無人駕駛的實現(xiàn)主要是通過人工智能技術(shù)，那它在實際中擁有怎樣的特殊呢？下面就來分析。

1、環(huán)境感知，在計算機視覺的領(lǐng)域中，環(huán)境感知是比較受重視的研究，就比如說slam系統(tǒng)，這個系統(tǒng)主要是基于激光雷達的，在目前已經(jīng)可以很好地把地圖實現(xiàn)定位，局部環(huán)境地圖的構(gòu)建。

2、標(biāo)識識別，可以包括車道識別、交通標(biāo)志識別車輛行人識別以及運動的跟蹤，對于它們來說，CNN技術(shù)還是比較好的技術(shù)，并且沒有任何一種技術(shù)可以超過這種技術(shù)，還有標(biāo)識識別決定著無人駕駛行為決策的基礎(chǔ)。

cnn技術(shù)可以非常有效的對激光雷達進行補充，當(dāng)然也可能是由于激光雷達的低像素問題，無法對障礙物進行很好識別。

3、行為決策技術(shù)，這種技術(shù)也可以稱為這種系統(tǒng)，包含了全局的路徑規(guī)劃導(dǎo)航還有局部的避障避險，還有常規(guī)的基于交通規(guī)劃的形式策略，這樣的話，使用的技術(shù)就可以分為三種：

首先一個是基于推理邏輯和規(guī)則的技術(shù)，全局路徑規(guī)劃導(dǎo)航的A*，D＊算法，局部避障的dwa算法，常規(guī)的最優(yōu)控制數(shù)學(xué)辦法，比如說多目標(biāo)的決策，還有基于交通規(guī)則的fsm規(guī)則引擎都是這種技術(shù)。

然后一種就是快速優(yōu)化的遺傳算法，如果擁有多個策略選擇的時候，怎樣選擇最好的目標(biāo)或者是策略，主要是基于線性規(guī)劃或者是動態(tài)規(guī)劃的數(shù)學(xué)辦法在計算速度的緩慢，在大多數(shù)的情況下是不能建?；蛘呤怯嬎懔窟^大而無法計算，這種情況可以依靠的就只有遺傳算法了。

最后一種就是神經(jīng)網(wǎng)絡(luò)技術(shù)，通過這種技術(shù)來對自動駕駛訓(xùn)練師最新的研究熱點，簡單來講就是，讓神經(jīng)網(wǎng)絡(luò)可以像人一樣，可以開車是一個振奮人心的目標(biāo)。

可是由于神經(jīng)網(wǎng)絡(luò)的問題通常不會透明，簡單講就是黑盒系統(tǒng)，是無法解釋的，基于不能說出訓(xùn)練模型中的一個節(jié)點的值為何是0.1，而不是0.5，其實這些都是神經(jīng)網(wǎng)絡(luò)的特點來控制的。還有，通過訓(xùn)練數(shù)據(jù)得出的比較好的模型到已知的環(huán)境中可以不可以發(fā)揮出很好的作用也是不確定的。

無人駕駛系統(tǒng)的設(shè)計也是可以簡單些的，就是可以通過神經(jīng)網(wǎng)絡(luò)對一切進行控制，通常只要使用大量的數(shù)據(jù)進行訓(xùn)練就可以了，如此就可以避免寫復(fù)雜的控制策略算法代碼了，只需要把神經(jīng)網(wǎng)絡(luò)訓(xùn)練好即可，然后經(jīng)過很少的代碼實現(xiàn)運行就行了，可是神經(jīng)網(wǎng)絡(luò)的可解釋性無法決定的時候，只是依靠神經(jīng)網(wǎng)絡(luò)的自動駕駛系統(tǒng)是無法讓人信賴的。

對于這種情況，無人駕駛系統(tǒng)里面的基于推理邏輯的控制策略還是非常重要的，讓基于推理邏輯的白盒子的控制系統(tǒng)與基于神經(jīng)網(wǎng)絡(luò)的黑盒子的控制系統(tǒng)進行共同工作，還是比較可行的方向。

4、車輛控制系統(tǒng)技術(shù)，該技術(shù)擁有老式的pid控制，而在無人車系統(tǒng)中看到神經(jīng)網(wǎng)絡(luò)模糊控制的身影是漸漸變多。

責(zé)任編輯：lq