自动驾驶车辆（AV）的感知层早已离不开AI，但你是否想过——AI同样能够帮助车辆在规划与控制（规控）阶段做出更安全、更高效的决策？英飞凌（Infineon）正引领这一变革，携手行业伙伴共同探索将AI安全融入规控流程的方法。本文将带你深入解析这一前沿趋势。

一、AI在自动驾驶中的现状：感知已成主流，规控仍待突破

在自动驾驶计算链中，感知和场景理解构成基础模块，计算机视觉在其中扮演核心角色。英飞凌嵌入式AI与自动驾驶专家Florian Hauer指出：“在感知和场景理解方面，AI已经是主流解决方案，没有人会回到深度学习技术之前。”然而，在轨迹规划与轨迹控制（统称规控）领域，AI目前“很少或几乎不被采用”。

当前高级自动驾驶车辆（AV）仍主要依赖基于控制理论的确定性算法——这些算法经过行业专家40余年的精炼打磨，Tier1和OEM对其安全定义已形成“共同理解”。但英飞凌认为，用AI增强而非替代这些经典算法，才是提升安全性、可靠性和效率的关键。

二、为什么要在规控中使用AI？——动机与核心收益

英飞凌系统架构与应用高级负责人Jürgen Schäfer指出，其核心动机可归结为成本与能效优化。当前自动驾驶车辆原型普遍存在过度设计问题：冗余计算链、多控制器、液冷单元导致功耗高达2000W，系统不仅不可靠，而且成本高昂。

机器学习算法具备从数学角度预测未来的能力。例如：基于系统与环境过去20秒的运行数据，预测下一秒可能发生的事件。更为关键的是，机器学习能够以“随机方式”预测未来，通过随机确定的事件序列，有效避免确定性算法可能遇到的僵局。

小提示

• 不要试图用AI完全替代传统规控算法——英飞凌的目标是增强，而不是替换。安全气囊包装（安全包装）等概念可以降低风险。
• 聚焦具体用例：从简单的规控场景入手（如停车、变道），逐步验证AI的安全性。

三、安全用例构建：如何让AI在规控中可信？

构建AI规控的安全用例并非易事。Hauer强调需要循序渐进：

1. 影响分析与开发阶段适配

将AI整合进规控会影响开发过程的各个阶段，必须逐一识别并分析每个步骤对系统其余部分的影响。

2. 数据代表性验证

数据是否具有代表性？是否充分处理了极端情况？神经网络是否得到了正确训练？需要确认模型学到了正确的模式，而非仅仅过度拟合。

3. 设计意义与安全包装

“我们能否为AI构建一个安全包装？”——例如，当系统检测到AI的建议存在风险时，由经典算法介入接管。

4. 从具体实例中降低风险

英飞凌的策略是：开发一些具体的规控示例（如轨迹规划中的避障），深入技术层面剖析问题实例，并制定对应的“解决方案类型”。

常见问题

• 问：AI在规控中的安全用例需要标准化吗？
  答：Hauer表示，The Autonomous工作小组的目标并非标准化，而是提供参考解决方案，包括算法建议与最佳实践。
• 问：如何让OEM和Tier1接受AI规控？
  答：需要建立行业共识。英飞凌通过The Autonomous论坛分享假设，主导嵌入式AI安全工作组讨论，并与主要参与者开展合作。

四、使用哪种神经网络？——规控与感知的本质区别

计算机视觉需要检测、分类、分割等任务；而规控则侧重于回归与预测。因此两者采用的网络类型完全不同：

• 规控网络通常更小，因为规划仅需预测“下一步是什么样子”。
• 最有价值结构：循环神经网络（RNN），其中LSTM（长短期记忆网络）模拟大脑的工作方式：短期记忆→理解→长期记忆，需要足够的历史数据来理解上下文。
• MLP（多层感知机）是原始的前馈结构，诞生于1960年代；而LSTM于1998年首次发表，在数学上更为先进。

Hauer补充道：“我们不会更换整个规控模块，而是对其进行增强。在规划中，不同类别的解决方案下又包含多种技术，每种技术都有丰富的AI增强选择。”因此不存在单一的标准网络。

小提示

• 如果目标是预测，优先考虑LSTM等时序模型；如果是简单映射，MLP可能就足够了。
• 注意：你的AI方案需与现有确定性算法协同工作，例如将LSTM输出作为安全包装的输入之一。

五、时间表与行业合作

英飞凌嵌入式AI安全工作组已于今年启动，规划周期为18个月，目标在2024年发布技术论文或技术报告。该公司认为，嵌入式AI控制器（如Aurix MCU）能够为自动驾驶车辆等应用提供低延迟、低功耗的解决方案。为获得车厂支持，英飞凌正积极建立行业合作关系，共同论证AI规控的安全用例。

六、常见问题汇总

• 问：AI在规控中到底“安全”意味着什么？
  答：这是一个复杂问题，无法由单个公司给出答案。英飞凌正推动行业达成共识，其策略是聚焦具体用例，通过降低可量化风险来构建安全论点。
• 问：有没有成功案例可以参考？
  答：目前仍处于假设与验证阶段。The Autonomous工作组计划提供参考解决方案，包括算法建议与最佳实践，可关注其后续发布的技术报告。
• 问：对于开发者，如何开始尝试AI增强规控？
  答：建议从简单的轨迹预测任务入手，采用LSTM网络并配合安全包装逻辑。务必确保训练数据覆盖极端情况，并验证网络是否存在过度拟合。

七、总结要点

• AI已成熟应用于感知领域，但规控仍以确定性算法为主。
• 英飞凌主张以AI增强规控，从而降低成本和功耗，同时提升安全冗余。
• 安全用例需分步构建：分析影响→验证数据→设计安全包装→从具体实例降低风险。
• 规控采用的神经网络（如LSTM）与视觉网络不同，体量更小、侧重回归预测。
• 行业合作是关键：英飞凌正通过The Autonomous论坛推动共识，计划2024年发布技术成果。