[论文解读] Autonomous Vehicles: Evolution of Artificial Intelligence and Learning Algorithms

Divya Garikapati, Sneha Sudhir Shetiya|arXiv (Cornell University)|Feb 27, 2024

Evolutionary Algorithms and Applications被引用 8

一句话总结

本论文综述了AI与学习算法在自动驾驶车辆中的演变，详细描述了AI驱动的开发生命周期、伦理考量、物联网集成、ODDs，以及卡车与汽车的对比与趋势统计。

ABSTRACT

The advent of autonomous vehicles has heralded a transformative era in transportation, reshaping the landscape of mobility through cutting-edge technologies. Central to this evolution is the integration of Artificial Intelligence (AI) and learning algorithms, propelling vehicles into realms of unprecedented autonomy. This paper provides a comprehensive exploration of the evolutionary trajectory of AI within autonomous vehicles, tracing the journey from foundational principles to the most recent advancements. Commencing with a current landscape overview, the paper delves into the fundamental role of AI in shaping the autonomous decision-making capabilities of vehicles. It elucidates the steps involved in the AI-powered development life cycle in vehicles, addressing ethical considerations and bias in AI-driven software development for autonomous vehicles. The study presents statistical insights into the usage and types of AI/learning algorithms over the years, showcasing the evolving research landscape within the automotive industry. Furthermore, the paper highlights the pivotal role of parameters in refining algorithms for both trucks and cars, facilitating vehicles to adapt, learn, and improve performance over time. It concludes by outlining different levels of autonomy, elucidating the nuanced usage of AI and learning algorithms, and automating key tasks at each level. Additionally, the document discusses the variation in software package sizes across different autonomy levels

研究动机与目标

• 绘制当前自动驾驶车辆中AI与学习算法的全景图。
• 描述AI驱动的开发生命周期及其在质量、安全和伦理方面的考量。
• 评估ODDs、车辆类型（卡车与汽车）以及自主等级如何影响AI选择与软件复杂性。
• 突出AV生态系统中的物联网集成、车内体验与人机界面趋势。
• 呈现AV研究与实践中AI/ML/DNN使用与部署的趋势与统计数据。

提出的方法

• 对AVs中的AI与学习算法在期刊和会议上的文献综述。
• 对AI/ML/DNN使用趋势随时间和自主等级的统计分析。
• 对ODAs（Operational Design Domains）的分类及其对AI部署的影响。
• 讨论AI驱动的AV软件中的伦理考量、偏见和可解释性。
• 描述AI驱动的物联网生态系统集成与车内增强功能。

实验结果

研究问题

• RQ1 随着时间的推移，AI与学习算法在自动驾驶车辆中的使用如何演变？
• RQ2 AI驱动开发生命周期如何在AV软件中解决质量、安全和伦理问题？
• RQ3 在自主卡车与乘用车之间，AI模型参数与部署存在哪些差异？
• RQ4 物联网在AV AI生态系统中扮演何种角色，它如何影响用户体验？
• RQ5 自主等级如何与AI算法选择和软件包大小相关？

主要发现

• AV中的AI/ML/DNN使用呈现多年来的指数级增长趋势。
• 在自主卡车与汽车之间存在明显的参数集和部署考虑。
• ODDs与车辆类型影响算法选择、传感器融合需求与测试要求。
• 伦理考量与偏见缓解在AI驱动的AV开发中至关重要，包括可解释性与隐私问题。
• 物联网集成与车内NLP/GenAI/大语言模型正在塑造用户体验和边缘计算策略。
• 出版与部署趋势显示在2018–2021年间出现激增，部署模型数量显著增加（如2021年的737个），并持续向GenAI和LMMs转变。