面向无人驾驶应用的人工智能创新实验设计

0 引 言

人工智能，简称AI（artificial intelligence），是计算机科学的一个重要分支，研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术^[1]。自2015年5月国务院印发《中国制造2025》以来，中国密集出台了大量人工智能政策，特别是2017年7月，国务院印发《新一代人工智能发展规划》，将发展人工智能上升为国家意志^[2]。2018年4月，教育部印发《高等学校人工智能创新行动计划》，引导高等学校瞄准世界科技前沿，不断提高人工智能领域科技创新、人才培养和国际合作交流等能力，为我国新一代人工智能发展提供战略支撑^[3]。人工智能的研究内容包括专家系统、语音识别、自然语言处理、图像识别和机器人等。其中，机器人是人工智能的实际载体^[4]，是人工智能技术合适的应用平台。移动机器人是一种重要的机器人类型，集环境感知、高精度定位、动态决策与规划、行为控制与执行等多功能于一体，应用范围非常广泛，不仅在农业、工业、医疗、服务等行业中得到应用，而且在城市安全、反恐、国防和空间探测领域等危险与有害场合也得到了较好的应用。无人驾驶汽车是一种特殊的轮式移动机器人，是目前学术界和产业界热门的人工智能技术应用领域之一。无人驾驶涉及的感知、定位、决策、规划和控制等也是机器人导航具有代表性的共性关键技术。目前，深度学习、卡尔曼滤波、贝叶斯网络、马尔科夫决策过程、A*算法等人工智能的方法已在无人驾驶关键技术中得到广泛应用，面向无人驾驶应用设计人工智能创新实验具有很强的可行性。

面向无人驾驶应用的人工智能创新实验具备如下3点重要意义：第一，让抽象的人工智能理论落到实际应用之中，有效加深学生对算法的理解。人工智能涉及多学科的交叉应用，算法理论往往比较抽象，需要学生具备优秀的数学基础和较强的逻辑思维与推理能力，这就造成大部分学生在学习中难以理解其中的关键点。实验课程将人工智能算法应用于无人驾驶的感知、定位、决策、规划和控制之中，在真实平台上对算法进行验证，学生不再被动地接受理论灌输，而是主动参与算法在平台上的实践，既提高了学生的动手能力，又加深了学生对算法的理解。其次，课程内容与时俱进，包括最新的科研成果。深度学习、深度强化学习等技术是目前学术领域的研究热点，课程将基于深度学习的目标检测和基于深度强化学习的控制作为课程实验内容，把这些最新的科研成果融入课堂，让学生了解科技前沿，从而有效激发学生的科研兴趣。第三，提高学生发现问题、解决问题的能力，增强小组协作能力。实验分组进行，学生在实施过程中会自然而然地产生各种各样的工程问题，比如，同样的算法，为什么在自己小组的实验平台上效果没有别的小组的好？是传感器安装位置造成的还是传感器固定方式造成的？是传感器标定没有做好吗？此时就需要小组讨论，各抒己见，这个过程将有效提高学生发现问题、解决问题的能力，增强小组协作能力。

1 国内外人工智能实验

1.1 国外人工智能实验

目前国外人工智能教学仍以理论为主，人工智能课程实验没有开设单独的实验课程，以课后作业的形式交由学生自行完成，具体作业内容见表1。第一，实验内容只是经典算法的编程实现，全部在计算机完成，没有实际应用场景；第二，作业内容以传统智能算法为主，未明确指出深度学习、深度强化学习等新型算法。由于国外学生具备较强的综合素质和良好的科研基础条件，可以在课外主动发挥创造性的研究，因此教师只需给出人工智能基础研究方向，学生便可独立寻找人工智能的应用点，达到良好的锻炼。

1.2 国内人工智能实验

华北电力大学、中南大学、哈尔滨工业大学、中山大学等国内众多高校都开设了专门的人工智能实验课程，课程内容见表2。可以看出，国内实验课内容以计算机编程实现传统算法为主，没有实际应用场景，缺乏最新的人工智能算法。由于国内学生缺乏主动研究和开创性思维的素质，在实验课具体内容的设置上有很多的可扩展空间，应更多倾向于近两年新提出的人工智能算法以及全球共性的热点研究问题与方向。面向本科生的教学可简化理论推导和专项数学知识的补充，以具体产业应用为基点，将抽象的人工智能理论和算法变为可视化、立体、真实的实践教学，从而提高我国学生的综合素质。

2 人工智能创新实验设计

2.1 实验总体设计

实验硬件需求包括履带式移动平台一台，最高行驶速度限制在10km/h，配有工控机、伺服控制器，可线性控制，此外，还需要摄像头、GNSS基准站、GNSS移动站、IMU、三维激光雷达等传感器。硬件平台整体设计见图1。

实验将人工智能方法综合应用到履带式移动平台的感知、定位、决策、规划、控制之中。基于履带式移动平台，面向无人驾驶关键技术，实验课程设计见表3。

2.2 感知与定位设计

感知是无人驾驶中的关键性和基础性问题，感知结果作为决策规划的重要依据，对决策规划效果影响显著。摄像头成本低廉，是适合进行环境感知的传感器之一，实验设计了基于深度学习的目标检测，通过摄像头完成对道路场景中常见的行人和车辆的检测识别，使学生充分领略深度学习的效果。基于深度学习的目标检测算法Faster R-CNN[14]是一种基于候选框的目标检测算法。与传统方法不同，Faster R-CNN算法将候选框生成、特征提取与目标分类和目标位置精修统一到同一框架之中，实现了端到端的训练和预测。

在无人驾驶定位技术中，RTK-GNSS定位技术可实时获得厘米级定位精度，是适合无人驾驶应用的定位技术之一，该方法在地形测绘、工程放样等领域也有广泛应用。方法通过实时计算基准站和移动站之间的载波相位测量差值求解定位坐标。其中，基准站将实时采集的载波相位测量值和接收的GNSS卫星定位信号发送给移动站，移动站实时采集GNSS观测数据，同时接收来自基准站的数据，在系统内组成差分观测值进行实时处理，计算出厘米级定位结果。

2.3 决策与规划设计

在无人驾驶中，决策通常指行为决策，是指在获取了感知与定位信息之后，根据当前的驾驶态势，生成无人车的行驶策略。简而言之，行为决策需要结合交通规则、周边物体和路由寻径的意图，输出宏观的行为层面决策指令供下游的规划模块执行。其具体的指令集合设计则需要和下游的规划模块达成一致。马尔科夫决策过程是近年常用的AI决策算法，方法假设决策过程满足马尔可夫性，即当前的决策只与当前状态有关，而与之前的状态无关。考虑驾驶员改变车辆行驶状态的交通现象发生服从一定的概率分布，以行驶时间最短和平均行驶速度最快为目标对决策系统建模。

在规划实验设计中，主要应用了A*算法，该算法是Dijkstra算法的扩展，是路径规划中的经典人工智能方法，虽然其路径规划有时并不是最优路径，但规划效率极高。A*算法既考虑了当前搜索节点与终点（目标点）的距离，又考虑了初始节点与当前节点的距离，将两者的求和作为优化指导，减少了搜索空间。其中用于估算当前节点与最终节点之间距离的启发式函数与真实路径的长度越接近，算法搜索效率越高。

2.4 控制设计

为了实现无人驾驶汽车，要解决的底层问题就是车辆的控制问题。汽车控制通常分为速度控制和方向控制，传统的控制方法主要有PID控制、模糊控制、滚动优化等。深度强化学习是无人驾驶控制中近几年提出的新方法。将深度学习与传统强化学习结合，使用深度神经网络对多种传感器采集的信息进行特征提取，构造评估函数，在错误中不断积累经验，提升控制策略。控制实验设计中，课程引入深度强化学习。

3 成果应用与成效

目前，实验课程已经在吉林大学以创新性实验的形式开展了4期，吸引了计算机、软件、电子、自动化等多个专业总计204名学生的参与。学生被划分成3~6人的小组，鼓励跨专业组队。课程考核分为课堂表现和实验效果，分别占40%和60%。通过对完成课程的学生进行调查，得出以下结论：

（1）课程生动有趣，将抽象的理论变为实际应用，实验成功时，学生获得了巨大的满足感和成就感，激发了学生对科学研究的兴趣。课程结束之后，多位学生表示，以后有从事相关研究的意愿。

（2）实验课程提高了学生的动手能力，在课程实践中发现了很多书本上学不到的问题，通过实践课程总结出了新的发现问题解决问题的方法，实验课程后，学生在处理问题时考虑得更加全面，通过小组成员之间的合作，学生的团队协作能力有了明显的提高。

4 结 语

针对传统人工智能实验课偏向理论的编程实现、缺乏实际应用的问题，笔者开创性地设计了一种面向无人驾驶应用的工智能创新实验，基于履带式移动平台，将人工智能应用到无人驾驶的感知、定位、决策、规划和控制等关键技术之中。通过实践教学获得了3项成果：第一，将抽象的人工智能理论落地到实际应用，提升了学生对人工智能本质理解的程度；第二，课程内容紧密围绕全球最新科研成果，开阔了学生的视野，提高了学生对人工智能研发的兴趣，带动了学生对后续课程、知识的主动学习与探索热情；第三，实验课程涉及大量工程实施，增强了学生的动手能力，提升了学生发现问题、解决问题的能力以及团队协作能力。从实践效果来看，课程设计新颖有趣，取得了较好的教学效果，对提高教学质量、培养创新型人才有重要意义。

基金项目：国家自然科学基金项目（61602206）。

第一作者简介：王刚，男，副教授，研究方向为人工智能、机器人，[e-mail]。

参考文献：

[1] 周婧, 王晓楠. 人工智能时代信息技术教学模式探究[J]. 计算机教育, 2017(12): 109-112.

[2] 中华人民共和国中央人民政府. 国务院关于印发新一代人工智能发展规划的通知[EB/OL]. (2017-07-20)[2018-05-24]. http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[3] 中华人民共和国教育部. 教育部关于印发《高等学校人工智能创新行动计划》的通知[EB/OL]. [2018-05-26].http://www.moe.gov.cn/srcsite/A16/s7062/201804/t20180410_332722.html.

[4] 李德毅. 人工智能在奔跑 教育的机遇与挑战: 在“北京联合大学智能机器人产学研合作与人才培养创新发展研讨会暨机器人学院成立大会”上的报告[J]. 北京联合大学学报(自然科学版), 2016, 30(3): 1-4.

[5] Stanford University.CS221: Artificial intelligence: Principles and techniques [EB/OL].[2018-04-30].https://web.stanford.edu/class/cs221/.

[6] Carnegie Mellon University. Artificial intelligence: Representation and problem solving [EB/OL].[2018-04-30].http://www.cs.cmu.edu/~15381/.

[7] Massachusetts Institute of Technology. Artificial intelligence [EB/OL]. [2018-04-30]. https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-034-artificial-intelligence-fall-2010/index.htm.

[8] University of California Berkeley.CS188 Intro to AI —Course materials [EB/OL]. [2018-04-30]. http://ai.berkeley.edu/course_schedule.html.

[9] Princeton University.Machine learning and artificial intelligence[EB/OL].[2018-04-30]. https://www.cs.princeton.edu/courses/archive/fall16/cos402/.

[10] Cornell University.CS 4701 - Practicum in artificial intelligence [EB/OL]. [2018-04-30]. http://www.cs.cornell.edu/courses/cs4701/2017fa/projects-sugg-a_v2.html.

[11] Michigan State University.EECS 492: Intro to artificial intelligence [EB/OL]. [2018-04-30].https://web.eecs.umich.edu/~kuipers/teaching/eecs492-F11.html.

[12] University of Washington.CSE 473: Introduction to artificial intelligence[EB/OL]. [2018-04-30].https://courses.cs.washington.edu/courses/cse473/17sp/.

[13] Tokura H, Kubo N. Efficient satellite selection method for instantaneous RTK-GNSS in challenging environments[J].Transactions of the Japan Society for Aeronautical & Space Sciences, 2017, 60(4): 221-229.

[14] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Trans Pattern Anal Mach Intell, 2017, 39(6): 1137-1149.

（完）

更多精彩：