迈向L5级自动驾驶汽车的发展原则 - 副本.docx

一、引言近年来，自动驾驶汽车的自动化程度正逐渐提高，并引发对更高程度自动化水平的追求。自主性可以定义为一个智能化的系统在系统自身及其环境的不确定性下实现特定任务的能力。在实现特定任务过程中，通常也可认为，系统自身在无/少干扰情况下对于不确定性处理能力越强，其自动化程度越高。目前对于自动驾驶汽车自动化程度的衡量标准多样，而汽车工业界通常采用汽车工程师协会（SAEInternationaI）定义的从0级（完全手动）到5级（完全自主）的6级分级标准。现有SAE对于1.1.1.5级自动驾驶的定义可以理解为:对于1.l级别自动驾驶，可以完成在一个维度（横向或纵向）的驾驶任务；1.2级别自动驾驶可以同时自动进行多维度辅助（如加减速和转向）；1.3级别自动驾驶车辆在特定环境中可以实现自动加减速和转向，无需驾驶人干预；在1.4级别自动驾驶中，在限定条件下如果车辆当前处于自动驾驶状态，则全程无需驾驶者接管方向盘；1.5级别自动驾驶车辆可以在任何条件、任何场景下自动行驶，车辆的自动化系统完全替代了人类驾驶员，车辆达到完全自动化。在1.1.1.5级自动驾驶发展过程中，动态性、随机性和多样化的交通参与者,耦合化、时变化、复杂化的交通环境，以及非结构化、模糊不明甚至不合理的道路基础设施都是实现自动驾驶的潜在挑战。三大主要挑战可以概括为：多场景叠加，如城市闹区等多交通场景叠加情况等；非理想环境适应，如动态变化的天气与路况条件等；交通状态不确定，如随机突发的紧急事件等潜在难题。因此，为实现更高等级的自动驾驶，需要提出一套有效的自动驾驶汽车研发思路，让高等级自动驾驶汽车具备在考虑其他道路使用者的意愿和决策机制的前提下，对交通环境中的风险程度进行估计、判断和预测，规划具体的驾驶策略和轨迹，实现智能车辆在复杂的不确定环境中的安全可靠的高等级自动驾驶。驾驶过程中人为失误导致的交通事故比例已经超过90%,包括驾驶人在感知、认知、推理与决策各阶段自身的局限性。应用自动驾驶技术，逐步提高车辆驾驶的智能化水平，是解决交通安全问题的根本途径。许多自动驾驶制造商都制定了各自研究路线，推动自动驾驶技术发展。目前主流自动驾驶技术路线有：“渐进演化路线。从先进驾驶人辅助系统(ADAS)产品开始生产并逐步研发到无人驾驶阶段，大部分传统车企和零部件企业一般采用这种相对保守的路线。革命性路线。一开始就研发1.4或者1.5级自动驾驶，如谷歌、福特、通用(GM)、MOmenta等公司。特斯拉”路线。在搭载自动驾驶系统硬件的汽车上，首先应用辅助自动驾驶功能，不断积累测试数据，通过软件升级完善自动驾驶统，最终实现无人驾驶。但现有的技术路线在实施过程中都遇到了类似难题：自动驾驶汽车会违反交通规则，频繁制动，牺牲乘客舒适性，对交通造成负面影响；安全算法考虑因素不足，难以准确判别行车危险程度；智能汽车在复杂环境陷入困境后，综合判断能力欠缺，易导致决策冲突等。这些难题带来了在现实行车过程中出现的一系列自动驾驶不合理现象：路遇行人不停车“一次跨越多个车道“路遇车辆频繁制动“左转时犹豫、起停等问题，同时也造成了多起自动驾驶事故。例如，2016年，特斯拉MOdelS电动汽车在途经十字路口的时候，撞上了一辆正在左转的卡车；2017年，自动驾驶汽车Waym。在测试时，发生了追尾事故；2018年，Uber自动驾驶测试车因系统无法准确识别人行横道以外的行人而造成事故。虽然各研究机构的研究路线有所侧重，但针对高等级自动驾驶汽车的研发思路主要是基于场景和任务驱动来进行特定场景下的具体功能开发。这一思路对于1.11.3级的驾驶辅助系统开发有一定指导作用，可以在特定场景下完成指定功能;而1.31.4级自动驾驶属于任务驱动，因此能够实现在限定条件下人机协同共驾。而对于1.5级自动驾驶，场景驱动可能会带来多类场景叠加难题，使得1.5级自动驾驶汽车会为了能够适应这一功能而陷入困境；任务驱动则会导致自动驾驶时多任务冲突，难以让1.5级自动驾驶汽车无条件地自由行驶。例如，交通参与者（车辆、行人、骑行者）对交通规则的遵循意识观念不强；行驶环境的道路结构和交通设施都存在不合理、老旧不清晰等问题。这些特殊化的交通参与者行为和行车环境都大大增加了现有基于场景或任务驱动的研发思路的应用挑战。由此可见，1.5级自动驾驶汽车需要实现超越驾驶人的性能，全方位提高汽车行驶性能，从学习驾驶人的驾驶方式到适应驾驶人驾驶模式再到超越驾驶人驾驶局限。目前仍鲜有从一种全新的“系统、统一、均衡的角度出发，探索高等级自动驾驶系统背后的物理机制，揭示驾驶本质的研发范式。因此针对现有方法的局限性，本文突破传统研发自动驾驶思想，采用推理演绎方式，提出大脑-小脑-器官协调平衡框架，探索“自主学习+先验知识的研究范式。通过开展开拓性研究，旨在实现自动驾驶汽车“自学习、自适应、自超越特性，为1.5级自动驾驶汽车的开发提供新的研究思路和途径。二、现有研发框架的局限性分析现有的自动驾驶汽车的常用开发思路是将整个系统划分为独立的层和功能。例如，智能车辆首先通过感知层感知驾驶环境参数，识别目标类型。然后通过情景评估，提高对驾驶行为意图等驾驶环境的了解，并估计和预测未来的驾驶风险程度，评估其他道路使用者的风险水平，正确认识环境。最后，自动驾驶汽车通过决策和执行控制系统完成行为和路径规划，从而实现驾驶操作任务。具体来说，现有与基于场景和任务驱动的研发思路对应的自动驾驶汽车的开发途径主要分为感知-决策-控制这一分层自动驾驶框架和端到端的整体学习框架。（一）“感知决策控制分层框架分析在目前的自动驾驶系统中，感知系统、决策系统、控制系统、执行系统多依赖功能叠加式的设计方案进行独立设计开发。当自动驾驶汽车在向更高等级发展的过程中，就需要提供更高等级的功能，而现有的研究框架通常在原有系统基础上，直接叠加新的系统，进行功能集成，产生新的功能。这种"结构分层设计，功能叠加产生的集成架构相对简单，容易实现，在智能驾驶系统发展的初级阶段发挥了重要作用。然而，随着智能汽车的等级逐渐提高，功能需求不断增多，子系统不断集成，系统结构愈发复杂，各系统功能与结构存在相互的耦合与重叠,易造成结构配置冗余、资源利用率不高和系统成本增加等问题。特别地，目前在分层式框架中，在决策过程中常采用基于规则的方法。该方法能够有效实现1.21.4级的决策过程,是一种有效针对特定场景和具体任务驱动的自动驾驶模式的方法。该方法的代表性方法包括有限状态机等,其规则直观、可读性较好、易实现，在简单的场景中，适用性比较好。而这类方法的明显缺点是缺乏概括未知情况的能力，这使其很难被扩展到实际驾驶中，尤其是针对高等级自动驾驶。在分层框架中，具体各子系统的特点和存在的不足如表1所示。表I"感知-决策-控制”分层框架特点SystemMetlwxlGMuCtE51心1.imM4donsPercepbonSinsle-iensorperceptionConsiderthephysicdprincipleanddatatypeofe*s<nsor1.imitedpefcep(u*PeTfOnnJnCCJndurgispecifics<efMioi116oorperceptionPCffornUnceincomplexenvirfmmuNosns>etypeofSCMoftocvefallscctwncKPcTCC内OnSimuIunetMisIocaiizMionandmapping(S1.AM)syftm:buildmaptMcdontensor&QinVirtudenvironmtrtVebkie(0(VefytNM(V2×):<o1labo<Miv'ecr<rp(onS1.AM:denseJndcomplexcompuut>of;Uilindramaticallyctungngroodconditions;stro11>ydepend0<1theac(MyofIheinputperceptiondauV2X:EyontheIMrJafVaUrrrr4Mfor11ut>on;requireh<hcommunicationPeffornMnCOandhighrdMbilityDynJmirrJfACwillSCrIOUSIyaffectQheaccuracyandreal-timerobustnessatPCnitioninNoUnifOfmsundMdforinfrM(ructuredeploymentMultipleXnSOrfusionRealizetheCompIemenQryJdvancj¢eofmultipleSrmor3FusionperceptionofsevereWeMherJndIIXhQchAneisUnreIiabkSenSOrdauismpfe.Inconsisxcm.ndbctero9encous117Nofusonao11thmtoSimuItAncomIydedwithfmltipkcensordauPrOHCImAreliableSeMOrCauhdecetonandisolationInethOdstillneedstobeaddedto(ScmIwithsensorUilureDecisionHierarchicalde<iMn-BkinfI8DividedintothreeIeveb:situMx>nAssessmentbehavior<Se<iMon.indmotionPUnIMMConsiderlimitedinterjctivcy.uncerunty,orexplosionDifYIcuhyinmeeting(hedriversEPCctJItomWithoutconsideringtheimMCtof!unitedperceptionandcontrolabilityDependentondautoJ(UPttohigh*dynamicJndrandomredQQmCMefMriM1.imitedselMeamnt4bilrtyIttndef)itsdecision-nukingperformanceinahglevelautopilot1.owcomU(io<MHncievxy(0Jpply(0hiedAVsEnd<oenddecisionmaking119Basedonmachinelearning,thevchco<MrolinformationKSdirectlyoutputfrom(heinputofenvironmentPerrePioninfbmuonSvnpIcJpplKJtionSCelun09Uncleardecisionmechanism1.imitedgenerjva<onJbilwyOtmultipleucnesUckofCOnSideTJtiOnfthem(erxtiobetween(Nffkpi11ipan<»Mj»ivcandCompctbrnsvrdmneedtobeCoIkCMdindvjfe(orQrJmintTheUmnterpreubilitynukesitafreatuncertaintyintheapplication<JdVJnCedJUtonuticdrivingControlUterjlcontrolTheVehideUter4controlismhzedby20mearnci3<Up(ivccontrol.KJmfIofkcontrol,slidingmodecomrol.etc.TraditionalcontrolmethodskHtoSOlYC(beproblemof11uUiobje0(vecontrolo(AVsHigh-levelAVirwrdtoItnpfowtheM<c(ynde<Hiencyofoveralltr4lkKherthancontrolinsneledirection1.onptudifulCOMrd2lMultiob)cctveCOOprrjdYrcontrol22ThevchkleIonWuduUlcon<roiismltzedWmeans“ncrewntlprop<xon-mtegrMK)n-di11mntMt)n(MD)control,j<Up(ivccruisecontrol,etc.CombinedwithIeuminsInCtho<h(teMdeeprrtnforcrmcntIZmmg工muldvehkCOOPerMmcontrolCdnbere加Eforcomplexscenarioscon0dc1111tmultiobiectThecontroleffectissensitive(0themodelingac<uryCtuNengrsinWtVghtgh-dmcns*o<uinonlinearJrulysisRealizeintelligentAdjuMmentofPrnOfMlizCdIMnlmetEandJChleVrmultiobjective<oihbovj<ivecontrolwhilepoorreal-timePeflOnTUfKrOCerSIncomplexsceneshcSUbdityandconvergenceofthemodelcannotbe工aranHComplexSCeneSrequiremanyCOmPUgfgnSinCO(MroiprocessHowtoObUlntheoptimalsolutionOfdywmicmult>obiccivccontrolforhi9hkvdAVs;optimizetheoperationper1(x11uncracomplexCondEOm:Jndobunthereal-time,robust,andop<uaicontrolremits（二）端到端学习框架分析目前很多创新公司或研究机构都在研究并推广，结合深度学习与增强学习的方法在自动驾驶领域进行端到端的训练。端到端的学习方法可以直接将传感器输入端的信息导出，然后输入车辆底层控制器中（刹车、油门、转向等）进行输出。对于现有采用端到端的学习框架，其不断探索、学习的属性能够让自动驾驶汽车实现“自适应、自学习这一过程。然而由于端到端框架的中间环节的隐藏特性，最终导致在实际交通场景中，在面对未知不确定的情境时会出现“学习内容不明确、学习方向不可控、学习策略不相关等问题。由于端到端中间过程的黑箱问题会带来透明性不高的问题，导致所对应的功能和策略与预期不相符的程度会增加。同时，由于学习类方法背后潜在的物理机制不明晰，导致开发高等级自动驾驶车辆存在许多潜在风险。此外，由于未能深刻揭示模型背后的物理机制所造成的可解释性问题，将成为阻碍学习类方法进一步发展应用的瓶颈。而具体的问题如难以与规则结合计算成本过高、硬件要求高样本不够多、完整性不足，高训练成本等也进一步让端到端学习在实际应用过程中受阻。因此，仅靠端到端的探索或现有的分层式框架，无法有效应对这些非正常情况。复杂的交通场景通常具备这些不确定、不可测、非常规的元素。如果高等级自动驾驶汽车按照目前的单一功能、特定场景、任务驱使的发展趋势，将无法有效处理交通不正常的情况。针对特定场景与单一交通环境的传统研发方法，不能全面反映驾驶人在真实交通环境中的决策操控能力，很难为开发高等级智能汽车的拟人化驾驶算法提供指导依据。三、1.4级与1.5级自动驾驶的差异性（一）1.5级自动驾驶目标根据已有的定义，1.5级和1.4级之间存在本质区别，1.4级可以实现高度智能的无人驾驶，但其限定条件使得1.4级只能在尽量覆盖各种场景的前提下趋近于人类驾驶行为，无法实现100%的实用化和1.5级下的无条件普适性要求。而根据SAE分级标准，在目前的自动驾驶等级分级中，1.4与1.5级别的自动驾驶汽车的区别在于运行设计域（ODD）,1.4级的自动驾驶汽车只能在给定工况范围内运行，而1.5级则是可以在符合道德规范的任意工况下运行。但究其根本，如果从场景的覆盖范围及运行工况角度对1.4级和1.5级进行区分，则很容易造成1.5级自身的定义模糊化，且带来是否有必要发展1.5级的系列讨论。本文在SAE标准和其他自动驾驶分类标准的基础上，重新对1.5级自动驾驶的本质进行阐明。1.5级自动驾驶汽车将不再是传统意义上的一辆汽车，而是一个具有“自学习、自修复、软件自配置、自主社交、自主驾驶能力的连接不同场景的移动生活载体。其“自学习、自适应、自超越的特性可以应用于1.21.4级自动驾驶，但这一过程只是单向的。而1.11.4级自动驾驶只是1.5级的一种特例。进一步分析，在1.11.5级自动驾驶发展过程中，1.1-1.3级自动驾驶聚焦于感知层面的任务代理；1.4级实现给定复杂场景内的决策任务，存在一定的任务处理边界，该任务边界出现的主要原因是1.4级自动驾驶系统生成决策的方法是基于统计信息的决策搜索，而非基于逻辑的决策生成。我们也可以将1.4级自动驾驶理解为部分样本，在达到1.4级技术后即实现了部分样本的验证，但部分样本无法覆盖全部样本。1.4级自动驾驶汽车可理解为能在有限性工况下运行，但对于无限的不确定场景难以以单纯列举的方式实现，更多的是需要具有自主探索能力。因此，1.5级要求自动驾驶系统在未知驾驶场景内具备决策生成的能力，相较于1.4级的主要差异在于其具备了基于逻辑的推理学习能力，亦可称为自修正能力。不同于简单的机器学习模式，这种能力不仅使自动驾驶系统可以采用统计学的方法对驾驶经历进行特征提取，而且有助于进一步提炼受控车辆与交通环境的交互机制，从而形成一种能够系统性调整自动驾驶系统（相较于对单一模块的调整）的修正逻辑。（二）难实现1.5级自动驾驶的原因真实的交通环境由于存在各种道路使用者，且各道路使用者的时变和行为不确定性造成了交通系统的复杂性。如文献26所述，自动驾驶汽车发展过程中存在一些共性问题，主要包括现有各项技术发展存在瓶颈和现有基础设施不够完善。如先前的研究所述，针对目前的感知、决策、控制技术的发展现状，要真正实现1.5级自动驾驶离不开各项技术的推动。比如Chen等引入了基于事件的自主驾驶神经形态视觉的新概念，可以帮助高等级自动驾驶汽车获取更准确的视觉感知信息。这对发展更高等级自动驾驶汽车，尤其是1.5级自动驾驶汽车至关重要。而高等级自动驾驶所需要的技术条件与目前的发展现状存在一些差距。同时，除了技术和基础设施原因，自动驾驶汽车目前仍然无法达到1.5级的更深层次的原因主要有：（1）交通要素作用机理不明复杂环境下，各要素对行车风险影响的机制不清晰，难以探明各要素之间的耦合机理。如驾驶人对不同交通环境静态和动态信息的认知判断机制不清晰，驾驶人对车辆动力学特性的适应能力和操纵水平难量化，各交通要素对于驾驶人的动态干扰机制不确定等。因此高等级自动驾驶汽车需要充分认知人车环境耦合风险，将驾驶人对于行车环境各要素造成的潜在风险认知规律应用于智能车辆风险评估，实现交通环境多要素耦合作用下的准确风险辨识。(2)交通运行的变化规律不清晰在动态环境下，存在人-车-路系统多方面的不确定性。如人的参与带来的不确定性，人本身的随机性使得交通复杂系统更具不确定性；环境的变化不确定，导致对交通认知的难度提高;道路条件的不确定，带来车辆性能适应的不确定性;信息获取的不确定性(通讯手段、安全通信的不确定性)，带来复杂交通系统信息范围的不确定性等。因此高等级自动驾驶汽车的发展需要充分探明交通环境的变化规律，考虑其他道路使用者的动态意图，估计、判断和预测交通环境中的风险程度，通过规划具体驾驶策略和轨迹，提高智能车辆在复杂环境中的决策水平和能力。(3)决策执行机理不明在复杂交通环境下，存在智能车辆决策固化，驾驶行为难符合优秀驾驶人的驾驶习惯，难适应不同驾驶/乘坐需求，从而降低人们对驾驶系统的接受度。而通过学习人类智慧来解决问题是自动驾驶发展的一种可行思路，原有的1.11.4级自动驾驶系统并未完全实现学习人类的思维方式，而通过真正解析人类的决策机制才能更好支撑1.5级的发展。但对人类驾驶人的决策机制的学习是有难度的，如何解析驾驶人的决策机制，如何进行决策层次的逻辑判断仍需要进一步探讨。尤其是在前端给出环境感知的各种要素的统一表达后，如何准确、细致地反映驾驶人的决策机制，实现拟人化决策策略对1.5级自动驾驶汽车发展十分关键。除了技术和机理方面的难题，现有研究思路仍需深入探讨。目前自动驾驶的层化结构能够有效保证驾驶过程中的各项任务（感知-认知-评估-决策-控制）被独立完成，且单任务的完成情况可以被准确评估。在技术攻坚阶段，这种模块化分层化的任务结构是实现完备功能的必然要求。但是，模块化分层化的设计结构，导致自动驾驶系统的自我修正仅存在于单一模块中。例如，先进的决策模块虽已具备一定的自调整能力，但也仅能考虑如何在驾驶过程中进行自优化和自适应，却无法有效评估和影响系统中其他模块。目前的决策模块设计过程，通常将感知所提供的输入和控制所需要的输出，作为已有且固定不变的条件，模块之间是刚性桥接的。这意味着决策模块不能满足与其他模块协同修正的要求，难以将自身的修正过程和结果反馈给其他模块。而模块间反馈机制的缺失导致自动驾驶系统缺乏模块间的协同成长能力，即系统性的自我修正能力。并且，单一模块的成长对于整体系统的影响是不可测的,甚至不一定是有益的。一个具有单模块成长能力的自动驾驶系统，在自学习过程中甚至有可能由于各个模块的独立学习而丧失系统的整体协调性。四、1.5级自动驾驶的实现思路自动驾驶系统是一个搭载了大量的硬件结构和软件算法的集成框架。在传统功能分层叠加框架中，不同功能所对应的物理结构对应于不同的子系统。通过集成框架在实际应用中所需处理的问题来调用各部分结构及其对应功能，通过信息传输、能量运送来控制物理结构本体，实现不同智能化程度的系统功能。但现有分层设计的框架所带来的系列挑战，迫切期望能从系统论的角度为高等级自动驾驶系统的研发提供全新思路。要实现这一点，我们需要思考以下问题：怎样真正解析人类驾驶人的驾驶行为，探明驾驶人的决策操控机制，让自动驾驶系统具备自主学习、自主探索的能力？怎样让自动驾驶汽车获取学习人、模拟人、超越人的决策智慧？怎样将意识和功能融入自动驾驶系统，输出更智能更合理的驾驶行为？这些问题将使研究人员难以离散化理解自动驾驶系统的各个功能，不再分解系统对应的功能以及功能对应的部件，而是从整车系统功能出发，分析各系统、部件以及部件子结构中的共性原理与共性结构，运用大脑/意识理论，如结合全局工作空间理论(GWT)和综合信息理论(IIT)来设计和优化统一的系统结构。如图1所示，自动驾驶系统功能可以描述为系统对环境的一种整体属性，是系统在一定环境中所能发挥出的作用和能力，是系统的外部联系，构成了系统与环境的关系集；在系统动态运转中实现，表现为物质流、能量流、信息流的输入和输出；遵循系统化的思维模式，有可能为高等级自动驾驶汽车，尤其是1.5级别的汽车发展提供更好的解决途径。同时，高等级自动驾驶汽车研究应该有“学习人、模拟人、超越人、服务人的思想，最终目的是以人为中心，服务于人。因此，以系统化思维并始终以人为中心，在车路协同、云端控制的外在环境下，更能促进高等级自动驾驶汽车的发展。Task-drivenautonomoussystemsBrain-cerebellum-organsystemOMEeJJ-es>unuepunOpenevolutionofbrain-likesystemUnifiedinputofsituationawarenessOptimaloutputofreal-timedecisionandcontrolSystematicperspectiveHybridintelligenceIndependentlearningPriorknowledgeCrowinferenceParrotimitationIn>-JO=OBOJddV图1系统整体流程图。现有的场景驱动和任务驱动的方法将很难突破运行设计域限制的1.4级自动驾驶汽车，因此实现1.5级自动驾驶汽车将具有挑战性。因此，我们将自动驾驶汽车视为一个整体系统，从“类人”角度建立了基于混合智能的统一通用框架。1.KA：车道保持辅助；ACC：自适应巡航控制；AEB：自动紧急制动。然而，目前针对高等级自动驾驶汽车的发展路径，主要是从自动驾驶车的应用场景及针对不同驾驶任务需求两方面进行研发，但场景驱动和任务驱动的方式最终因分层框架的功能不断叠加而带来决策冲突、功能冗余等问题；因此在这种思路下研发的自动驾驶汽车，将难以突破有操纵运行域限定的1.4级自动驾驶汽车，以致在实现1.5级自动驾驶车过程中面临挑战。鉴于此，本文将抛开己有框架的限制，将自动驾驶汽车视为一个整体，以类人的系统角度，建立一个基于混合智能的统一通用框架。首先构建开放的类脑系统，然后将可能影响交通安全的各要素以统一的态势感知进行输入，最终输出实时的决策控制，以期为实现1.5级自动驾驶系统提供可行思路。（一）“大脑-小脑-器官协调平衡框架“大脑-小脑-器官”协调平衡框架从系统层次开发自动驾驶大脑作为系统层,将感知、评估、决策、控制等技术作为功能层。其中，决策对应小脑，感知对应眼睛，控制对应手脚。在人脑的调配下，通过自动驾驶汽车的感知技术筛选兴趣区域，有选择有目的地进行感知；通过自动驾驶汽车的评估技术实时量化风险,保障安全出行；通过自动驾驶汽车的决策技术综合优化决策，平衡各项功能；通过自动驾驶汽车的控制技术稳态操控执行，实现可靠驾驶。而现有的分层框架和端到端框架所对应的基于场景驱动的研发思路是一种“反馈传输结构，而自动驾驶大脑对各部分结构不仅仅是单独的刺激-反应双向反馈，而是包含意向扩散的复杂结构网络。如图2所示，在自动驾驶“大脑-小脑-器官协调平衡框架中，通过感知器官感知外界环境来刺激大脑，同时转录为历史大数据储存到大脑中进行记忆。而小脑基于最小作用量原理,通过调用内部状态来完成思考与协调的功能,最后大脑和小脑一起输出激活状态，通过手脚控制器官完成控制过程。PrincipleofleastactionInternalstates图2“大脑-小脑-器官协调平衡框架。在这个框架下，外部状态刺激大脑,存储交通信息，小脑调用内部状态完成思考，最后大脑和小脑输出激活状态，反馈完成控制。如图3所示，我们可以假设自动驾驶的训练过程和一个拳击手的训练过程具有相似性。其中，自动驾驶对应的感知技术可以让拳击手输入外界信息，感知到潜在风险；控制技术可以训练拳击手进行运动控制，锻炼肌肉；决策技术对应拳击手的小脑，对各项技能的协调起到平衡作用。但是仅仅依靠小脑、五官及手脚并不能使得拳击手真正实现一个高水平拳击手所具有的技能和素养，各项技术只是训练了他的小脑和各项体能水平，而没有训练到大脑，使其具备自如灵活的攻击性能和保护性能等。因此，自动驾驶要实现自学习、自适应、自超越特性的核心是构建完备的自动驾驶大脑。=Pc6三reyw图3驾驶人和自动驾驶汽车之间的对应关系。自动驾驶汽车需要具备驾驶人的一些基本技能，并对人类行为及其社会期望有内在理解。即一个驾驶人的意向性，对应一个自动驾驶汽车的智能数字化。大脑的主要功能是调配各项技能，包括探索、学习、思考、主导机体内一切活动过程，以及调节机体与周围环境的平衡的功能。当自动驾驶系统具备了运动控制和感知系统后，其所缺乏的是自动驾驶系统的控制和信息处理中枢。如果把上层系统定义为自动驾驶的大脑，那么运动控制和感知系统则对应于自动驾驶的小脑和相应器官。只有大脑、小脑和各自器官系统得到发展，自动驾驶系统才能更好地服务人类。同时，为了实现符合现实社会期望的驾驶功能，自动驾驶系统必须尽可能表现得像人类，这需要对人类行为以及群体的社会期望有内在的理解。在现有框架下继续发展的终极目标很难突破“场景的泛化性、多风险的因素融合、求解目标的耦合等瓶颈，因此无法完全了解人类做决策时的生理与心理机制。而自动驾驶大脑可以从内至外地模拟和学习人类，能够实现在特定环境下，通过组织系统充分运用人类的各种认知活动完成指定任务。同时，由于存在自我意识,大脑通常在不确定情况下，具有自我探索、主动解决问题的能力。例如，在驾驶过程中，自动驾驶系统大脑可以快速采取有效措施，应对周围其他障碍物的随意停放或其他不遵守交通规则的行为，如不遵循交通规则的切入、超车、换道等行为。事实上，这些行为模式在世界许多地方都非常普遍。例如，车辆需要应对强交互场景，如高速公路多车汇入和无保护左转，这对驾驶人来说也是一个挑战。在很长一段时间里，自动驾驶汽车与驾驶人会在同一行车环境中行驶，因此自动驾驶汽车必须理解驾驶人的意图，并以可预测和可解释的方式做出反应。虽然在空旷的道路上左转对于自动驾驶汽车来说可能是简单可行的，但在复杂交通环境下仍然很困难。对于驾驶人来说，这些不受保护的左转经常发生在一个正在行驶的驾驶人减速让出的时候，这暗示了另一个驾驶人可以安全转弯。而这对于目前开发的自动驾驶系统来说是极大的挑战。因此，基于场景驱动的研究思路在针对以上挑战时应用受限，未能突破局限性达到真正的高等级智能化。而智能可以阐述为一种表现在个体与自然、社会群体之间的相互作用和行为过程中的一种现象。因此从系统科学的思路出发，用系统观点来认识驾驶的本质，从而达到通用智能化。（二）“乌鸦推理+鹦鹉学舌研究范式钱学森说：“人体作为一个系统，首先，它是一个开放的系统，也就是说，这个系统与外界是有交往的。比如，通过呼吸、饮食、排泄等，进行物质交往;通过视觉、听觉、味觉、嗅觉、触觉等进行信息交往。此外，人体是由亿万个分子组成的，所以它不是一个小系统，也不是一个大系统，而是比大系统还大的巨系统。这个巨系统的组成部分又是各不相同的，它们之间的相互作用也是异常复杂的。所以是复杂的巨系统。因此，在自动驾驶系统研发过程中，也需要提炼自动驾驶系统中存在的问题，用系统的方式进行研发。事实上，随着一个系统开放程度的提高，其处理高复杂性的能力以及适应不断变化的环境的能力也在提高。加利福尼亚大学洛杉矶分校的朱松纯教授介绍了两种人工智能的模式。一种称之为鹦鹉范式，认为鹦鹉可以和人类说话，但不理解他们说的话。例如，当你说你好时，它会回答你好，但它不知道这是什么意思。还有一种是乌鸦范式。比如乌鸦知道不断往水瓶里扔石头，以提高水位来喝水。鹦鹉式模仿学习范式和乌鸦式推理学习范式之间存在显著差异。对于鹦鹉来说，它是一种简单粗暴的模仿学习，这种方式可以机械地实现“类人行为，而不理解学习背后的深层原因。而乌鸦能自主研究因果关系并推断解决方案，从而完成任务。乌鸦依靠自己的观察、感知、认知、学习、推理和执行，过着完全独立的生活。所以可以理解为乌鸦有独立学习和探索未知的能力。相应地，自动驾驶系统在迈向高等级发展过程中，智能可以被认为是一种现象，它反映在个人和社会群体的行为过程中。自动驾驶汽车的智能化水平的提高取决于客观现实和物理环境的因果链。比如，外部物理环境为乌鸦提供了生存边界条件。在不同的环境条件下，智能的形式有所不同。任何智能机器都需要理解物理世界及其因果链,并适应世界。同时，自动驾驶汽车的智能可以满足它们需要完成的特定任务。而任务代表价值和决策功能，是生物进化的刚性需求。智能不仅体现适应性（如只存在刺激和反应而没有预测和推断），还适合局限于运行设计域下的低等级自动驾驶汽车。对于高等级自动驾驶汽车，不适应性在某种程度上更为重要，例如，它可以推理、进化和超越人类自身的局限性。高等级自动驾驶汽车可以创造一种新的可能性来适应互动，实现超越。因此，在开发高等级自动驾驶系统时，尤其是1.5级自动驾驶过程，需要有效结合乌鸦和鹦鹉的两种不同的学习思维模式，提出第三种混合型范式，即“乌鸦推理+鹦鹉学舌研究范式。根据前述对智能的理解，真正的智能体现的不仅仅是适应性，更重要的是不适应性，进而以一种新的可能性实现从自适应到他交互再到自超越的最终目标，并最终创造出一系列新的可能性一一自由、改变、交互。图灵机的缺点是只有刺激-反应双向反馈而没有选择机制，只有顺应而没有同化机制，其与鹦鹉范式近似。而人类自身的演变机制对应“乌鸦推理范式，能够自主推理、演化，但要真正实现超越人类本身的局限性，提高智能系统的算力，融入智能化的优势，还需要结合两种范式，如图4所示。因此，这种乌鸦+鹦鹉混合范式才是高等级自动驾驶尤其是1.5级自动驾驶汽车发展的未来趋势。Inference-drivenautonomousdecision-makingmethodData-drivendeeplearningmethodInadaptabilityAdaptabilityEvolutionaryparadigmMultiobjectiveinteractionprocessdeductionuon-e>山OpensystemFreetransmissionofinformation图4"乌鸦推理+鹦鹉学舌”研究框架。"鹦鹉学舌"可以通过数据驱动的深度学习方法实现适应性,而“乌鸦推理”则体现对交通环境的不适应。通过两者结合，自动驾驶汽车可随环境的变化而实现交互和进化。五、1.5级自动驾驶可行途径（一）大脑系统开放演化假设所考虑的大脑系统是开放演化的。“乌鸦+鹦鹉混合范式具备开放性、发散性，能够进行自主演化，突破已有技术和思维的局限性。传统架构中，分层次来解决各项功能；而大脑系统的开发需要在已有的知识经验基础上借助人工智能这一工具进行自主学习，探索未知。“自主学习+先验知识的开发模式能够让大脑在基于大量共性决策机制和操控规律时，不断探索个性化驾驶/乘坐需求，真正实现“自学习、自适应、自超越的目标。现有针对自动驾驶汽车发展所采取的措施主要有两种思路：自主学习法;逻辑判断法（先验知识）。前者包括深度神经网络（DNN）,在自动驾驶方面已取得了显著成果。但是，当将DNN应用于诸如预测和决策的行为生成之类的安全关键模块时，DNN缺乏可解释性和因果关系，并且很难合并领域知识。另外，建立一个精确的DNN需要大量的相关数据进行训练，而且对于不熟悉的场景，尤其在极端情况下也无法很好地推广。而生成概率和逻辑模型具有解释性,能够通过逻辑判断阐明因果关系，并具备不确定性建模能力。但是，这些固有逻辑模型的可迁移性低，且对复杂场景的表示能力相对较低。因此，本文提出一个结合学习类方法和生成概率模型及逻辑模型优势的混合框架，以生成可解释且数据高效的行为。在此框架中，我们提出了一种自主学习+先验知识的开发模式，如图5所示，通过使用从生成概率模型和观测值获得的动态世界的低维表示来生成用于高级判断的驾驶行为控制层。这样，大脑系统能够将人脑储存的先验知识迁移，并在自学习的框架下探索未知，从而构建更复杂更高层级的知识推理。PerceptionsystemfunctionIndependentlearningPriorknowledge1.eamgenericdecision