论文部分内容阅读
【摘要】 “人工智能”一词最初在美国达特茅斯大学被创造，其愿景是创造出可以模拟甚至替代人类智力的机器。自从人工智能诞生以来，历代学者对人工智能的探究逐渐加深，从最初的专家系统到计算机视觉，再到近十年来的深度学习，各项技术逐渐从实验室中的科学研究，走向了产业化应用阶段。本文专注于人工智能各项技术在交通领域的应用，首选概述了人工智能的发展历程，并对国内该领域研究现状进行总结，又论述了计算机视觉、大数据和云计算技术，并分别总结出上述技术与交通领域应用场景的结合，包括计算机视觉在无人驾驶中的应用、大数据在智慧交通中的应用、云计算在交通路网最短路径规划中的应用，在此基础上分析出人工智能技术在交通领域的广阔应用前景。
【关键词】 计算机视觉 大数据 云计算 交通
引言
当科技不断融入我们的生活，人工智能开始崛起，运用到了各个方面的领域之中。人工智能在交通领域的应用—无人驾驶开始崭露头角。
在2020年9月15日召开的百度线上发布会中，地图事业部副总裁季永志向我们展示了人工智能地图赋能交通强国建设的阶段性成果。分析了打造智能交通数字化基础建设的三个方面—智能交通、智能停车、智能物流以及现阶段的智能百度地图。展现了人工智能在交通领域应用的发展潜力。而在随后的第三届世界人工智能大会上，百度CEO李彦宏表示人工智能（AI）会改变现在的每一个行业，而AI在无人驾驶的领域正在证明其颠覆和重构潜力。
目前，无数走在科技前沿的人对于人工智能有着巨大的肯定与信心，相信它会改变我们的世界。人工智能在交通领域的应用，具有场景丰富、落地成熟等优势，有必要进行详细论述和分析。
一、人工智能概述
1.1人工智能发展历程
上世纪四五十年代，人类发明了计算机，便开始探索如何让计算机代替人类进行部分脑力活动。1956年，在达特茅斯会议上，“人工智能”的概念开始出现，而后Donald Hebb首次提出了人工神经网络的概念。通过算法来模拟人类的神经网络的行为特征。
到了五六十年代，人工智能处于形成阶段，其概念被逐渐提出，直到1969年第一届国际人工智能会议的召开，人工智能才正式被世界承认。
七十到九十年代，人工智能进入发展阶段，实现了从理论走向应用。1975年，斯坦福大学推出科学推理程序;1974年，Pual Werbos提出BP算法;1980年美国召开的第一届机器人学习国际研讨会，代表了机器人的兴起。从此之后，机器人发展迅速，取得了丰硕成果。1997年，IBM在国际象棋中第一次击败了人类世界冠军。
九十年代末至今，人工智能已逐渐成熟，深度学习的研究兴起。人工智能在各个行业得到了广泛应用，其各项水平甚至超越了人类。2016年，谷歌开发的AlphaGo程序，在围棋方面战胜了世界顶尖的选手。自此深度学习也被学界认可。
现如今，正是人工智能发展的第三次高潮，以深度学习、计算机视觉、大数据和云计算为代表的人工智能核心技术，正在逐渐从科学研究走向产业化应用的层面，人工智能所带来的工业革命正把我们带到一个崭新的“未来世界”。
二、人工智能核心技术
2.1 计算机视觉
近几年来，随着人工智能技术的发展，它们正逐步进入我们的生活，计算机的视觉技术也有了很大的发展。计算机视觉技术被分为“视觉感知”和“视觉与语言”在视觉感知中，计算机通过物体的大类识别和细粒度视觉分类来识别物体。由于深度学习技术的引入，计算机对于物体大类识别的准确率大大提升。
而对于细粒度视觉分类，它通过图像整体信息并结合特定区域的特征信息进而判断图像。第二点是关于计算机的目标检测，它运用算法定位目标在图中的准确位置，并给出准确目标信息，是诸多细粒度分支任务中的一个。除了以上兩个基础任务外，还有许多计算机视觉理解的任务，旨在进一步分析理解图像。计算机需要将图像转换、分割，从而达到理解的目的。
2.2 大数据
大数据指的是海量数据，我们需要专业的数据处理软件，实现数据的利用价值，使其更加有效率，实现各个单位的良好运赢。
大数据有着许多特点：
（1）大量化，数据显示出爆炸式的增长，近两年数据的增长量就达到了以前产生数据的总和;
（2）快速化，大数据时代，人们开始主动创造数据，数据产生到利用的时间大幅减少，从而缩减了生产决策的时间;
（3）多样化，新型数据源的产生，是数据结构发生变化，结构、格式多样，使用的标准也具有了多样性，因此我们需要更加智能化的信息技术来处理信息;
（4）价值化，数据十分海量，从而导致其价值密度减小，我们要在海量数据中提取有价值的数据，实现数据价值化，这也成为了大数据未来发展面对的重大挑战。
大数据技术可以处理P8级别的数据，可满足数据爆发式的增长，它可以适应各数据结构、格式上的不同，实现实时处理。目前为止，许多网络平台开始运用大数据技术，企业研发大数据技术，应用到企业管理之中，大大提高了管理和生产效率。
2.3 云计算
简单来说，云计算的核心是一种分布式处理与运算方法，但其主体不是我们常见的计算机，而是网络。“云计算”是一种统一调配与管理大量网络连接的计算资源，并将原本复杂且庞大的计算拆开重组，分散到不同的服务器系统进行处理与分析，最后将得到的结果进行整合的一种计算方法。
云计算具有如下特征：
（1）规模庞大，大量服务器叠加前所未有的计算能力。
（2）虚拟化，“云”并不是实体，而是由网络组成的“云端”，没有物理界限的限制，可随时获取服务。 （3）高可用性，云计算具有优异的保障措施。
（4）通用性，“云”可以适用于各种各样的应用场景。
（5）动态的可扩展性，“云”使用户可以随时随地根据需求增减IT资源，如服务器算力。
（6）按需服务，“云”是资源，如同水电煤一般，是新时期的“基础设施”。
三、人工智能技术在交通领域的应用
3.1 计算机视觉在交通领域的应用
计算机视觉技术在交通领域的应用场景主要为无人驾驶领域。在无人驾驶领域，计算机视觉相当于车辆的“眼睛”，通过摄像头采集图像，进而提取有用信息、过滤无用信息，为自动行驶的车辆提供环境感知功能。具体功能包括：车道线检测、交通标示识别、行人检测等。以车道线检测为例，激光雷达等传统的车辆感知元器件并不能检测车道线，只能通过摄像头进行感知，现阶段主流算法为基于特征的车道线检测和基于模型的车道线检测，由于基于特征的车道线检测对车道线边界的清晰度有一定要求，且车道线的磨损和遮挡均会对检测结果产生较大影响，因此基于模型的车道线检测更具有应用价值。
而基于特征的检测方法更适用于交通指示牌检测，交通指示牌轮廓清晰，色彩辨识度高且常用文字注释，有更为突出的特征。在检测到交通指示牌后，仍需对内容进行识别，获取指示牌上的道路交通信息，常见的方法为卷积神经网络算法和SVM分类算法。此外，计算机视觉应用在无人驾驶领域，还要考虑光线过强或过弱、雾霾等特殊天气等场景下的可靠性，避免道路环境恶劣的情况下自动驾驶车辆造成的路面隐患。
3.2 大数据在交通领域的应用
大数据在交通领域的主要应用场景是智慧交通。现如今，随着车辆拥有者的数量逐渐攀升，城市交通的压力越来越大，而基于大数据的智慧交通系统可有效缓解此类问题。智慧交通的体系主要由三部分组成：感知层、软件应用平台和预测与优化系统。其中感知层负责收集交通信息，即交通大数据，包括行人、车流量、路面状况等情况，在硬件上可使用传感器和摄像头实现信息采集，在软件层面，智慧交通系统可获取手机等移动终端的位置信息，实现路面拥堵状况的实时监测。软件应用平台将感知层采集到的大数据进行整合和转换，为进一步的预测和优化做好支撑。
而预测与优化系统要挖掘出交通大数据的价值，进而对交通做出实时控制，包括车流控制、智能诱导、事故紧急处理、停车位规划等，使得城市交通保持最优化的运转状态并对交通事故做出快速反应。
3.3 云计算在交通领域的应用
交通路网最短路径规划是云计算在交通领域的典型应用场景。路径规划是一个典型的运筹学问题，在交通领域主要包含出租车调配、专车接送调配以及货运路线规划。在进行大规模道路网络最优规划时，需要较大的算力支撑，此时云计算可充分调用云端服务器，进行分布式并行运算。MapReduce作为一种并行编程模型框架，可满足跨省路径规划的计算要求，具有较高的准确度。此外，在交通管理方面，云计算可应用于交管系统构建和道路违章管理，利用其分布式计算的优势，节约交通部门的算力投入，提升管理系统的运算能力和时间节省度。
四、结论
人工智能技术经历了近七十年的发展历程后，涌现出许多创造性的技术，从最初的专家系统到计算机视觉，现如今演进到深度学习、大数据、云计算等。随着科学研究涌现出一个又一个创举，人工智能的产业化成为现如今的热点。人工智能在交通领域有着广泛的应用，本文探究了计算机视觉、大数据和云计算三项技术在交通领域的应用场景。计算机视觉是无人驾驶的核心技术，包括基于特征和基于模型两类算法，可实现车道线和交通标识的检测和識别。大数据主要应用于智慧交通，通过感知层采集交通大数据，通过软件应用平台进行数据的整理和分类，进而对城市交通进行预测和优化。
云计算具有分布式运算的特征，可应用于交通路网最短路径规划、交管系统构建和道路违章管理等场景，为交通行业提供大量的计算资源。人工智能在交通领域的应用仍存在许多问题，如无人驾驶领域的安全性和可靠性，以及智慧交通领域的数据泄露隐患等。
参 考 文 献
[1] 李跃勇.大数据技术理论及其应用实践探索[J].计算机产品与流通，2020（11）：211.
[2] 姜国睿，陈晖，王姝歆.人工智能的发展历程与研究初探[J].计算机时代，2020（09）：7-10+16.
[3] 范志远，崔田田，王青松.计算机视觉在无人驾驶领域的应用[J].数码世界，2020（05）：2.
[4] 余京蕾.浅谈计算机视觉技术进展及其新兴应用[J].北京联合大学学报，2020，34（01）：63-69.
[5] 向阳.驶向未来的无人驾驶汽车[J].科学24小时，2016（05）：4-5.
[6] 苏子毅，顾怀中. 云计算技术在智能交通管理中的应用探讨[A]. 中国智能交通协会.第八届中国智能交通年会优秀论文集——智能交通与安全[C].中国智能交通协会：中国智能交通协会，2013：7.
[7] 倪琴，许丽.云计算技术在智能交通系统中的应用研究[J].交通与运输（学术版），2012（01）：106-109.
【关键词】 计算机视觉 大数据 云计算 交通
引言
当科技不断融入我们的生活，人工智能开始崛起，运用到了各个方面的领域之中。人工智能在交通领域的应用—无人驾驶开始崭露头角。
在2020年9月15日召开的百度线上发布会中，地图事业部副总裁季永志向我们展示了人工智能地图赋能交通强国建设的阶段性成果。分析了打造智能交通数字化基础建设的三个方面—智能交通、智能停车、智能物流以及现阶段的智能百度地图。展现了人工智能在交通领域应用的发展潜力。而在随后的第三届世界人工智能大会上，百度CEO李彦宏表示人工智能（AI）会改变现在的每一个行业，而AI在无人驾驶的领域正在证明其颠覆和重构潜力。
目前，无数走在科技前沿的人对于人工智能有着巨大的肯定与信心，相信它会改变我们的世界。人工智能在交通领域的应用，具有场景丰富、落地成熟等优势，有必要进行详细论述和分析。
一、人工智能概述
1.1人工智能发展历程
上世纪四五十年代，人类发明了计算机，便开始探索如何让计算机代替人类进行部分脑力活动。1956年，在达特茅斯会议上，“人工智能”的概念开始出现，而后Donald Hebb首次提出了人工神经网络的概念。通过算法来模拟人类的神经网络的行为特征。
到了五六十年代，人工智能处于形成阶段，其概念被逐渐提出，直到1969年第一届国际人工智能会议的召开，人工智能才正式被世界承认。
七十到九十年代，人工智能进入发展阶段，实现了从理论走向应用。1975年，斯坦福大学推出科学推理程序;1974年，Pual Werbos提出BP算法;1980年美国召开的第一届机器人学习国际研讨会，代表了机器人的兴起。从此之后，机器人发展迅速，取得了丰硕成果。1997年，IBM在国际象棋中第一次击败了人类世界冠军。
九十年代末至今，人工智能已逐渐成熟，深度学习的研究兴起。人工智能在各个行业得到了广泛应用，其各项水平甚至超越了人类。2016年，谷歌开发的AlphaGo程序，在围棋方面战胜了世界顶尖的选手。自此深度学习也被学界认可。
现如今，正是人工智能发展的第三次高潮，以深度学习、计算机视觉、大数据和云计算为代表的人工智能核心技术，正在逐渐从科学研究走向产业化应用的层面，人工智能所带来的工业革命正把我们带到一个崭新的“未来世界”。
二、人工智能核心技术
2.1 计算机视觉
近几年来，随着人工智能技术的发展，它们正逐步进入我们的生活，计算机的视觉技术也有了很大的发展。计算机视觉技术被分为“视觉感知”和“视觉与语言”在视觉感知中，计算机通过物体的大类识别和细粒度视觉分类来识别物体。由于深度学习技术的引入，计算机对于物体大类识别的准确率大大提升。
而对于细粒度视觉分类，它通过图像整体信息并结合特定区域的特征信息进而判断图像。第二点是关于计算机的目标检测，它运用算法定位目标在图中的准确位置，并给出准确目标信息，是诸多细粒度分支任务中的一个。除了以上兩个基础任务外，还有许多计算机视觉理解的任务，旨在进一步分析理解图像。计算机需要将图像转换、分割，从而达到理解的目的。
2.2 大数据
大数据指的是海量数据，我们需要专业的数据处理软件，实现数据的利用价值，使其更加有效率，实现各个单位的良好运赢。
大数据有着许多特点：
（1）大量化，数据显示出爆炸式的增长，近两年数据的增长量就达到了以前产生数据的总和;
（2）快速化，大数据时代，人们开始主动创造数据，数据产生到利用的时间大幅减少，从而缩减了生产决策的时间;
（3）多样化，新型数据源的产生，是数据结构发生变化，结构、格式多样，使用的标准也具有了多样性，因此我们需要更加智能化的信息技术来处理信息;
（4）价值化，数据十分海量，从而导致其价值密度减小，我们要在海量数据中提取有价值的数据，实现数据价值化，这也成为了大数据未来发展面对的重大挑战。
大数据技术可以处理P8级别的数据，可满足数据爆发式的增长，它可以适应各数据结构、格式上的不同，实现实时处理。目前为止，许多网络平台开始运用大数据技术，企业研发大数据技术，应用到企业管理之中，大大提高了管理和生产效率。
2.3 云计算
简单来说，云计算的核心是一种分布式处理与运算方法，但其主体不是我们常见的计算机，而是网络。“云计算”是一种统一调配与管理大量网络连接的计算资源，并将原本复杂且庞大的计算拆开重组，分散到不同的服务器系统进行处理与分析，最后将得到的结果进行整合的一种计算方法。
云计算具有如下特征：
（1）规模庞大，大量服务器叠加前所未有的计算能力。
（2）虚拟化，“云”并不是实体，而是由网络组成的“云端”，没有物理界限的限制，可随时获取服务。 （3）高可用性，云计算具有优异的保障措施。
（4）通用性，“云”可以适用于各种各样的应用场景。
（5）动态的可扩展性，“云”使用户可以随时随地根据需求增减IT资源，如服务器算力。
（6）按需服务，“云”是资源，如同水电煤一般，是新时期的“基础设施”。
三、人工智能技术在交通领域的应用
3.1 计算机视觉在交通领域的应用
计算机视觉技术在交通领域的应用场景主要为无人驾驶领域。在无人驾驶领域，计算机视觉相当于车辆的“眼睛”，通过摄像头采集图像，进而提取有用信息、过滤无用信息，为自动行驶的车辆提供环境感知功能。具体功能包括：车道线检测、交通标示识别、行人检测等。以车道线检测为例，激光雷达等传统的车辆感知元器件并不能检测车道线，只能通过摄像头进行感知，现阶段主流算法为基于特征的车道线检测和基于模型的车道线检测，由于基于特征的车道线检测对车道线边界的清晰度有一定要求，且车道线的磨损和遮挡均会对检测结果产生较大影响，因此基于模型的车道线检测更具有应用价值。
而基于特征的检测方法更适用于交通指示牌检测，交通指示牌轮廓清晰，色彩辨识度高且常用文字注释，有更为突出的特征。在检测到交通指示牌后，仍需对内容进行识别，获取指示牌上的道路交通信息，常见的方法为卷积神经网络算法和SVM分类算法。此外，计算机视觉应用在无人驾驶领域，还要考虑光线过强或过弱、雾霾等特殊天气等场景下的可靠性，避免道路环境恶劣的情况下自动驾驶车辆造成的路面隐患。
3.2 大数据在交通领域的应用
大数据在交通领域的主要应用场景是智慧交通。现如今，随着车辆拥有者的数量逐渐攀升，城市交通的压力越来越大，而基于大数据的智慧交通系统可有效缓解此类问题。智慧交通的体系主要由三部分组成：感知层、软件应用平台和预测与优化系统。其中感知层负责收集交通信息，即交通大数据，包括行人、车流量、路面状况等情况，在硬件上可使用传感器和摄像头实现信息采集，在软件层面，智慧交通系统可获取手机等移动终端的位置信息，实现路面拥堵状况的实时监测。软件应用平台将感知层采集到的大数据进行整合和转换，为进一步的预测和优化做好支撑。
而预测与优化系统要挖掘出交通大数据的价值，进而对交通做出实时控制，包括车流控制、智能诱导、事故紧急处理、停车位规划等，使得城市交通保持最优化的运转状态并对交通事故做出快速反应。
3.3 云计算在交通领域的应用
交通路网最短路径规划是云计算在交通领域的典型应用场景。路径规划是一个典型的运筹学问题，在交通领域主要包含出租车调配、专车接送调配以及货运路线规划。在进行大规模道路网络最优规划时，需要较大的算力支撑，此时云计算可充分调用云端服务器，进行分布式并行运算。MapReduce作为一种并行编程模型框架，可满足跨省路径规划的计算要求，具有较高的准确度。此外，在交通管理方面，云计算可应用于交管系统构建和道路违章管理，利用其分布式计算的优势，节约交通部门的算力投入，提升管理系统的运算能力和时间节省度。
四、结论
人工智能技术经历了近七十年的发展历程后，涌现出许多创造性的技术，从最初的专家系统到计算机视觉，现如今演进到深度学习、大数据、云计算等。随着科学研究涌现出一个又一个创举，人工智能的产业化成为现如今的热点。人工智能在交通领域有着广泛的应用，本文探究了计算机视觉、大数据和云计算三项技术在交通领域的应用场景。计算机视觉是无人驾驶的核心技术，包括基于特征和基于模型两类算法，可实现车道线和交通标识的检测和識别。大数据主要应用于智慧交通，通过感知层采集交通大数据，通过软件应用平台进行数据的整理和分类，进而对城市交通进行预测和优化。
云计算具有分布式运算的特征，可应用于交通路网最短路径规划、交管系统构建和道路违章管理等场景，为交通行业提供大量的计算资源。人工智能在交通领域的应用仍存在许多问题，如无人驾驶领域的安全性和可靠性，以及智慧交通领域的数据泄露隐患等。
参 考 文 献
[1] 李跃勇.大数据技术理论及其应用实践探索[J].计算机产品与流通，2020（11）：211.
[2] 姜国睿，陈晖，王姝歆.人工智能的发展历程与研究初探[J].计算机时代，2020（09）：7-10+16.
[3] 范志远，崔田田，王青松.计算机视觉在无人驾驶领域的应用[J].数码世界，2020（05）：2.
[4] 余京蕾.浅谈计算机视觉技术进展及其新兴应用[J].北京联合大学学报，2020，34（01）：63-69.
[5] 向阳.驶向未来的无人驾驶汽车[J].科学24小时，2016（05）：4-5.
[6] 苏子毅，顾怀中. 云计算技术在智能交通管理中的应用探讨[A]. 中国智能交通协会.第八届中国智能交通年会优秀论文集——智能交通与安全[C].中国智能交通协会：中国智能交通协会，2013：7.
[7] 倪琴，许丽.云计算技术在智能交通系统中的应用研究[J].交通与运输（学术版），2012（01）：106-109.