Reading time
6 minutes

为汽车行业开发人工智能系统的数据科学平台

Elektrobit 致力于开发系统，使我们的客户能够在汽车领域可靠且安全地部署新兴的前沿技术。数据科学和人工智能正在塑造汽车行业的未来，其中自动驾驶汽车的梦想正变得越来越现实。

Elektrobit 的数据科学平台如图 1 所示，旨在构建用于各个汽车领域（如自动驾驶系统）的人工智能引擎。

我们希望帮助回答以下问题：

• 人工智能在汽车行业中的作用是什么？
• 为什么开发此类系统需要一个稳健的框架？

 

 

人工智能的数字时代

人工智能（AI）指的是模仿人类认知功能（如学习和解决问题）的机器。 随着数字计算设备的发展，AI 获得了首次定义，正如其他数字技术一样，它经历了炒作和低谷的周期。 目前，人工智能正准备释放下一波数字颠覆，我们已经在计算机视觉、机器人、汽车开发和语言处理等多个领域看到现实生活中的好处。 由 AI 驱动的机器现在可以执行许多任务，如识别复杂模式、综合信息、得出结论和预测。

尽管 AI 的成功显著，但值得记住的是，它也有局限性。 例如，许多 AI 系统的一个主要批评是它们通常被视为“黑盒”，仅根据训练数据集映射输入和输出变量之间的关系。 这引发了关于系统是否能够推广到训练数据集中未出现的情况的担忧，以及通常很难深入了解问题和解决方案本质的情况。
21 世纪，由于深度学习等领域的进展，AI 再次受到关注，这得益于更快的计算机和大数据的可用性。 所有这些进展都得到了经典处理器单元计算能力不断提高的促进，但更重要的是得益于强大的图形处理单元（GPU），它们的图像处理速度比普通处理器快 40 到 80 倍。 这使得人工智能系统的训练速度在过去两年中提高了五倍甚至六倍。
 

架构

图 1 所示的 Elektrobit 数据科学平台架构遵循深度学习设计工作流中的两个主要操作：训练和推理，以及用于硬件集成和性能提升的附加层。工作台负责通过利用现有方法和工具进行系统的训练、原型设计和开发，并将 AI 算法视为平台中的工具箱。 训练本身将先前定义的数据输入网络，并通过强化正确的预测和纠正错误的预测来使其学习新能力。Elektrobit 数据科学平台中用于人工智能引擎的工具箱示例：合成数据生成器：使用我们的“生成一拍学习”算法人工生成合成数据。

• 驾驶上下文理解：从网格融合信息中分类驾驶上下文
• 行为仲裁：从现实世界的网格表示中理解驾驶上下文和策略优化
• 驾驶仿真环境：在虚拟仿真器（如 Microsoft 的 AirSim）中训练、评估和测试 AI 算法
• ADTF/ROS/Cloud 接口：与汽车和机器人框架（EB Assist ADTF 或机器人操作系统（ROS））接口，以及在云环境中部署训练和评估作业的可能性。

推理引擎代表训练模型的应用部署包装器。 例如，一个这样的包装器是用于驾驶上下文理解的 EB Assist ADTF（汽车数据和时间触发框架）组件。
我们使用的开源 AI 软件库是 Caffe2、TensorFlow 和 Cognitive Neural ToolKit（CNTK）。 这些是通过性能评估比较中表现最好的三种。
 

为汽车构建人工智能

在汽车行业中，构建软件模块的一个重要方面是进一步实现代码工业化并将其集成到车辆嵌入式平台中。

在 Elektrobit 的数据科学平台中开发 AI 算法遵循图 2 所示的工作流。 第一步是定义需求并收集训练过程所需的数据。 收集数据后，需要进行预处理，包括注释、归一化和过滤。 数据预处理是一个关键步骤，使 AI 算法的原型设计得以正确进行。 还需要设计阶段，然后是训练和验证过程。 一旦 AI 算法经过测试和验证，就可以作为 AI 推理引擎部署。