上篇是关于人工智能在:https://blog.csdn.net/yukinoai/article/details/84977602
下面是关于无人驾驶的部分:
交通情景计算的复杂性
无人驾驶面临的许多交通场景问题具有不确定性、脆弱性和开放性,为所有的交通场景建立模型是不可能的
- 人类驾驶员开车是在对环境的知觉物体理解的基础上,将车窗外的无穷状态空间约简为动态变化的“可行驶”和“不可行驶”的“二域状态空间”
- 需要从认知的层面,将复杂未知的”现实世界“变换成有限的直觉物体从而达成“直观地理解”
无人驾驶技术的五大难题
- 场景的“可靠感知”:无论何种路况和天气必须可靠地感知环境
- “预行为”理解:判断或理解不同运动对象的预行为
- “意外遭遇”的应对:解释异常情况
- “人车的自然交互”:理解并回答乘客提出的请求
- 网络安全:通过云端获取和更新地图使自主驾驶面临更大的风险
基本科学问题(从情景认知的角度重新定义自主驾驶)
- 如何是自主驾驶汽车像人一样理解和记忆交通情景,使其具有记忆,推理和经验更新机制,能够应对高动态和强随机性的交通场景变化
- 如何发展一种进化的、发展的自主驾驶学习系统,其学习过程与司机的训练类似:熟能生巧——直觉性AI
基于认知构建的无人驾驶的四个核心技术
- 如何在环境感知数据获取与融合过程给出知觉物体的基本判断,形成选择性注意的基本单元;知觉编组能用最少的领域知识形成目标假设
- 如何在注意的基础上,将非完整的环境信息转化为用于决策规划的空间结构信息
- 如何在学习和知识集成的基础上,实时处理行驶过程中的不确定性事件,即具有自学习能力
- 如何在环境交互和行为决策的基础上,实现无人驾驶的适应性控制
人类对视觉空间关注的基本机制
- 信息处理模型的四个认知过程
选择:对感觉记忆的一些特定信息的注意
组织:“学习”在短期记忆中建立联系
整合:将长期的信息传递到短期记忆,以连接传入的数量
编码:从短期记忆转换为长期记忆
- 在任何人知道发生了什么之前,他的注意力已被捕获—显著性对象
- 人类对变化非常敏感,突然变化对注意力影响最大
- 注意机制已经成为构建新的AI架构的灵感来源
基于选择性注意机制激活模式识别
(拍的不清楚还请见谅)
度量-拓扑-语义混合的环境认知的分层结构
- 空间定位层—对象感知
- 行为模型层—内部状态
- 知识策略层—交通识别
- 任务驱动层—运动控制