法雷奥的研究人员开发了一种端到端的汽车速度控制模仿学习系统

随着自动驾驶逐步迈向量产阶段，来自传统OEM和Tier1对新技术的投入正在产生结果。

去年6月14日，法雷奥全球首家人工智能和深度学习研究中心在巴黎成立。该中心将充分发挥法雷奥在自动驾驶领域的优势，与科学界的专家机构、初创型企业、以及集团在全球的应用中心紧密合作。

这个命名为Valeo.ai的研发中心将致力于人工智能的算法、基础架构、学习过程及模拟。所谓的深度学习是一种人工智能学习方法，向机器提供数据，以便其分析并适应新情境。该理念设法复制人类大脑的学习及思考功能，有助于使自动驾驶车辆识别目标并确定采取何种行动。

法雷奥的研究人员最近开发了一种端到端的汽车速度控制模仿学习系统。他们在arXiv上发表的一篇论文中概述了他们的方法，该方法使用具有长短期记忆网络(LSTM)的神经网络，这是一种可以学习长期依赖关系的递归神经网络(RNN)。

就在刚刚结束的CES2019上，法雷奥展出了首款L4级自动驾驶汽车Drive4U，该车搭载了法雷奥目前已量产的各类传感器（超声波传感器、摄像头、雷达和激光雷达）及人工智能技术和数字大脑，能输入并学习城市环境中遇到的各类环境信息并进行数据计算。

同时，法雷奥设定了每10亿公里的重大事故数低于1起的安全目标，并通过Drive4U Remote远程控制和Voyage XR虚拟感知技术来保证安全。

“我和我的团队研究如何利用深度学习来实现更好的自动驾驶汽车的决策和控制。”上述研究人员表示，这项研究的目的是证明，在城市环境中，只使用相机，学习人类司机的能力，就可以处理复杂的情况。

法雷奥团队开发的新系统使用了一个依赖于深度学习技术的人工神经网络(ANN)。首先，通过前向摄像头拍摄有人驾驶车辆时的路面环境，因此很像这个人在开车时看到的东西。

然后训练神经网络来模仿驾驶员的动作，特别是专注于再现汽车当前的速度。例如，当输入图像包含一个50公里每小时的限速面板时，网络会确保汽车的速度不会超过50公里每小时。当前面有另一辆车时，人类司机会相应地减速，网络也学着这样做。

“我们的方法试图复制人类学习和驾驶的方式。该网络只接收来自前端摄像头的信息，不需要显式感知，例如，与交通灯或车道相关的信息，就像人类司机没有一个明确的模型，来精确地知道这些线在哪里，它们的形状是什么。”研究人员表示。

在训练完他们的神经网络之后，研究人员在一个模拟环境中测试了这套神经网络，然后把它集成到一辆真正的汽车上，在一个具有挑战性的测试轨道上评估它的性能。他们发现他们的系统能有效地应对复杂的情况，在必要时控制汽车的速度(例如在交通锥和急转弯时减速，在障碍物前停车，接近警告标志时等等)。

从目前自动驾驶的发展方向来看，首先是达到人类司机驾驶的水平，然后是更安全。而不是系统的驾驶能力不如人类司机。

上述研究证明，复杂的情况，比如工作区域、意想不到的障碍等等，仅仅通过观察一个人类司机会做什么，然后在新的类似的情况下进行复制就可以解决。这意味着，只要我们有足够的演示数据，我们就可以处理人类司机可以合理处理的用例。

这可以用在复杂的交互情况下结合更经典的方法，使车辆的自动驾驶系统做到和人类司机能够一致和更智能地反应。

目前，这个系统已经取得了很好的效果，很快就可以应用到自动驾驶汽车上，从而实现更有效的速度控制和更直观的驾驶。

研究人员正计划将他们的概念验证扩展到更复杂的情况，教他们的系统如何处理与路上其他车辆的更广泛的互动，以及增加更复杂的操作，比如换车道、在十字路口转弯或在环形车道上导航。

一直以来，深度学习很好用，几乎改变了整个人工智能领域的发展，但在自动驾驶系统中，过去在感知的某一些部分（主要是图像及视频处理）使用比较多的端到端技术，而在决策控制层较少应用，原因在于深度学习没有可解释性。

不可解释同样也意味着危险，事实上很多领域对深度学习模型应用的顾虑除了模型本身无法给出足够的信息之外，也有或多或少关于安全性的考虑。

研究人员补充介绍:“我们还希望研究该系统的可解释性和与现有自动驾驶车辆的兼容性，向最终用户解释网络如何感知其环境，以及它为什么做出决定。”