǎng)絡(luò)協(xié)同起來，進一步提高行為模式的選取效率。3D-CNN通過將車輛的路徑預(yù)測信息作為輸入，并根據(jù)安全需求，通過CL-RRT算法來選擇最佳行駛路徑和相應(yīng)的行為模式。由于網(wǎng)絡(luò)的加速度子集數(shù)量比人工定義的數(shù)量要少得多，所以這種方法可以有效地改善垂直行為模式的選取效率。

4.局部軌跡規(guī)劃

基于目前的行為選擇結(jié)果實施局部路徑規(guī)劃，計算出符合汽車動力學(xué)和道路網(wǎng)絡(luò)約束的空間時間曲線，為之后的動力學(xué)控制提供有價值的參考路徑。傳統(tǒng)方法主要有最優(yōu)控制與路徑搜索兩種。當前，在深度學(xué)習(xí)中也有一定的應(yīng)用，利用5G神經(jīng)網(wǎng)絡(luò)來增強計算的實時性。比如采用長時間域預(yù)測控制器離線優(yōu)化的方法，對單隱層全連接網(wǎng)絡(luò)進行訓(xùn)練，并將其應(yīng)用于實際車輛，實現(xiàn)參考軌跡的在線輸出，讓計算時效大幅度提升。

（二）端到端的決策方案

分層式架構(gòu)雖然可以實現(xiàn)任務(wù)劃分和良好的協(xié)同工作，但是各模塊間的信息傳輸損耗，使得其在復(fù)雜的城市道路環(huán)境中很難應(yīng)用。而端到端的算法把決策看作是一個黑盒，通過神經(jīng)網(wǎng)絡(luò)來實現(xiàn)傳感器與執(zhí)行機構(gòu)之間的映射。本決策方案共分兩種，即督導(dǎo)式與強化式，前者實質(zhì)上是模擬駕駛員的駕駛數(shù)據(jù)信息，后者通過不斷摸索和嘗試，逐漸提高決策水平。

1.依賴監(jiān)督學(xué)習(xí)的端到端決策

監(jiān)督學(xué)習(xí)實質(zhì)上是模擬優(yōu)秀駕駛員的駕駛行為，以使模型輸出和樣本數(shù)據(jù)之間的偏差最小化，此類端到端決策是在1980年卡內(nèi)基梅隆大學(xué)開始的。采用單隱層全連通網(wǎng)絡(luò)，將單目相機和激光測距儀作為輸入設(shè)備，以方向盤角度作為輸出，通過對1-200個駕駛樣本進行訓(xùn)練，獲得了第一個端對端決策系統(tǒng)[8]。監(jiān)督學(xué)習(xí)端對終端決策的不利之處是，要想覆蓋全部的行駛場景，必須要依靠海量的自然駕駛數(shù)據(jù)信息，然而因為存在長尾效應(yīng)，數(shù)據(jù)需求隨著決策準確度的增加而增加。在訓(xùn)練時，若樣本數(shù)量太小很容易被誤認為是噪聲，進而為稀有場景造成安全隱患。此外，由于無法使用汽車的動力學(xué)模型，因此模態(tài)的遷移性能也較為薄弱。

2.依賴強化學(xué)習(xí)的端到端決策

強化學(xué)習(xí)作為端到端決策方式的一種，有助于減少駕駛數(shù)據(jù)的需求量。該方法以回報函數(shù)為動力，通過對實驗摸索和不斷試錯，實現(xiàn)了對決策網(wǎng)絡(luò)的自動學(xué)習(xí)，使其累計回報達到最大化。與有監(jiān)督學(xué)習(xí)方法相比，此方法不依賴于使用標記的駕駛數(shù)據(jù)信息，所應(yīng)用的數(shù)據(jù)信息基本來源于實驗探索。另外，強化學(xué)習(xí)的端到端決策還可應(yīng)用于智能網(wǎng)聯(lián)汽車中，通過采用確定策略梯度方法，對深度 CNN進行梯度計算，以此來完成決策模型自學(xué)。該方法采用基于 TORCS的虛擬駕駛平臺影像，將垂直加速和方向盤角度作為輸出，達到模擬器環(huán)境的自動駕駛目標。異步A3C算法也具有較強的適用性，具體到實踐中，需要通過多車并行搜索，對云端決策網(wǎng)絡(luò)加以更新，加快決策網(wǎng)絡(luò)的訓(xùn)練速度。強化學(xué)習(xí)的端對端決策方法的弊端：實驗試錯這一過程具有一定的安全隱患，只適合在虛擬模擬環(huán)境中使用，如果將其應(yīng)用于真實的路況中則較為危險。此外，不能采用自然駕駛數(shù)據(jù)和汽車動態(tài)模型，且訓(xùn)練時間過長，不具備較高的遷移能力。

三、5G神經(jīng)網(wǎng)絡(luò)在汽車運動控制中的應(yīng)用

汽車的運動控制分為縱向和橫向兩部分，前者通過調(diào)節(jié)油門和剎車，將車速和車間距離控制在期望值，典型場景有自適應(yīng)巡航、定速巡航。而后者通過調(diào)整方向盤來控制車輛在預(yù)期路線上行駛，典型場景有車道保持、換道超車。在無人駕駛車輛中，其運動控制的優(yōu)劣與車輛的安全、舒適和穩(wěn)定性息息相關(guān)。目前，汽車的運動控制系統(tǒng)主要是以汽車動力學(xué)模型為基礎(chǔ)的，其算法包含線性二次型穩(wěn)定器（LQR）和模型預(yù)測控制（MPC）。曾有研究人員設(shè)計了一種多目標自適應(yīng)巡航控制算法，它能有效地協(xié)調(diào)跟車誤差、燃油消耗、乘坐舒適度，而且該算法能夠滿足實時運算需求。此外，還根據(jù)智能駕車的人機共駕功能，把車輛的側(cè)向軌跡追蹤作為開環(huán)優(yōu)化問題，通過機械法有效防止了二次型規(guī)劃問題的數(shù)值解，從而使駕駛仿真系統(tǒng)得到了實時的驗證。除去單車控制外，智能網(wǎng)聯(lián)車輛協(xié)同控制也是目前的重點研究領(lǐng)域，研究結(jié)果顯示，最優(yōu)控制法有助于增加異質(zhì)隊伍的穩(wěn)定性；ADMM的多車輛并行控制功能顯著。

近年來，已有一些學(xué)者紛紛對神經(jīng)網(wǎng)絡(luò)控制車輛運動展開研究。其成果如下：汽車橫向控制劃分為兩個子任務(wù)，即位置追蹤與角度追蹤，利用兩個完全連通的網(wǎng)絡(luò)，將軌道跟蹤與角的誤差與轉(zhuǎn)向角進行映射，并對兩個網(wǎng)絡(luò)進行相加，便可得出轉(zhuǎn)向角的輸出；依托單隱層徑向基網(wǎng)對汽車運動實施縱向控制，以Lyapunov理論為依據(jù)，對閉環(huán)系統(tǒng)的穩(wěn)定性展開多維度分析，以此來確保跟蹤誤差一致的收斂性。

需要特別強調(diào)的一點是，基于5G神經(jīng)網(wǎng)絡(luò)的汽車控制系統(tǒng)具有不涉及汽車動力學(xué)模型的優(yōu)勢，但目前還沒有成熟的穩(wěn)定性分析方法，其性能并不比已有的預(yù)測控制算法更具應(yīng)用優(yōu)勢，特別是自動駕駛對于代碼安全性與解釋性有極高要求，這也成為限制神經(jīng)網(wǎng)絡(luò)在汽車應(yīng)用中的主要因素。

四、結(jié)束語

綜上所述，5G神經(jīng)網(wǎng)絡(luò)在汽車自動駕駛技術(shù)中的應(yīng)用主要體現(xiàn)在環(huán)境感知、汽車自主決策、汽車運動控制等方面。經(jīng)過多方實踐研究結(jié)果顯示，5G神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)識別物體流程、激光雷達技術(shù)的基礎(chǔ)上加以應(yīng)用，一方面可以顯著提升技術(shù)水平，另一方面可以有效滿足道路交通系統(tǒng)的現(xiàn)實發(fā)展需求。

作者單位：張英娟 山西信息規(guī)劃設(shè)計院有限公司

參" 考" 文" 獻

[1]李愛娟，鞏春鵬，黃欣，等. 自動駕駛汽車目標檢測方法綜述[J]. 山東交通學(xué)院學(xué)報，2022，30（03）：20-29.

[2]周淑娟. 汽車自動駕駛技術(shù)存在的問題及優(yōu)化路徑探討[J]. 農(nóng)機使用與維修，2022（05）：51-53.

[3]陳穎. 自動駕駛技術(shù)研究現(xiàn)狀及發(fā)展趨勢[J]. 能源技術(shù)與管理，2021，46（03）：34-37.

[4]雷先華，戴安妮，陳宇奇. 自動駕駛技術(shù)避障策略及新技術(shù)的融合[J]. 汽車與駕駛維修（維修版），2020，（09）：46-48.

[5]張德標. 汽車自動駕駛技術(shù)及未來發(fā)展趨勢[J]. 南方農(nóng)機，2020，51（10）：194.

[6]全永華，白羽. 基于5G通信的車聯(lián)網(wǎng)自動駕駛關(guān)鍵技術(shù)[J]. 計算機產(chǎn)品與流通，2020（02）：161.

[7]李升波，關(guān)陽，侯廉，等. 深度神經(jīng)網(wǎng)絡(luò)的關(guān)鍵技術(shù)及其在自動駕駛領(lǐng)域的應(yīng)用[J]. 汽車安全與節(jié)能學(xué)報，2019，10（02）：119-145.

[8]朱文龍. 探析我國汽車自動駕駛技術(shù)的現(xiàn)狀與發(fā)展趨勢[J]. 科技風(fēng)，2019（01）：90.

張英娟（1989.02-），女，漢族，山西夏縣，本科，中級工程師，研究方向：5G無線通信。