AI能否应用于自动驾驶规控领域？

AI通常用于为高级自动驾驶的车辆提供感知能力。但AI也能帮助自动驾驶汽车（AV）在规划和控制方面做出更安全的决策吗？任何习惯于基于控制理论的确定性算法的人都很难被说服。但Infineon提出了一个激进的反驳，并一直在与汽车行业的利益相关者就其安全问题进行辩论。

AI安全吗？AI驱动的汽车可靠吗？它们能被验证吗？

这些都是向高级自动驾驶车辆的开发人员提出的好问题。

随着先进的神经网络在计算机视觉方面得到良好发展，在AV上使用AI已经成为一种公认的规范。不过，这仍然是一个信任的问题。

Infineon的嵌入式AI和自动驾驶专家Florian Hauer表示，AI可以帮助机器感知它所看到的东西（行人、信号灯、自行车……），并获得对环境获的“非常高级的抽象理解”，从而知道如何在该环境中采取行动。

在自动驾驶的计算链中，这些最初的步骤被称为感知和场景理解。它们是为高级自动驾驶车辆规控系统做准备的两个基本模块。

计算机视觉在前两个模块中起着关键作用。Hauer说：“你已经在使用AI作为主要解决方案。在感知和场景理解方面，我认为没有人会回到深度学习技术之前。”

然而，他补充说，AI在规控中却“很少或几乎不使用”。

Hauer说：“通过轨迹规划，车辆可以在接下来的1-5秒内绘制出它必须走的路径，以执行某些操作，如在信号灯前停车或变道。在轨迹控制中，规划的路径在道路上被执行。车辆决定向左或向右行驶。它可以选择在时间和空间中移动的速度，以及何时应该加速或减速。”

为了执行涉及规控制的安全关键计算，今天的高级自动驾驶车辆使用成熟的确定性算法，该算法基于由业内专家在40多年间开发的控制理论。Tier1和OEM对经典算法有着“共同的理解”，对安全的定义也达成了一致。到目前为止，汽车生态系统中的大多数参与者还没有考虑过使用AI进行规控。

Infineon正在打破这一模式，建议业界应用AI来增强用于规控的确定性算法。Hauer说，目标不是取代经典算法，而是提高它们的安全性、可靠性和效率。

Infineon在推进嵌入式AI的安全性方面有既得利益，其最新的Auriz MCU具有嵌入式AI能力。但它提出的使用AI进行规控的建议目前只是一个假设。Hauer承认首先需要回答安全问题，而将AI应用于规控中“安全意味着什么”是一个“不能由单个公司回答”的复杂问题。

因此，Infineon迫切希望在利益相关者之间建立“共识”。该公司来到TTTech成立的汽车行业合作论坛The Autonomous，分享其假设，与主要参与者合作，并领导一个关于嵌入式AI安全性的工作组讨论。

动机

是什么促使Infineon建议将AI应用于高级自动驾驶的规控？为什么这对汽车行业如此重要？

该公司系统架构和应用高级负责人Jürgen Schäfer表示，答案可以归结为高级自动驾驶车辆达到量产所需的“成本和能效”。

许多人认为如今的AV设计过度。在Schäfer的观点中，“今天的AV原型的利润率可以降低”。出于安全考虑，AV公司复制计算链，在独立的信号处理链上运行两种算法，使用的不是一个而是一组控制器。考虑到现实驾驶的不确定性，系统可能很难应对意外。因此，工程师们觉得在AV系统中设计一个广泛的安全冗余更舒服，Schäfer观察到，冗余被认为可以增强安全性。

Schäfer说，虽然在先进的架构中冗余被认为是必要的，但AV公司最终推出了成本过高的AV原型，部署了“消耗2000W的电子控制系统”，并“使用液冷单元，这进一步增加了成本，使系统不可靠”。

使用机器学习算法可以帮助系统设计者避免过度设计。他说：“最终，机器学习算法是唯一能从数学上预测未来的算法。通过机器学习算法，你可以说，例如，基于系统和环境在过去20秒的表现，（这就是）下一秒可能发生的事。”

在尝试以线性方向预测未来时，你可以查看系统环境并谨慎地进行，但是你仍然可能遇到阻碍系统反应能力的紧急情况。Schäfer表示，以“随机方式”预测未来的机器学习算法，通过一个涉及随机确定的事件序列的过程，有望更好地避免这种僵局。

安全用例

为AI在规控中的应用建立一个安全用例并不简单。Hauer承认，在行业发展到这一步之前，许多过程都会发挥作用。

他说，首先，将AI整合到规控中会影响开发过程的不同阶段。必须确定和分析相关的开发步骤，以确定它们对系统其余部分的影响。

接下来要考虑的是数据。数据是否具有代表性？它是有意义的吗？Hauer说：“在收集数据以处理极端情况时，我们需要了解神经网络是否被正确训练或过度拟合，或者它是否学习了正确的东西。”

Hauer指出，理解使用AI的影响和“副作用”是一回事，考虑它的“设计含义”是另一回事。“例如，我们能否为AI构建一个安全包装？如果系统检测到AI的建议不可取，我们能否构建一个经典的算法来介入？”

为了建立安全论点，Hauer说，Infineon的策略是“使用一些非常具体的、特定的用例，看看我们是否可以降低风险”，简单地告诉工程师“在规划中使用AI太抽象且对任何人都没有帮助，所以我们正在开发一些具体的规控示例”。

他重申，目标是降低风险。“我们想要深入到技术层面，实际观察这些例子，看看哪些是问题实例，以及我们如何使它们安全。”在这样做的过程中，“我们制定或派生一个‘解决方案类型’”。

Hauer说，标准化并不是The Autonomous的工作小组的目标。相反，该小组计划提供一个参考解决方案，其中可能包括算法建议和最佳实践。

使用哪种神经网络？

应用于计算机视觉的神经网络有着很长的历史。但什么样的神经网络将被用于规控呢？

Hauer回答说：“我们不会更换整个模块。相反，我们正在增强它。因此，我们可以在哪里以及如何进行增强，有很多选择。”

他指出，单就规划而言，“你有一堆不同类别的解决方案，而每一类都有大量不同的技术来运用它们。而对于每一种技术，你都有大量的选择，如何用AI来增强它。”

换句话说，没有一个单一的、标准的网络可以完成这项工作。

Hauer补充说，一个重要的说明是，计算机视觉和规控执行两种完全不同的工作。计算机视觉提供检测、分类和分割。为了增强规划，必须执行的任务是回归和预测。回归使用一种统计方法，试图确定一个因变量和一系列其他变量之间关系的强度和特征。这为预测接下来发生的事奠定了基础。

因此，在计算机视觉和规控中使用的网络类型是不同的。后者会小得多，因为规划只是想知道下一步是什么样子。

Hauer说，在解决预测问题时，最有价值的结构是众所周知的拓扑结构，如循环神经网络。他描述了一种被称为LSTM（long short-term memory）的特定网络类型，它模拟了大脑的工作方式。当你第一次看到某物时，你会把它放入你的短期记忆中，并试图理解它的来源和含义。如果理解了，那么这个物体或经历就会进入长期记忆。其基本思想是，要预测一个结果，你需要足够的历史来理解上下文。

相比之下，MLP（multilayer perceptron）是原始的神经网络结构。它是一个前馈人工神经网络，从一组输入生成一组输出。Schäfer说，MLP是在1960年左右发展起来的，而LSTM在1998年才首次发表，从数学角度来看是非常新的神经网络。

时间表

该公司的嵌入式AI安全工作组今年开始工作。根据Hauer的说法，该工作组的时间表为18个月，目标是在2024年发表技术论文或技术报告。

Infineon认为，嵌入式AI控制器，如Aurix MCU，可以在包括高级自动驾驶车辆在内的应用中提供低延迟、低处理功耗的解决方案来解决复杂问题。为了获得车厂的支持，Infineon必须建立一个安全用例论证，将AI应用于AV的规控等任务，可以降低安全风险。为此，它需要来自行业利益相关者的合作。