CCF-GAIR大会上，专家对自动驾驶说了些什么

很多人把今年称为人工智能元年。

虽然这个称号还没有得到任何官方认证，但从今年各种科技论坛和展会上人脸识别的出现频率来看，人工智能确实在一定程度上迎来了爆发。

对于汽车来说，无人驾驶一定是未来最关键的功能。

基于自动驾驶延伸的应用场景也给交通和用户带来更多可能。

要实现无人驾驶，人工智能必须达到一定水平，能够在任何情况下控制车辆做出最合适的动作。

上周末，在深圳举办的CCF-GAIR人工智能峰会上，我见到了很多自动驾驶和人工智能领域的专家和实践者。

听听他们说什么和做什么。

卡内基梅隆大学国家工程研究中心（NREC）研究主任阿隆佐·凯利（Alonzo Kelly） 教授：目前，NREC主要进行移动机器人的研究，无人驾驶汽车就是其中的一部分。

在他看来，大学实际上并不直接生产此类技术，而是帮助企业将其商业化。

这需要考虑两个因素。

第一个是项目的可行性，第二个是可持续性。

大公司有很大的技术限制。

NREC将帮助他们建立一个完整的自动化系统，其中包括仿真、控制、规划、巡航等部分。

构建自动化系统需要很高的成本，所以他们会同时与几家公司合作。

此外，企业也愿意与大学合作，因为这样可以降低成本，减少政府资金的浪费。

NREC 30%以上的项目得到政府支持，因此他们也会帮助企业申请政府资助。

一般来说，在美国，大学直接进行研发，企业必须获得授权才能与大学合作。

对于他们来说，这消除了直接购买专利的需要，从而降低了成本并提高了利润。

大学的主要利润来源是许可费和版权费。

总之，高校与企业合作的成本确实更低，企业也解决了一些技术问题。

这是一个双赢的过程。

神州租车首席信息官刘亚晓：自动驾驶最终会实现商业化、平台化、联盟化。

中国希望打造整体旅游平台。

然而，当前的自动驾驶也遇到了以下问题：无线网络和车载设备的计算能力是否足够强大？驾驶领域真的有这么多数据吗？车联网目前已经取得了哪些成果？汽车行业标准和道路交通标准是否实现了自动驾驶的完整生态链？这需要以下三个条件才能成熟： 1、处理能力大大增强，云计算让我们有足够的空间来存储数据； 2、物联网、互联网的普及，极大丰富了数据。

有了如此大量的数据，有很好的手段来丰富你的训练水平。

比如Deep Mind也是一个自己在网上玩的游戏。

您可以自行查找游戏记录； 3.随着科研平台的普及，Deep Leaning已触手可及。

贡献。

从目前来看，虽然深度学习在IT界取得了巨大成功，但自动驾驶要想取得成功，还需要跨越巨大的差距。

例如，自动驾驶平台是一辆汽车，需要维护、购买、运营、维修和管理。

自动驾驶系统和现有的车辆系统似乎没有什么区别。

清华大学教授、孙富春：主要介绍了国家自然科学基金重大研究项目音音频信息委员会的八年计划。

该项目由国家自然科学基金委员会经过8年论证后立项。

这是视觉和听觉认知计算领域的一个重大项目。

年复一年，总共也有8年。

目的是研究人类视觉和听觉的认知机制，开发新的高效计算模型，提高计算机对人类视觉和听觉感知相关的图像、语音和文本信息的理解和处理效率。

，是围绕认知过程的表达和计算的基本科学问题。

主要工作是研究人类视觉和听觉的感知。

这些信息如何在大脑中编码？大脑区域如何合作融合信息？他们想把这些变成可计算的模型，这样听觉信息和视觉信息就可以被编码，通过可计算模型进行处理来感知和理解环境，并将这种理解与人类的理解进行比较。

，并最终将这项技术运用到自动驾驶中。

今年以来，他们总共举办了7场自动驾驶挑战赛。

目前，将自然语言理解和脑机接口融入汽车平台的许多成果仍处于实验室。

希望自动驾驶平台取得的重大进展能够进一步推动创新，引领自动驾驶行业的发展。

未来，他们希望实现以下目标：1.认知机制研究成果以及如何形成可计算的模型。

我们探索了很多方法，还需要进一步完善。

2、认知过程中如何表达和理解环境知觉的拓扑结构信息。

3.探索新兴的多模态传感器，例如集成声音和视频信息。

4、研究人机智能的混合问题。

这也是刚才国家提到的人工智能2.0版本。

我们需要研究人机混合的智能系统。

希望通过自动驾驶挑战赛的平台发表更多认知科学成果。

百度高级副总裁兼自动驾驶事业部总经理王进：首先介绍了汽车领域发展的三大趋势：“1.新能源汽车，降低制造门槛；2.汽车共享，高效消除低效率；3.汽车智能、自动驾驶是大势所趋，车企普遍从低级辅助驾驶入手，希望通过不断提升辅助驾驶能力来实现未来的完全无人驾驶，他们的想法是聚焦成本，逐步提升安全性。

谷歌的路径是购买最昂贵的传感器，我们希望用最好的计算能力和传感器来保证自动驾驶的安全，在未来几年内，产业化的努力将传感器的价格降低到大众可以接受的水平。

汽车智能化是一种“云+端”的技术，当智能汽车与交通实时交互，汽车之间实时交互时，交通效率就能得到极大的提升。

自动驾驶如果要产业化，成本会比出租车的成本低很多。

自动驾驶如果做得好，将大大提高交通安全、交通效率及其经济效益，使人们的出行成本更低。

百度的人工智能主要依靠三大核心：算法、海量数据、卓越的算力。

百度于去年12月推出了第一版自动驾驶汽车，目前已升级至3.0版本。

Velodyne COO Michael Jellen：以前的传感器很容易受到强光刺激或恶劣天气的影响。

在复杂的交叉路口，传感器需要预测所有可操纵物体的运动。

但如果您有激光雷达，您可以快速检测到这些情况。

与超声波雷达和摄像头相比，激光雷达最大的优势在于可以随时传回高清3维图片。

不仅在光照条件良好的环境下表现良好，在一些极端天气条件下也有很好的表现。

随着生产全面铺开，成本可进一步降低。

我们使用LiDAR拍摄高清3D照片，然后将这些照片组合成3D高清图像，以充分感知路障、路况和建筑物，并与导航系统配合。

全自动无人驾驶首先要有一张高清地图，精度要达到毫米级。

然后会有一个3D架构，可以让人们观察或了解当地的路况，了解前方的交通状况，从而做出二次决策。

通过这种双重保险我们可以挽救更多的生命并减少车祸。

宝马中国自动驾驶高级经理Maximlian Doemling：宝马对自动驾驶的研究是为了：提高驾驶安全性；提供驾驶的舒适性和享受；并提高整体驾驶效率。

Maximlian Doemling简单概述了宝马的自动驾驶之路： 第一阶段：从2016年开始，我在赛道上做了一些自动驾驶训练，主要是在高速公路上行驶或者停车等基本技能。

;第二阶段：训练自动驾驶执行紧急停车辅助驾驶功能；第三阶段：首次在德国高速公路上进行自动驾驶高速公路测试，例如允许自动驾驶车辆避开障碍物； 2016年设立了专门的赛道，在这条赛道上，无论汽车如何行驶，都可以测量极端条件下自动驾驶的情况。

2018年推出的全自动远程停车系统开发了一项技术，可以让汽车进行速度检测，从而可以避免碰撞。

为此，宝马对道路模型的生成和算法进行了深入研究。

在掌握所有数据之前，整合不同的信息，对所有信息进行分组，消除可能的位置误差信息等。

下一步将是建立模型以形成道路形状。

这包括道路上的障碍物和车辆，所有这些都会输入到统计模型中，生成实时统计数据模型。

无需地图即可呈现真实路况。

另一件事是构建更安全的系统。

除了驾驶员行为之外，还有相关物体的安全。

例如，我们有一个非常好的安全系统，以确保制动器、发动机、发动机等全部集成在一起，并在维护良好的环境和条件下协同工作。

一旦出现任何功能变化或警告，整个系统就会启动紧急控制按钮，立即向驾驶员发出警报。

乐视超级汽车智能驾驶副总裁倪凯：倪凯认为，目前的人工智能还不够强大，无法在获得与人类相同信息的同时，实现足够好的自动驾驶体验。

解决这个问题是提高自动驾驶实用化水平的关键。

针对这个问题，倪凯提出的解决方案分为软件和硬件两个方面：硬件方面，一是结合更多传感器的数据作为判断依据。

这样，即使其中几个传感器发生故障，其他传感器仍然可以输出正确的数据。

激光雷达是一种很有前景的解决方案。

二是更多地利用地图信息。

地图可以被视为附加传感器。

最好利用一些高精度的地图信息。

高精度不仅意味着更高的准确度，还意味着它包含对驾驶有用的附加信息。

三是建立更加高效的计算平台。

实现更好的自动驾驶性能需要更好的计算平台。

软件方面也存在三大挑战。

首先是计算框架。

由于自动驾驶的软件非常复杂，因此需要良好的计算框架。

与传统的技术框架相比，现在出现了一种新型框架：利用输入的传感器数据通过深度学习网络，可以直接获得最终的控制量，跳过感知和规划的中间阶段。

这种方法很简单，但还不能取代第一代网络。

由于启动时间比较短，而且这种网络本身在极少数场景下出现的可能性越来越小，因此训练所需的数据量非常大，并且会呈指数级增长。

目前的训练数据还不是很理想，训练数据已经变得更加遥不可及，所以短期内这种训练数据不会成为主流，但从长远来看它将是一个非常有前途的软件架构。

其次，由于汽车行业本身的要求，需要大量的测试和验证。

由于其技术特殊性，自动驾驶对测试场景的多样性提出了更高的要求。

为了满足这个要求，未来很可能会使用模拟器，通过这个模拟器中收集到的数据进行更多的验证。

这可能是未来的一个挑战。

三是安全挑战，包括稳定性、系统安全等安全考虑。