張哲誠副教授/逢甲大學資訊工程學系

當我們獲得車輛的周圍環境資訊後，要如何控制車子呢?傳統是以基於規則(Rule-based)的方式來設計控制邏輯，但這僅限於簡單的場景，例如：封閉場域或特定場域的運行，因為環境相對單純、簡單，工程師可以設定一些條件來控制車子。但如果是在真實環境的自動駕駛，由於環境太過複雜，無法一次考慮到所有的條件，所以就必須導入人工智慧(Artificial Intelligence，AI)來幫我們開車。

強化學習(Reinforcement learning，RL)是實現人工智慧的一種技術，透過讓演算法不斷與環境互動並從中學習，來優化演算法的行為策略。我們可以想像：強化學習在自動駕駛中，就像是利用賽車電玩的方式，只要不小心撞到或者是違反交通規則，我們就會請車子回到原點重開。經過幾千次、幾萬次的嘗試之後，等到車子能夠完美地開完整個路線，就代表演算法足夠成熟了，接著就能移植到實際的車輛進行實車測試。這種可以在虛擬環境中進行無限測試，成本極低的強化學習，正成為科學家們把自動駕駛實現並普及化的一個希望。