《机器学习算法在绿色智能化汽车发展及研究中的应用展望》由会员分享，可在线阅读，更多相关《机器学习算法在绿色智能化汽车发展及研究中的应用展望（10页珍藏版）》请在金锄头文库上搜索。
1、 机器学习算法在绿色智能化汽车发展及研究中的应用展望 石国勇杨晓李岩摘 要：绿色智能化是未来汽车发展的必然趋势，然而，从传统汽车向绿色智能汽车的转变还需要在许多技术上实现新的突破；其中，机器学习算法对汽车的绿色智能化发展具有非常重要的科学价值和实践意义。所以，该文从机器学习算法在汽车绿色智能化发展中的应用角度出发，阐述了绿色动力、车辆智能化以及机器学习算法的研究现状，突出了未来机器学习的在汽车绿色智能化发展中的的重要地位。关键词：汽车 绿色智能 电子通讯 机器学习 应用研究：TQ330.63 ：A ：1674-098X（2014）02（a）-0012-03目前，绿色环保、节能减排也已经渗透到当
2、今的汽车工业发展中，并成为后期技术革新中的一条永恒的主旋律1-3。然而，面对因日益增多的汽车而导致逐渐突出的交通拥堵及安全问题，使得汽车“绿色化”发展显得特别单薄；同时，随着电子信息化、人工智能化等高新技术产品的出现，人们逐渐意识到曾经只能在科幻小说和电影中看到的智能汽车已经不再是一个虚幻体。因此，未来汽车“绿色化”应与“智能化”相结合的发展思路和方向被广泛认可和提倡，在不久的将来真的会出现绿色智能化汽车4-6。虽然，现已在售的汽车已经可以将一些高新技术集于一体，使其整车性能有了很大改善，然而，这距离真正绿色智能化汽车的问世还有一定的距离。绿色智能化汽车是智能化交通系统（简称ITS）的重要组成
3、部分，其不仅在缓解能源消耗和环境污染等问题发挥一定的作用，而且还会在某种程度上降低日趋严重的交通事故发生率、提高现有道路交通效率等改善交通状况方面发挥重要的作用。绿色智能化汽车不仅可以利用高新电控系统实现绿色能源的高效利用，而且还利用各种高新的传感技术获取车体自身和车外环境的全方位状态信息，经过机器学习的一些优化智能算法的分析及融合等处理后，将最终的决策支持结果传递给驾驶者或者直接传输至车体控制系统。一方面，可以在发生危险之前提醒驾驶员做出必要的回避动作，避免事故发生；另一方面，还可以在驾驶者无法做出反应的紧急状况下，由汽车自主完成规避危险任务，帮助驾驶人员避免危险发生。当然，对于智能汽车系统
4、而言，不仅仅只是指可以实现自动驾驶的汽车，只要是采用了传感器和微处理器等的汽车也可以说成是智能汽车，包括汽车GPS技术、汽车智能避撞系统、汽车智能“黑匣子”、汽车智能轮胎、气车智能悬架、智能四驱动力机构、汽车智能钥匙、汽车智能安全气囊、汽车夜视系统、司机分神监视系统等。美国开始组织实施智能车辆先导（简称IVI）计划6，欧洲提出公路安全行动计划（简称RSAP）7，日本提出超级智能车辆系统。我国科技部也启动了相应的智能交通系统关键技术开发和示范工程方面科技攻关计划重大项目8，其中的一个重要内容就是研究车辆安全和辅助驾驶，以期实现人、车、路之间可以形成稳定、和谐的智能交通系统。然而，从传统汽车向绿色
5、智能汽车的转变还需要在许多技术上实现新的突破，不仅包与绿色动力汽车密切相关的汽车电子硬件发展方面方面，而且还包括直接决定汽车智能程度高低的各种机器学习算法。所以，本文从机器学习算法在汽车智能化发展中的应用角度出发，对目前的机器学习算法进行概括性综述，希望能够对未来汽车智能化发展具有非常一定的科学价值和实践意义。1 汽车动力绿色化的现实需求当前，面对即将到来的能源危机，作者为世界超级汽车市场之一的中国，汽车产业路只有一条：实施替代能源战略、走可持续发展的道路。首先，价廉物美乙醇燃料，是全世界最常见、国内颇为重视且已经得到推广的一种新的替代燃料选择；类似的，还有丁醇、甲醇这样的汽油与柴油的生物替代
6、燃料。然而，与直接利用天燃气一样，如何摆脱简单改装并提高醇类替代燃料的效能问题还存在一些需作进一步研究的问题9。同时，技术复杂先进的混合动力（油电混合、气电混合、油电气混合等）汽车在机械与电子方面都有许多新的技术性突破，让能源消耗更加节约与合理而受到广泛青睐，国际各大汽车制造厂家纷纷投入竞争。日本着手研究较早，美国也有大规模投入研发力量。然而，竞争的加剧促也使其实用性有了长足的进步，低成本、易维护、高性能逐渐成为混合动力研发的主旋律。此外，高能效、无污染、低噪音的氢燃料，长期以来一直被作为汽车能源的终极解决方案而寄予厚望，各国的科技精英不仅主攻利用氧与氢的反应来输出电力的氢燃料电池，而且也开始
7、对氢燃料内燃机开展迅速研究。然而，这也需要面对一些新的问题：需要巨大投资来改进现有的车辆并改建加注氢燃料的设施。一些汽车制造厂已开始研究氢燃料内燃机并不断地推向市场，如宝马已经率先推出了能够使用氢气作为动力来源Hydrogen7，搭配6.0L的V12缸车可以输出高达260匹的最大马力，并且百公里加速时间为9.5 s，而最高时速则将被电子系统限制在每小时230公里。虽然它目前使用的仍是汽油和氢双燃料，但未来或许汽油动力将被完全停用。我国在氢内燃机方面的研究薄弱，核心技术的研究以及积累知识和经验是关键。2 汽车智能化的发展概述防撞预警系统、智能巡航控制系统以及自主驾驶系统是未来智能汽车研究的主要内
8、容，实现车辆在的全状态控制和事故避免。防撞预警系统功能主要包含防撞提醒，驾驶盲点预警，起步变道提示、检测道路状况以及驾驶员实时监控。辅助驾驶系统（ICCS）主要功能包括定速巡航、安全车距保持、恶劣天况下的辅助操控、变并道、超车的最佳车速与车距控制以及紧急情况下的自动减速或紧急制动等。作为最高级的自主驾驶系统，通过传感器的感知信息和智能算法的决策控制来实现自主行驶任务。然而，如何使智能车辆与普通车辆共同行驶在现有道路之中也是有待于攻破的难题之一。自主行驶的前提是能够掌握足够多的有效准确信息并进行畅通的信息交互，因此，先进的传感技术和通讯技术是核心。其中，传感技术包括雷达系统、机器视觉系统、高精度
9、GPS系统以及磁道钉技术等，而通讯技术则依赖于各种网络和通讯协议等。雷达是一种主动型传感器10，优势在于能够利用简单计算就能够在全天气工况范围内进行直接测量距离、速度、方位等。但也存在一些难以回避的问题，如成本高、推广受阻、光谱分辨率和扫描速度较低、多雷达间存在干涉等。而低成本的CCD等被动型传感器，可同时安装多个进行全方位拍摄，用于提取车道线、识别近距离障碍物、行人、交通信号等11，但存在易受环境影响的缺点，尤其是在能见度较低时无法使用。高精度GPS可以提供一般传感器所无法提供的准确车辆状态信息（车辆位置、行驶方向、速度、加速度等）、丰富的道路信息（弯道曲率、道路结构等）以及进行车辆定位、道
10、路跟踪。但是，在卫星信号不佳或信号无法获取的情况下会存在失效问题。磁道钉也是一种能够不受天气的影响提供全天候道路指引的技术手段：其利用磁传感器采集道路中的由分散布置的磁道钉形成的磁场来确定车辆在道路中的位置，利用计算机视觉的辅助信息完成车辆导航。缺点需破坏已有的公路且成本较高普及受到制约。美国俄亥俄州州立大学的研究充分证实：通信问题是降低事故发生率的主要因素12。文献13对不同的通信技术进行了研究，其中，广域网无线通信技术特别适用于车辆与环境的信息交互。IEEE还专门设计了用于车辆/环境无线接入（WAVE）方案，等效于为车辆/道路，车辆/车辆之间的短距离通信提供了即时有效通信协议。然而，通信规
11、范问题本身就是一个值得研究的课题，这样就可根据规范设计能够独立工作的设备或模块。 3 机器学习算法在汽车绿色智能化中的研究展望美国州立大学与Oshkosh货车公司合作并改装了一辆能够自主行驶的智能车，由卡尔曼滤波算法进行车辆状态信息处理，利用有限状态机确定车辆运行模式，最终完成自主行驶任务14。因此，对于绿色智能汽车来说，不管是在动力绿色化的技术实现方面，还是在智能化技术的实现方面，都需要先进的机器学习算法作为软支撑条件，如数据融合、滤波及决策控制算法15。尤其是汽车的绿色智能化促使汽车领域迎来了大数据时代，因而机器学习算法也同样面对更大挑战和机遇：首先，智能汽车数据要求需多传感器支持，所产生
12、的大数据需通过融合计算得到有效信息进行系统决策16。并且，大数据中存在干扰因素，在使用之前需要进行滤波处理，但又不能滤掉有用的灵敏信息，比如智能雨刷系统17。然后，对于自主行驶车辆来说，中心控制的决策是至关重要的18，车辆需通过决策算法处理海量数据来自主确定并切换到相应工作模式来完成驾驶任务。机器学习是是人工智能的核心，是使计算机具有智能的根本途径，近年来在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。机器学习方法不仅可应用于自主车辆驾驶，而且还已成功用于机器人下棋程序、语音识别、信用卡欺诈监测、智能机器人等领域。基于学习策略的分类，即学习过程中系统所采用的推理策略可以分
13、为：机械学习、示教学习、演绎学习、类比学习、基于解释的学习、归纳学习。并且，专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等都是机器去学习的应用领域，大部分的应用研究领域基本上集中于分类和问题求解这两个范畴。然而，现有的计算机系统和人工智能系统只有非常有限的学习能力，不能满足科技和生产提出的新要求。因此，人类学习机制、新的学习方法、多种学习方法协同工作的集成化系统以及机器学习有关理论及应用的研究是今后发展的主要方向。当前，机器学习面临复杂海量数据、用户需求多样化的大数据领域19，从而，应用驱动成为必然，针对某个或某类应用给出特定的学习
14、方法将不断涌现。如深度学习。2013年4月，麻省理工学院技术评论杂志将深度学习列为2013年十大突破性技术之首。自2006年以来，深度学习在学术界持续升温，斯坦福、纽约、加拿大等成为深度学习的研究重镇，美国国防部DARPA计划也于2010年首次资助深度学习项目，脑神经系统的确具有丰富的层次结构是支持深度学习的一个重要依据。2011年以来，微软研究院研究人员先后采用DNN技术降低语音识别错误率20%-30%，是该领域十多年来最大的突破性进展。2012年DNN技术在图像识别领域取得惊人的效果，在ImageNet评测上将错误率从26%降低到15%。在这一年，DNN还被应用于制药公司的Druge Ac
15、tivity预测问题，也获得世界最好成绩20-22。并且，大数据时代迫切也需要深度学习，大数据里含有丰富的信息维度。深度学习通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，深度学习使得人工智能的梦想将不再遥远。当然，这对于汽车的智能化发展也将会是是一个极大的推进，尤其是在汽车语控智能电器系统方面。4 结语汽车的绿色智能化进步和发展需要多学科领域技术发展的推动，其发展又能够推动所涉及学科和技术的进步与发展。欧美等发达国家走在技术前沿，我国起步晚但发展空间大且发展较快。绿色动力、通信协议规范、通用软件平开发台、多传感器融合、无人驾驶技术
16、、视觉算法改善及适应性等方面是今后的主要发展方向，并且，机器学习的发展为汽车的绿色智能化奠定了很好的智能基础，是今后汽车绿色智能化实现的最有效手段之一。参考文献1 费颖.浅谈能源发展中的汽车节能J. 节能技术，2008，26（1）：95-96.2 刘广君.智能后视辅助泊车系统研究与设计J.科技创新导报，2013（8）： 15，17.3 史玉茜.绿色环保汽车-太阳能汽车J. 节能技术，2009，27（1）：78-82.4 田园.绿色与智能：中国汽车的未来走向J.广东科技，2011，12（23）：52-53.5 姜红德.汽车电子：绿色智能革命J.中国信息化，2013（3）：54-55.6 许雅楠.汽车LED照明灯驱动系统的设计与仿真J.科技资讯，2013（8）：113.7 European Commission.European tr
