日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

分享 | 張亞勤：走向無人駕駛

2021-10-21 22:42:42·  來源：清華大學(xué)智能產(chǎn)業(yè)研究院  
　
清華大學(xué)講席教授、智能產(chǎn)業(yè)研究院（AIR）院長張亞勤近日發(fā)表題為《走向無人駕駛》的演講。圍繞自動駕駛的發(fā)展背景、單車智能與車路協(xié)同以及AI算法應(yīng)用三大板塊
清華大學(xué)講席教授、智能產(chǎn)業(yè)研究院（AIR）院長張亞勤近日發(fā)表題為《走向無人駕駛》的演講。


圍繞自動駕駛的發(fā)展背景、單車智能與車路協(xié)同以及AI算法應(yīng)用三大板塊，深入探討了在人工智能發(fā)展的大背景下自動駕駛領(lǐng)域正在發(fā)生的基礎(chǔ)性變革，并對未來落地形態(tài)做出長遠(yuǎn)展望。


當(dāng)前我們正處于數(shù)字化3.0時期，包括物理和生物世界的數(shù)字化，其中物理世界的數(shù)字化，即“互聯(lián)網(wǎng)的物理化”——汽車、公路、交通、工廠、電網(wǎng)、機(jī)器，乃至所有移動設(shè)備、家庭、城市都在數(shù)字化。數(shù)據(jù)指數(shù)增長，比如一輛無人車每天產(chǎn)生的數(shù)據(jù)量大約5T；相比于數(shù)據(jù)主要提供給人員輔助決策的1.0和2.0時代，數(shù)字化3.0時期99%以上數(shù)據(jù)是M2M和機(jī)器決策。


二是生物世界的數(shù)字化，我們的大腦、器官、DNA、蛋白質(zhì)、細(xì)胞、分子...都在數(shù)字化。生物芯片、組學(xué)技術(shù)、和高通量實(shí)驗(yàn)產(chǎn)生了天文級的數(shù)據(jù)。從虛擬、宏觀到微觀，整個數(shù)字信息世界、物理世界和生物世界正在走向融合。


以ABCD，也就是人工智能（AI）、大數(shù)據(jù)（Big Data）、云計算（Cloud）和裝置（Device）為技術(shù)基礎(chǔ)，我們鎖定了智慧交通、工業(yè)互聯(lián)網(wǎng)和智慧醫(yī)療為起步階段的三個研究方向。這三個方向有一些共同點(diǎn)：一是都面對著巨大的商業(yè)空間和發(fā)展機(jī)遇。二是人工智能在探索過程中發(fā)揮著特別重要的作用，甚至是決定性、顛覆性的作用。三是相關(guān)研發(fā)成果實(shí)用化、普及化之后，將產(chǎn)生可觀的社會效益。

01自動駕駛發(fā)展背景

1908年，Henry Ford先生推出世界首款量產(chǎn)乘用車Model-T，一場隨之而來的技術(shù)革命拉開了現(xiàn)代汽車工業(yè)百年發(fā)展的序幕，一個基于燃油技術(shù)的成熟產(chǎn)業(yè)也逐漸形成。
環(huán)保帶動的新能源革命搭乘數(shù)字化與智能化浪潮，在產(chǎn)業(yè)政策的刺激下推動汽車行業(yè)向網(wǎng)聯(lián)化、智能化、共享化、電動化轉(zhuǎn)型。這場汽車革命發(fā)展迅速、來勢迅猛，超出了很多人的預(yù)期。自動駕駛作為這場革命中的關(guān)鍵技術(shù)，將從安全、效率、商業(yè)模式等多方面賦能交通產(chǎn)業(yè)升級。
首先，自動駕駛將會極大地提升交通安全。世界衛(wèi)生組織的《道路交通傷害報告》中指出，全球每年有135萬人死于交通意外。其中95%以上是人為錯誤導(dǎo)致的，而人工智能的介入可以大幅降低人為事故隱患。自動駕駛車輛的安全標(biāo)準(zhǔn)需較人類駕駛提高至少一個數(shù)量級，達(dá)到十倍于人類駕駛的安全系數(shù)。
其次，自動駕駛將會提升交通系統(tǒng)的出行效率與能源使用效率。麥肯錫的報告顯示，自動駕駛將為出行者節(jié)省40%的時間并減少40%的燃料消耗。馬濰博士在 《智能駕駛助力碳中和》報告中指出，自動駕駛的應(yīng)用可以將汽車排放約占碳排放總量的比重從15%降低到5%左右，將會為全球氣候的改善產(chǎn)生很大貢獻(xiàn)。
再次，自動駕駛將會創(chuàng)造巨大的商業(yè)價值。據(jù)倫敦知名技術(shù)企業(yè)家Tej Kohli預(yù)測，人工智能所帶來的產(chǎn)業(yè)機(jī)遇將達(dá)到150萬億美元的規(guī)模。其中，自動駕駛驅(qū)動的智慧交通產(chǎn)業(yè)占比近十分之一。如此巨大的商業(yè)價值意味著全新的機(jī)會，這些機(jī)會來自于新的芯片、新的操作系統(tǒng)、新的軟件、新的服務(wù)以及新的產(chǎn)品。


1984年，美國國防部高等研究計劃局（DARPA）的ALV項(xiàng)目進(jìn)行的首次自動駕駛嘗試。隨后，DARPA在2004年組織了野外自動駕駛挑戰(zhàn)賽（Grand Challenge）。2007年，挑戰(zhàn)獲得的成功使科技界看到自動駕駛的潛力，一批科學(xué)家進(jìn)入谷歌開展自動駕駛研究。隨著共享出行與電動車的崛起，自動駕駛逐漸吸引越來越多的科技公司、傳統(tǒng)汽車廠商與新能源汽車廠商的注意。在中國， 李德毅院士團(tuán)隊和鄭南寧院士團(tuán)隊等都做了大量的開創(chuàng)性科研工作。百度在2017年推出阿波羅開放平臺，進(jìn)行從小型客車到Robotaxi的道路測試，積累了大量的技術(shù)經(jīng)驗(yàn)。這十年，是自動駕駛從實(shí)驗(yàn)室產(chǎn)品逐漸走入生活的十年，也是為未來智能交通變革奠定基礎(chǔ)的十年。


業(yè)界將自動駕駛的能力分成L0到L5的一系列等級，讓人類信任自動駕駛，還需要不斷提升L3級以上的自動駕駛能力。L3能夠提供有限條件下的自動駕駛，但仍假設(shè)人類能夠隨時接管。從L4開始，人類不需要隨時接管自動駕駛，而最高級的L5甚至不提供人類參與駕駛的能力。是否選擇自動駕駛，不僅是技術(shù)問題，更是公共安全與社會接受度的問題。與此同時，道路智能也在發(fā)展，從車端與路側(cè)必要的信息交互到進(jìn)一步的協(xié)同感知，一直到交通作為整體的協(xié)同決策控制，路側(cè)可以幫助車端逐步擁有越來越強(qiáng)的能力，以避免嚴(yán)重自動駕駛事故的發(fā)生。更近一步，智能化的道路可以實(shí)現(xiàn)規(guī)劃層面的協(xié)同，減少變道和擁堵。隨著自動駕駛的普及和道路智能的發(fā)展，道路和交通流協(xié)同設(shè)計將為出行者提供更全面的服務(wù)。


剛才提到，自動駕駛不僅僅是個技術(shù)問題，更是一個社會問題。從商業(yè)到政策與社會角度自動駕駛會產(chǎn)生多方面的影響，可以看到市面上的各個廠家分別持有不同的看法，也分別進(jìn)行了不同的路徑選擇。


回顧過去60年，人工智能的發(fā)展幾經(jīng)沉浮，在經(jīng)歷了兩次AI寒冬之后，過去十年，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，人工智能進(jìn)入了大數(shù)據(jù)、大計算、大模型算法的時代，也取得了巨大的成就。從AlphaGO、AlphaZero在圍棋領(lǐng)域戰(zhàn)勝人類，到AlphaFold2在醫(yī)療領(lǐng)域高精度預(yù)測蛋白質(zhì)結(jié)構(gòu)等，深度學(xué)習(xí)算法和人工智能技術(shù)正在逐步改變物理世界和數(shù)字世界。未來五至十年，深度學(xué)習(xí)還會是人工智能最重要的算法，但未來無疑需要知識+數(shù)據(jù)驅(qū)動的融合算法，需要結(jié)合符號邏輯、知識型推理和第一性原理的新范式。
具體在自動駕駛中，要求智能駕駛決策可解釋、避免人類的危險決策、客觀評價規(guī)劃算法、并且能夠有效評估自動駕駛系統(tǒng)在駕駛過程中的智能能力。自動駕駛針對高復(fù)雜性場景同時本質(zhì)的又具有高可靠性需求，可以說是最具挑戰(zhàn)的有邊界的AI垂直領(lǐng)域問題。


在技術(shù)層面，作為自動駕駛安全的基礎(chǔ)，感知是首要的值得關(guān)注的問題。計算機(jī)和人類一樣，需要在駕駛過程中動態(tài)地對周邊的三維場景進(jìn)行時空建模。在不同的場景下，借助不同模態(tài)的數(shù)據(jù)，算法不僅要完成對于車輛、行人等目標(biāo)的檢測，還需實(shí)現(xiàn)對于路標(biāo)、交通信號等語義的理解。同時認(rèn)知理解的道路交通信息傳遞給決策規(guī)劃層，結(jié)合人類與機(jī)器的智能經(jīng)驗(yàn)進(jìn)行行為規(guī)劃與決策，最終控制實(shí)車的方向盤和油門剎車完成實(shí)際的駕駛過程。這整個過程的模型，是通過云端的聯(lián)邦學(xué)習(xí)與V2X路側(cè)智能平臺，結(jié)合仿真手段，不斷更新迭代的。


自動駕駛是一個十分復(fù)雜的系統(tǒng)問題，涉及到感知、認(rèn)知、規(guī)劃、決策與執(zhí)行等諸多環(huán)節(jié)，需要在極短時間內(nèi)做出可執(zhí)行的正確決策。同時，自動駕駛也是一個復(fù)雜的狹義人工智能問題，可以被分解為有邊界的子領(lǐng)域技術(shù)問題，因此我認(rèn)為自動駕駛是可以實(shí)現(xiàn)的。并且，自動駕駛僅需在安全維度相比人類駕駛實(shí)現(xiàn)數(shù)量級的提升。在實(shí)現(xiàn)自動駕駛的路徑上，涉及的關(guān)鍵問題可以分為兩類：一類是市場力量，例如技術(shù)可行性、用戶需求挖掘、產(chǎn)業(yè)生態(tài)走向與商業(yè)模式等。另一類是非市場力量，包括政策、法規(guī)、倫理、隱私以及其他人為因素。


復(fù)雜的技術(shù)體系，本質(zhì)的安全與可靠性要求，自動駕駛在開放環(huán)境的長期運(yùn)行需要經(jīng)受一系列的技術(shù)與社會接受度的挑戰(zhàn)。但是對于垂直案例來說自動駕駛已經(jīng)運(yùn)行很久了，比如圖片里是澳洲鐵礦石出口商Fortescue metals Group（FMG），與世界上最大的工程機(jī)械廠商Caterpillar合作的自動駕駛礦車，從2012年至今已經(jīng)運(yùn)行了9年了，運(yùn)送礦產(chǎn)過十億噸，累計行駛超三億公里，相當(dāng)于從地球到太陽往返一次。


像這樣的垂直應(yīng)用領(lǐng)域還有很多，可以看到，作為一個移動運(yùn)輸?shù)妮d體，從重型到輕型各種類型適合自動駕駛的車輛多種多樣，這中間存在非常多的機(jī)會。這些嘗試都在追求一個共同的目標(biāo)，就是用自動駕駛技術(shù)消除這些場景存在的痛點(diǎn)，讓人類的生產(chǎn)和生活變得更加高效。


美國加州的開放道路自動駕駛測試數(shù)據(jù)顯示，百度Apollo的自動駕平均接管里程（MPI）在2020年四月已經(jīng)超過18000英里，相當(dāng)于普通人開半年至一年車才需要接管自動駕駛系統(tǒng)一次的水平。在國內(nèi)，百度Apollo在北京亦莊等全國各地測試的Robotaxi自動駕駛出租車正處于規(guī)?；囘\(yùn)營的階段。


麥肯錫與百度在2017年進(jìn)行的一個預(yù)測報告分別衡量了未來十到二十年L3及L4以上級別自動駕駛。報告認(rèn)為，最為樂觀的認(rèn)為有條件的L3自動駕駛在2030年新車滲透率可以達(dá)到50%，L4以上完全自動駕駛達(dá)到15%，悲觀一些的角度來看L3以上程度的自動駕駛在20年之后2040年能達(dá)到30%，這取決于自動駕駛技術(shù)的表現(xiàn)以及社會的接受程度。


02單車智能感知

環(huán)境感知任務(wù)可以分成三類。
第一類是常規(guī)道路參與者的檢測，包括車輛，行人、自行車等。他們的共性是可移動并大小相對固定。通常使用bounding box（框）的表達(dá)方式把算法檢測到的障礙物用三維立方體框緊致的包裹起來。
第二類是道路元素的檢測，比如紅綠燈、限速標(biāo)識、車道線、柵欄路沿等。這類元素通常尺寸和位置固定，但其大小和形狀不規(guī)范不再能簡單的使用bounding box描述表達(dá)，通常需要結(jié)合高精地圖做更高級（high-level）的表述，比如使用樣條曲線擬合車道線。
最后，在很多無人駕駛場景中，簡單的bounding box已不足以精確的描繪現(xiàn)實(shí)世界，這時對場景做語義級別的理解就非常必要。所謂語義（semantic）級的表達(dá)就是對圖像的每個像素，激光雷達(dá)返回的每個3D點(diǎn)做聚類（grouping或者clustering）和分類（classification），細(xì)粒度的表達(dá)方式除了能夠更細(xì)致的描述物體的與無人車時空關(guān)系外，還能提供道路上的可行駛區(qū)域（free space，drivable path）這樣的重要信息，讓無人車可以無障礙通過沒有車道線的非結(jié)構(gòu)化道路和狹窄空間。


這里有典型的幾起自動駕駛事故，比如第一個自動駕駛撞上側(cè)翻的大貨車，側(cè)翻的貨車車頂缺少紋理特征，看起來就像白色的云，這種情況下僅依靠視覺的自動駕駛無法判斷距離。隨著技術(shù)的改進(jìn)、車載激光雷達(dá)的低成本大規(guī)模普及、多模態(tài)數(shù)據(jù)融合感知的發(fā)展，這樣的事故風(fēng)險會逐漸降低，但是真實(shí)世界遠(yuǎn)比這要復(fù)雜。多樣化的地點(diǎn)、天氣、路況構(gòu)成的復(fù)雜場景永遠(yuǎn)存在未知可能，而這中間很少遇到的corner case邊角案例往往會導(dǎo)致事故發(fā)生。自動駕駛感知最大的挑戰(zhàn)來自于泛化不足。遇到陌生的交通環(huán)境時，自動駕駛系統(tǒng)往往無法提供精準(zhǔn)可靠的感知能力。相比之下，人類駕駛員不僅可以解決過往遇到的困難，還能夠應(yīng)對新的突發(fā)問題。不過，人類的駕駛能力不具備復(fù)制性，不同司機(jī)的駕駛水平可能相差較大，而可靠的自動駕駛系統(tǒng)則可以任意復(fù)制，這是人工智能的優(yōu)勢所在。


自動駕駛車輛需要一系列的傳感器來共同完成感知任務(wù)。不同傳感器各司其職。激光雷達(dá)可以直接采集距離信息，實(shí)現(xiàn)三維環(huán)境匹配及盲點(diǎn)探測；攝像頭可以實(shí)現(xiàn)物體的快速辨認(rèn)和車道識別，所采集的信息包含色彩和更多細(xì)節(jié)；雷達(dá)可以進(jìn)行速度和距離的測量，發(fā)出碰撞預(yù)警并進(jìn)行緊急制動；在惡劣天氣下，相較于激光雷達(dá)和攝像頭也會有更好的表現(xiàn)。所有傳感器聯(lián)合起來構(gòu)成對車輛所處環(huán)境全方位的立體掃描。


理論上，多傳感器的融合可以獲取到比人眼更多、更高維度的數(shù)據(jù)，可以感知到肉眼不可見的物體，這是現(xiàn)階段自動駕駛中唯一確定的機(jī)器可以超越人的環(huán)節(jié)，也是影響自動駕駛安全提升的決定性因素。使用單一的視覺傳感器容易受到光照和天氣等因素影響，因此導(dǎo)致自動駕駛系統(tǒng)產(chǎn)生誤判的例子屢見不鮮。比如前面例子里，特斯拉把白色大貨車誤判為白云毫不猶豫地撞了上去。在這種情況下，配合采用激光雷達(dá)等傳感器可以最大限度提升自動駕駛安全。


種情況下，配合采用激光雷達(dá)等傳感器可以最大限度提升自動駕駛安全。


實(shí)際上寬視角的激光雷到2005年的DARPA挑戰(zhàn)賽時才引起廣泛注意，但是當(dāng)時激光雷達(dá)昂貴、體積大、可靠性低難以符合車規(guī)，并不能滿足普及需求。此后各方開始推進(jìn)多種技術(shù)路線的混合固態(tài)式激光雷達(dá)，希望把成本與體積、可靠性提升到可以大規(guī)模接受的水平。未來，固態(tài)激光雷達(dá)的價格低廉、更容易實(shí)現(xiàn)車規(guī)，是商業(yè)化應(yīng)用的更好選擇。雖然固態(tài)激光雷達(dá)仍然存在由于技術(shù)不成熟所帶來的精度不足、采集距離較短的問題，但行業(yè)的主要玩家，如Velodyne, Innoviz, LeddarTech都將研發(fā)固態(tài)激光雷達(dá)作為未來的重要方向。


目前，部分混合固態(tài)式激光雷達(dá)的價格已經(jīng)在1000美金以內(nèi)。未來，隨著技術(shù)更新迭代和大規(guī)模量產(chǎn)，激光雷達(dá)的價格會繼續(xù)下探，甚至?xí)蔀槠嚨囊环N標(biāo)配。


03車路協(xié)同

若完全依賴單車智能，corner case將更難以得到解決，如果計算能力無法快速突破、硬件價格無法快速下降，則自動駕駛將永遠(yuǎn)無法實(shí)現(xiàn)。若完全依賴V2X的自動駕駛，現(xiàn)實(shí)性依賴于基礎(chǔ)設(shè)施是否可被全面改造、汽車是否可實(shí)現(xiàn)全面聯(lián)網(wǎng)，改造成本非常高，幾乎不可能。另外，在這種模式下，集中化的車輛控制將使車內(nèi)乘客將被汽車“綁架”，喪失自主權(quán)。


兩種模式的缺陷都是明顯的。因此我們認(rèn)為，自動駕駛的快速大規(guī)模應(yīng)用必須依賴單車智能和V2X的結(jié)合。


近年來，隨著智能網(wǎng)聯(lián)逐步上升為國家戰(zhàn)略，車路協(xié)同技術(shù)得到了快速發(fā)展。相較于單車智能的感知局限性，車路協(xié)同具備獲取全局交通信息、感知范圍更全面等優(yōu)勢，能夠?yàn)閱诬囍悄芴峁┗パa(bǔ)與冗余信息，進(jìn)而提高自動駕駛的安全性。
在理論方面，AIR的研究團(tuán)隊將感知不確定性加入到駕駛安全評價框架中，在全球范圍內(nèi)率先針對車路協(xié)同自動駕駛的安全提升進(jìn)行了量化計算與分析，系統(tǒng)地闡述了車路協(xié)同自動駕駛的必要性?？偟膩碚f，分成場景分布模型、車輛感知交互模型、和自動駕駛安全評價模型三個部分。根據(jù)場景分布模型和交互模型得到每種場景行為組合的概率分布，以及對應(yīng)的駕駛行為的安全影響。結(jié)合這樣的分布和影響就可以得到最終的安全評價指標(biāo)Psafe，這衡量了在相應(yīng)感知交互設(shè)定下全場景分布的安全性狀況。


具體來說就是把單車感知和車路協(xié)同分為兩個情況來考慮，分別用相應(yīng)的感知模型來計算，把不同感知狀況帶來的行為影響分別帶入到安全評價中，分別得到在單車智能與車路協(xié)同情況下的安全性評價結(jié)果。


VICAD- SRM實(shí)驗(yàn)結(jié)果表明：車路協(xié)同的感知分別將超視距、大車遮擋換道、無保護(hù)左拐等三種情況的事故率降低了分別1.6倍、6.5倍、10.8倍，安全性獲得了數(shù)量級提升。



（全球政府部署V2X的積極推進(jìn)情況）
Apollo在國內(nèi)部署了超過500輛自動駕駛車輛，V2X路側(cè)感知點(diǎn)位超400個，基于此的車路結(jié)合構(gòu)造海量場景每天超過1000km，單個路側(cè)點(diǎn)位每天服務(wù)超過100個車次，單日產(chǎn)生的數(shù)據(jù)量在40TB以上，車路協(xié)同每天可獲得超一百條有價值的數(shù)據(jù)。


為進(jìn)一步探索車路協(xié)同自動駕駛的落地，AIR聯(lián)合國內(nèi)頂尖自動駕駛企業(yè)百度，發(fā)布了Apollo Air計劃。該計劃有三大特點(diǎn)：依靠純路側(cè)感知實(shí)現(xiàn)自動駕駛、持續(xù)降維反哺車路協(xié)同產(chǎn)品、標(biāo)準(zhǔn)開源開放實(shí)現(xiàn)業(yè)界共享。Apollo Air技術(shù)的創(chuàng)新之處在于，在不使用車載傳感器，僅依靠路側(cè)輕量感知的前提下，利用V2X、5G等無線通信技術(shù)就可以實(shí)現(xiàn)車-路-云協(xié)同的L4級自動駕駛。經(jīng)過不斷研究反復(fù)測試，目前團(tuán)隊已經(jīng)完成對北京亦莊、廣州黃埔、滄州等若干路口進(jìn)行智能化改造，實(shí)現(xiàn)了Apollo Air純路側(cè)感知技術(shù)在L4真實(shí)場景的測試。


04自動駕駛中的AI算法

自動駕駛是一個龐大的智能系統(tǒng)，包括傳感器數(shù)據(jù)感知定位、認(rèn)知理解、決策規(guī)劃、以及云端的聯(lián)邦學(xué)習(xí)與仿真平臺等部分。


在這里只能代表性的講一講自動駕駛過程中涉及的幾類典型問題與算法，我這里提到的都是產(chǎn)學(xué)界的公開工作，例如：
  • 通過研究點(diǎn)云數(shù)據(jù)壓縮算法提升處理自動駕駛海量三維數(shù)據(jù)的效率；
  • 通過研究目標(biāo)檢測算法提升車輛、行人等目標(biāo)的位置感知精度；
  • 通過研究場景補(bǔ)全算法改善遠(yuǎn)距離點(diǎn)云數(shù)據(jù)稀疏的問題；
  • 通過研究對抗學(xué)習(xí)算法算法在仿真環(huán)境中模擬生成極端場景，提升自動駕駛測試效率；
  • 通過研究動態(tài)環(huán)境下的SLAM算法提升車輛在復(fù)雜環(huán)境下的定位精度；
  • 通過研究全景分割算法提升場景理解與物體追蹤的可靠性；
  • 通過研究多模態(tài)信息融合算法最大化發(fā)揮多模態(tài)數(shù)據(jù)的優(yōu)勢；
  • 通過研究模型壓縮算法提升車載、路端等計算平臺的利用效率。

激光雷達(dá)數(shù)據(jù)高效壓縮，空間八叉樹熵編碼。


三維目標(biāo)檢測，三維空間卷積與PointNet點(diǎn)云深度表示相結(jié)合。


視頻流的理解過程包括全景分割，語義分割，深度預(yù)測，預(yù)測物體中心位置連續(xù)幀匹配，持續(xù)物體追蹤，實(shí)現(xiàn)全面的場景理解。


單視角的稀疏激光點(diǎn)云并不能完整感知目標(biāo)場景，通過語義場景補(bǔ)全，獲得具有語義信息的稠密點(diǎn)云，實(shí)現(xiàn)對道路場景的完整理解。


暗光弱紋理場景對于純粹視覺的SLAM定位算法面臨非常大的挑戰(zhàn)， 場景中的語義信息可以為SLAM算法通過穩(wěn)定的特征關(guān)聯(lián)，從而實(shí)現(xiàn)魯棒準(zhǔn)確的定位。


聯(lián)邦學(xué)習(xí)是致力于于在不泄露隱私不泄露真實(shí)數(shù)據(jù)的條件下，通過分布式交換計算中間結(jié)果，實(shí)現(xiàn)提升完整模型能力的方法。典型的，聯(lián)邦學(xué)習(xí)分成橫向和縱向兩類。
  • 橫向聯(lián)邦學(xué)習(xí)：保證相同模態(tài)不同來源數(shù)據(jù)之間的隱私性
  • 縱向聯(lián)邦學(xué)習(xí)：保證多模態(tài)數(shù)據(jù)之間的隱私性


云端高精度模型無法車載部署，需要保持性能的同時進(jìn)行模型壓縮，實(shí)現(xiàn)車端部署，實(shí)現(xiàn)在真實(shí)駕駛環(huán)境下的實(shí)時車道線檢測。


實(shí)現(xiàn)安全自動駕駛的瓶頸在于解決長尾的corner case，真實(shí)世界的極端情況搜集成本非常昂貴，因此極端情況的仿真生成非常重要。這個例子通過已有的復(fù)雜狀況現(xiàn)場分布，對抗生成更多相似的復(fù)雜狀況，找到針對性的場景，幫助自動駕駛更充分的適應(yīng)復(fù)雜駕駛環(huán)境。


（多模態(tài)傳感器數(shù)據(jù)融合與端到端自動駕駛）
自動駕駛使用可見光相機(jī)、激光雷達(dá)等多種類型傳感器，不同形態(tài)的傳感器數(shù)據(jù)我們稱作多模態(tài)，這里的工作通過不同模態(tài)信息多層次互相翻譯實(shí)現(xiàn)多模態(tài)傳感器信息融合，形成統(tǒng)一的環(huán)境感知。并且在此基礎(chǔ)上進(jìn)行模仿學(xué)習(xí)，通過學(xué)習(xí)人類駕駛策略實(shí)現(xiàn)端到端自動駕駛，在短程駕駛中達(dá)到接近人類水平。


展望未來，通過垂直領(lǐng)域逐漸擴(kuò)散布局到通用駕駛的落地路徑，單車智能中的感知泛化與決策的評價機(jī)制將會是重點(diǎn)，車路協(xié)同不僅是自動駕駛的安全保障，同時也適合中國的新基建需求。希望開放的生態(tài)能夠幫助智能駕駛更安全、走得更遠(yuǎn)。
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25