驾驶认知的形式化.pptx

驾驶认知的形式化

FormalizationofDrivingCognition;一、从象棋脑、围棋脑到驾驶脑;3;4;5;和计算机下围棋难在哪里？;对一个特定的棋局（态势）,国际象棋有35种可能的走法（决策），沿每种走法深下去可达80层，需要3580种遍历搜索；而围棋比赛，对一个特定的棋局常常需要有250150种遍历搜索，计算和推理量巨大。围棋因其巨大的搜索空间和困难的棋局态势表达，被认为千古无同局，历来是人工智能的最大挑战。;AlphaGo突破了传统程序，搭建了两套模仿人类思维的深度卷积神经网络：valuenetworksandpolicenetworks，学会了向人类棋手学习，从海量样本的胜局和败局中学习，并自动提取规则，进行推理。分析这次人机大战的棋局，并没有看到来自“天外来客”的奇招。;AlphaGo以4:1战胜9段围棋高手李世石，全球为之震撼，世界一片哗然!

;棋类高手与人工智能发展成果积累的对决，是让棋手充当测试员的一次科学试验

一个人与一群人（棋类高手+AI高手）的对决

一个生物人与“人与机器混合生物”之间的对决;AlphaGo的局限性;AlphaGo的局限性;驾驶脑:驾驶认知的形式化;从汽车到轮式机器人：;驾驶认知的形式化，强调如何用人工智能技术代替驾驶员的感知、认知和行为，确保车辆自主行驶，而不必纠结于机器驾驶脑和驾驶员脑是否在微观上具有相似性！;智能驾驶等级区分;如果人脑特定问题域的认知能力可以通过大数据认知先局部地形式化，构造出驾驶脑、围棋脑、文秘脑、聊天脑等，哪怕在微观上不具有组织结构的相似性，但在宏观上不亚于特定人的智商和情商。那么，当千千万万的特定问题域的认知能力局部形式化之后，用人工智能技术构建千千万万“一脑一用”的认知脑，并通过移动互联网、云计算，就可以倒逼并逼近一个“一脑万用”的人造生物脑。;二、驾驶认知的形式化约束;“Google无人驾驶汽车有上百万英里的测试经验，大致相当于人类75年的驾龄。”

——2015年5月15日;驾驶认知的本质是统计和进化;驾驶认知形式化约束;驾驶脑;驾驶认知的形式化，也许不必一开始就弄清驾驶员认知的微功能、微结构、人脑内各种连接关系的复杂??织；也不必一开始就弄清高并发、大流量、大数据信息编码以及脑精细组织跨区域的关联，要懂得忽略和聚焦，懂得抽象和分离。

;驾驶认知的形式化，强调如何用人工智能技术代替驾驶员的感知和认知，确保车辆自主行驶，而不必纠结于机器驾驶脑和驾驶员脑是否在微观上具有相似性！;驾驶认知坐标系的形式化;心理物理学定律;反映驾驶认知的对数极坐标系;车速

Km/h;感知、认知的多坐标系和坐标系变换;驾驶员的认知坐标系近似为随车而动的对数极坐标系，充分体现了选择性注意！;三、驾驶脑架构设计原则;回顾近十年来我们参加的比赛和里程碑试验，智能车各种感知和认知手段，相互依存，彼此缠绕。在各类比赛场、测试场，智能车表现千奇百怪、反反复复，我们困惑过，迷茫过，试来试去，换车、换平台、加电源、换模块，通过多车交叉验证和常态试验，终于理出了头绪，形成全新的驾驶脑设计!;和各种车载传感器相比，驾驶脑的架构设计、模块划分和界面约定才是智能车的生命力，进而决定智能车产业的核心竞争力！;;系统原则;架构师应该确保驾驶脑架构设计的普适性，当某一传感器或者某一认知计算软件性能提高后，仍然能够保证驾驶脑的扩展和智商的提高。

对架构师而言，传感器的多少、驾驶智商的高低不应该影响架构；换一个新型传感器或者软件模块新版本，如同汽车换一个车灯，换一个车辆平台，甚至换一种驾驶风格，都不会影响架构。

;不做什么？为什么不做？;先觉后视;做好什么？做强什么？;明确任务目标;分层与模块化是智能车软件工程的重要思想，上层对下层有数据依赖，纵向分开的并列部分不直接关联，不从模块中导出函数，“绝招”和“脏”的代码都被孤立在模块的里面

核心是工作总线和调试总线的切分，以及调试总线和自学习总线的复用

确立“没有哪个软件模块不会被再修改”的原则;表现原则;软件工程随着遗产代码的积累和进化，新系统的架构设计已经取代传统编码成为软件工程的核心问题，软件开发已经演变为配置为主、编程为辅，驾驶脑研发也不例外。;尽管架构中模块配置的过程本身还是通过模块化编程的方式来完成，但本质上这些模块只是在定制成熟算法的运作方式，其技术难度要比编写平台自带的、或者可以移植过来的高质量的成熟算法（如函数库）至少低一个数量级。悲催的是，多数人在认真地做着相反的事。;快乐编程原则;体现人类认知的驾驶脑的