P07 人工智能 Aspects Intelligence Artificielle

Target

自动驾驶车辆的人工智能架构及主要挑战
经典人工智能与神经网络在自动驾驶车辆中的区别
监督学习中的问题
连接主义人工智能解决的问题

经典人工智能与神经网络在自动驾驶车辆中的区别 [2]

类型	优点	缺点
经典符号人工智能（Classic Symbolic AI）	- 行为的数学理解 `Compréhension mathématique du comportement`
- 可以进行数学证明`Possibilité de démonstration mathématique`	- 仅在特定领域有效`Valable uniquement dans un domaine spécifique`

如果输入数据超出预期范围，会产生问题dépassent le domaine attendu
可能需要较高的计算能力puissance de calcul élevée | | 连接主义人工智能/神经网络（Connexionist AI / Neural Networks, NN） | - 一旦拥有数据，就不需要定义模型 Pas besoin de définir un modèle
在某些任务tâches（如图像识别、游戏）中表现优于Performances supérieures人类
可以为任何可能的输入提出解决方案
研究领域非常活跃，进展迅速 très actif, progrès rapide | - 可能存在混乱（参数不稳定instabilités ）
很少（甚至几乎没有）对其工作原理的理解Très peu (voire aucune) compréhension de son fonctionnement
由于系统过于庞大或复杂，无法进行数学分析
在正常输入情况下可能会失败，且原因难以理解
需要大量数据，且不确定数据需求有多大
过拟合问题overfitting
如果是监督学习，需要标注数据，Si apprentissage supervisé, nécessité de données étiquetées 数据标注过程非常繁重和耗时L'étiquetage des données est un processus très lourd et fastidieux
计算能力需求高
创新速度过快 |

1. AI用于自动驾驶车辆的功能架构与主要挑战

AI在AV中的应用不仅仅是为了提升图像识别的精度amélioration de la précision de la reconnaissance d'images，也是为了在复杂的驾驶场景中提供更加智能的控制fournir un contrôle plus intelligent dans des scénarios de conduite complexes。然而，传统的解析方法在城市等复杂环境中表现有限。因此，基于数据驱动的AI成为突破这些限制的关键工具。主要挑战包括：

安全性Sécurité 和SOTIF（Safety of the Intended Functionality）：确保系统的安全性能，包括如何在操作域（Operational Domain）无限的情况下，保证车辆不会因“驾驶”错误导致事故。
传感器与硬件整合Intégration des capteurs et du matériel：确保传感器能够覆盖360°的检测，并采用多模态传感器技术。
数据收集与标注Collecte et étiquetage des données：有效地采集和存储数据，同时需要考虑数据标注的成本和复杂性。
模拟工具Outils de simulation：用于设计验证、学习过程以及安全展示的工具，保证AI能够在真实环境中安全有效地运行。

2. 传统人工智能与神经网络在自动驾驶车辆中的差异

传统AI（Classic AI）与神经网络（Neural Networks）在AV中的应用上存在显著差异。传统AI通常依赖于基于模型的分析，使用显式逻辑规则来描述系统的行为，而神经网络则通过学习大量的输入输出数据样本，从数据中提取特征，进而用于复杂的场景感知和决策。主要差异包括：

传统AI依赖明确的逻辑模型和规则，适用于参数较少、可建模的任务。
神经网络模仿生物神经元结构，适用于复杂任务和高数据量需求的场景，无需明确的系统模型。
神经网络的连接主义AI在面对高度复杂的任务时，表现出强大的适应性，但也带来了数据需求大、过拟合和计算资源消耗高等挑战。

3. 有监督学习中的问题

在有监督学习（Supervised Learning）过程中，数据标注和泛化能力是主要的问题：

数据标注Étiquetage des données：有监督学习需要为每个数据样本分配标签（即“真实标签”或Ground Truth），这对大规模数据集而言，可能是繁重且耗时的任务。
泛化问题Problème de généralisation：由于训练数据只能覆盖操作域的有限部分，神经网络可能在未见数据上表现不佳，导致过拟合。les réseaux de neurones peuvent montrer des performances inférieures sur des données non vues, entraînant un surapprentissage.
算法优化：常用的梯度下降方法并非唯一的优化手段，优化过程存在不同方案。
输入数据归一化Normalisation des données d'entrée：为了提高学习效果，输入数据通常需要进行归一化处理。

4. 连接主义AI解决的问题

连接主义AI（Connexionist AI），即通过神经网络实现的AI，能够有效解决一些传统AI难以应对的复杂问题，尤其是在数据丰富的情境下。连接主义AI的特点包括：

数据驱动Approche pilotée par les données：通过大量的数据来训练网络，以便能够处理高度复杂且非解析的问题。
高度适应性Adaptabilité élevée：神经网络能够处理动态环境中的非线性问题，如场景分析、分类任务以及非模型化系统的预测等。
不依赖数学模型Non dépendante des modèles mathématiques ：适用于无法建立明确数学模型的问题，但也因此在理解网络内部行为方面存在局限。