當前智能駕駛汽車算法和解決方案面臨的挑戰(zhàn)如下：

1、能學(xué)習(xí)特定駕駛員和環(huán)境、擁有最少的手工標定和標簽數(shù)據(jù)的車載或者云平臺的實時解決方案；

2、相比較監(jiān)督式學(xué)習(xí)更傾向于無監(jiān)督和半監(jiān)督強化學(xué)習(xí)；

3、包含認知信息和物理模型的混合AI算法；

4、AI算法可解釋、可驗證；

5、擁有魯邦特性并且可以自評估；

6、維護成本低。

下面介紹一些有效的解決方案，每當我們遇到一個復(fù)雜系統(tǒng)時，我們會努力學(xué)習(xí)用一些復(fù)雜函數(shù)去近似這個系統(tǒng)例如神經(jīng)網(wǎng)絡(luò)，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(tǒng)進行組合模擬復(fù)雜系統(tǒng)。

非監(jiān)督的演化聚類算法可以實現(xiàn)實時的學(xué)習(xí)對系統(tǒng)的狀態(tài)空間進行預(yù)測，一個重要的例子是對引擎特性具有自適應(yīng)標定和控制能力的在線空時濾波器。混合馬爾科夫模型對于目的地和路徑的預(yù)測也是非常有效的。神經(jīng)網(wǎng)絡(luò)的可解釋性是近年來的熱點話題，強化學(xué)習(xí)可以使用神經(jīng)網(wǎng)絡(luò)將狀態(tài)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并且時刻解釋的呢？

基于強化學(xué)習(xí)的控制器將狀態(tài)空間映射到行為空間，而使用模糊控制器基于規(guī)則的模型則是一種通用的近似器，通過將強化學(xué)習(xí)Agent仿真為黑盒子動態(tài)系統(tǒng)，它可以被有限級的“if－then”規(guī)則近似和解釋。以強化學(xué)習(xí)車輛跟蹤控制為例，跟車問題基本是是一種自適應(yīng)巡航問題，后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(tǒng)方法中車速控制器基于吉布斯分布、加速度控制器使用智能駕駛模型（Intelligent Driving Model，IDM）建模，福特使用強化學(xué)習(xí)，分別建立速度、加速度以及距離的獎勵函數(shù)，最大化獎勵函數(shù)得到的結(jié)果達到甚至超過傳統(tǒng)方法。

在得到加速度結(jié)果后，他們使用聚類算法以相對速度和相對距離作為輸入，預(yù)測加速度作為輸出，對數(shù)據(jù)進行聚類來近似強化學(xué)習(xí)控制器，強化學(xué)習(xí)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(shù)為各數(shù)據(jù)點到聚類中心距離負值的Softmax函數(shù)。

擬合效果基本達到原始強化學(xué)習(xí)其的性能，但是推理時間從強化學(xué)習(xí)器的0．3ms降低到了非線性組合的0．13ms。最后，對演化系統(tǒng)地總結(jié)如下：

1、使用演化聚類和核�；�的方法講一個復(fù)雜系統(tǒng)實時分解為多個相互重疊的子區(qū)域；

2、實時同步學(xué)習(xí)系統(tǒng)架構(gòu)以及局部子系統(tǒng)的參數(shù)；

3、對具有多個操作模式和多元化行為的系統(tǒng)實時建模；

4、特定的機器學(xué)習(xí)技巧（無監(jiān)督聚類與監(jiān)督學(xué)習(xí)的組合）；

5、反映人類從現(xiàn)實中學(xué)習(xí)、總結(jié)、管理知識的能力。

我們在此提到的演化系統(tǒng)是多個子系統(tǒng)的組合，它的功能非常強大，包含了監(jiān)督學(xué)習(xí)方法和非監(jiān)督學(xué)習(xí)方法，可應(yīng)用在實時的無人駕駛大數(shù)據(jù)處理中。大數(shù)據(jù)、物聯(lián)網(wǎng)以及AI技術(shù)的快速發(fā)展為智能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(yīng)和最小標定以適應(yīng)嵌入式實施的需求也很廣泛，智能汽車的發(fā)展為傳統(tǒng)AI算法的改進提供了新的發(fā)展方向，傳統(tǒng)AI算法應(yīng)與基于規(guī)則的系統(tǒng)、認知知識和基于第一性原理的模型相結(jié)合，此外，認知模型對統(tǒng)計機器學(xué)習(xí)的近似使得傳統(tǒng)機器學(xué)習(xí)算法變得可解釋和性能的可升。

以上就是我的報告，非常感謝大家