滴滴出行与CCF计算机视觉专委会在CNCC2019期间联合举办技术论坛，邀请到几位学术大咖和产业精英共同探讨了这一问题。
本文转载自滴滴科技合作
智能驾驶汽车正在从科幻变成现实。智能驾驶或者自动驾驶是一个非常熟悉的字眼，智能驾驶可能是在众多蓬勃发展的人工智能科技发展行业中最令人激动人心或者最值得期待的产业之一，因为它必将颠覆现有的交通运输产业，同时也改变人与世界链接的方式。对每个人的生活可能都会有直接或者间接的影响，而目前从学术界高校，科研院所到产业界创业公司或者领头公司，包括传统的汽车制造商，他们都积极投入到这场智能驾驶的研发战斗之中。
然而，未来之路，智能驾驶将驶向何方？滴滴出行与CCF计算机视觉专委会在CNCC2019期间联合举办技术论坛，邀请到几位学术大咖和产业精英共同探讨了这一问题。
论坛联合主席致辞
王亮
中科院自动化研究所模式识别国家重点实验室副主任，智能感知与计算研究中心常务副主任，CCF计算机视觉专委会秘书长
论坛联合主席致辞
章文嵩
CCF常务理事，滴滴出行高级副总裁
《科技改变交通》
韦峻青
滴滴自动驾驶公司CTO
“自动驾驶行业就起于学术界，我在2008年的时候参与了美国一个学校参加的自动驾驶比赛，最大的推动也是学术界。我们希望跟学术界继续合作，把最新研究成果在自动驾驶上应用，因为这是一个最大的赛道，能提升整个社会的运行效率，提升大家的生活品质，这同时也是滴滴的一个目标。”
滴滴智能驾驶技术介绍：
？车辆—车辆平台经过多次迭代，和多家主流汽车供应商，如尼桑、福特、比亚迪等都有深度的合作。我们的算法也是经过了鲁棒性的验证，所以能在不同的车辆平台进行运行。今年我们将推出第三代车辆平台，与之前相比，将会在可靠性上有质的飞跃，在传感器性能和计算平台也会有数倍的提升。
？地图—滴滴构建了自己内研的高清地图团队，地图精度可达到厘米级精度，我们也有自己软件的工具，可以几百个人同时改善标定地图，验证地图，并且有一整套仿真系统验证地图的可靠性和性能。
？感知—通过利用大数据和深度学习实现基于激光雷达、毫米波雷达、摄像头数据对2D/3D物体进行检，目前可实现行人检测最大范围是70米，车辆在100米以上。并且通过滴滴弹性云对全平台的算力提供了很好的支撑。
？轨迹规划—目前我们使用基于传统的优化方法，利用优化方法在规则层让汽车决策，控制器在各种极端情况下，高速低速下控制精度都能达到10厘米之内，并且决策也会把误差考虑进来。
？仿真平台—我们有两种仿真模式，一种是真实数据的仿真，另一种是虚拟仿真。通过仿真平台，快速进行测试与算法迭代，最大化保证安全性与可靠性。
滴滴的自动驾驶会是以哪种形式进入大家的生活？
自动驾驶大规模的商业化应用仍需要相当长的一段时间，未来最快让普通人真实体验自动驾驶技术的方式，很可能是通过出行服务平台提供混合派单，例如：在路况相对简单的条件下，平台通过分析评估可能会派出配有安全驾驶员的自动驾驶车辆；而大多数复杂路况订单仍要派给专业的驾驶员。自动驾驶可以在特定场景下提供运力补充，填补供需不足。
《强化学习介绍及自动驾驶汽车应用》
李升波
清华大学车辆学院 长聘副教授，特别研究员
自动驾驶为什么需要引入自我学习功能?
对高级别自动驾驶汽车而言，智能驾驶系统的开发难度大幅增加。低级别自动驾驶所采用的规则型决策技术，难以适用于十字路口、环道、匝道等复杂交通流场景。目前，科研机构和汽车厂商正利用深度学习技术提高汽车的感知、决策和控制性能，但是监督式学习方法十分依赖人类的驾驶数据，导致车辆在数据中没有“遇见”过的情形时，可能做出难以预料的行为。谷歌旗下Deep Mind所研发的智能围棋手AlphaGo、AlphaMaster、AlphaZero的成功，为自动驾驶汽车的设计者提供了新的启示。
AlphaZero最终可超过人类最好选手，一个很重要的因素是采用了周伯通“左右互搏”形式的学习方案，左手打右手，看哪一方更好就采用哪一方的策略。这就是强化学习的思想。目前，业界将越来越多的目光投向了强化学习，这是一种类似人类驾驶员学习驾驶过程、具有自我学习、自我进化能力的方法。强化学习的基本原理是通过不断地试错来改进行为，重复能够得到收益的行为，抛弃收益不好的行为，进而不断迭代来改进自动驾驶性能。学术界从几年前开始逐渐形成一个基本的认识，即强化学习与最优控制有非常密切的关系，可以在同一个框架下表述和解决问题。
从机制来讲，强化学习针对某个性能指标习得最优策略，这一学习过程在计算机领域偏向于利用数据探索的方式来获得环境信息，而在控制领域更多的是用模型推演的方式来更新环境信息。所以，从机制角度来说，我们得到了一个统一的框架，即强化学习的本质是以某个性能指标为优化目标，在满足车辆动力学模型或环境数据的约束的情况下，习得最优策略。
从机理来讲，强化学习可以分为两个类别，一类是间接式的，即根据最优性原理获得充分必要条件，再通过求解该充要条件获得最优策略。另一类是直接式的，即直接将策略参数化，将原问题转化为求解该策略对应的一组最佳参数，再用梯度下降法等方法确定这组参数。
强化学习是非常有前景的方法，其优势在于一方面可以减少对标签数据的依赖，一方面可以适用于实车，让车的智能程度从低到高越开越好。当前应用于自动驾驶的强化学习算法的一个探索方向是，面向动态系统融合数据驱动与模型驱动的算法，数据加模型的方法具备大量应用的可能性，当然挑战也有很多，比如在收集数据的时候探索和利用怎么找到平衡点，比如怎样使算法对感知不确定性具备较强的鲁棒性等等。当然，训练过程中的效率问题也是一个很大的挑战，一般认为车载自动驾驶系统的功耗不超过150瓦，这就限制了强化学习算法的应用不可能搬一台服务器到实车上去。
针对强化学习算法的实车应用问题，我所在的清华大学智能驾驶课题组做了一系列工作。其中三个比较典型的工作，一个是我们提出了一种新型的Soft Actor-Critic算法，提升了原有算法的鲁棒性和抗干扰能力；第二个是我们提出了一种最优控制问题的循环离线求解算法，极大提高了控制器的在线计算速度；第三个是我们针对车辆漂移等极限工况，实现了对车辆状态的有效控制，保证了车辆安全性与稳定性。这些工作为高级别自动驾驶汽车的决控系统开发提供了有益的探索。
《低速无人驾驶探索应用》
杨明
上海交通大学智能车实验室主任
上海交通大学智能网联电动汽车创新中心副主任
让我们回顾低速无人驾驶的过去之路，探讨未来之路
我从1997年开始从事无人驾驶研究工作，然后2005年回国进入上海交通大学，建立了智能车实验室。回到国内第一件事情研制了一套低速无人驾驶系统，并于2007年在东方绿洲进行了4辆无人车的公开演示，持续了六个月时间。当时我们做这个演示的目的是寻找新的科研方向，通过实践来看看究竟做什么内容才是最符合当时无人驾驶实际需求的。最后我们总结了四个困难和挑战。
挑战一：摄像头对于光线的鲁棒性差；
挑战二：激光雷达不仅要做障碍物检测，还用于车辆精准定位；
挑战三：自动驾驶系统在恶劣天气下的运行；
挑战四：多车协作问题。
面对四大挑战，最终我们明确了三个方向。
方向一：基于多传感器融合的高精度定位技术；
方向二：复杂环境中的动态目标感知技术；
方向三：车车、车路协作驾驶技术。
基于这三个方向，我们先后研制了基于语义的环视vSLAM和激光SLAM、多传感器融合技术、多车协作驾驶技术，并且取得了一些进展。成果先后在2010年上海世博会开幕式和上海市运动会开幕式应用；2013年，在上海车展实现了基于车路协同的自动泊车演示；2015年，为万科研制了园区低速自动驾驶车辆；2016年，在工博会上展示了25辆车的车车协作、车路协同；2017年，与工业界合作开发一系列无人叉车产品，并获得教育部技术发明奖；2018年，与青飞智能合作，在上海交通大学校园试运营无人小巴系统，接待了上万名乘客。
《从“芯”出发，引领汽车驶向智能未来》
吴征
地平线上海芯片研发中心总经理，征程芯片研发负责人
自动驾驶与边缘计算
从汽车智能化来说，无论是ADAS，还是等级逐步提高的自动驾驶，到行驶需要更精准的高清地图和定位，以及在车内对驾驶员监控的DMS，和多模态智能人机交互，这些都需要大量的计算，AI边缘计算成了它们发展的核心驱动力。
自动驾驶场景是非常复杂的，一辆自动驾驶车平均每天产生的数据是达到几百TB，万亿字节的数量级。这样它所需要的计算量是非常巨大的，要求AI算力强，算得快，算得准，这样才能满足低时延的反应和处理，保证行车安全。
因此，基于自动驾驶对边缘计算的需求，地平线自主设计开发了高效的人工智能处理器架构，即Brain Processing Unit, BPU， 它是一个基于实际场景需求出发， 软硬件协同设计， 首重效能，兼顾灵活的创新计算架构，是地平线征程系列车规级AI处理器的核心。
“车载AI芯片是人工智能行业的珠穆朗玛，也是自动驾驶实现大规模落地的前提。此次地平线率先推出首款车规级AI芯片不仅实现了中国车规级AI芯片量产零的突破，也补齐了国内自动驾驶产业生态建设的关键环节。”——余凯，地平线
车规级芯片意味着什么?
1、可靠性，汽车芯片的使用环境是很严苛的。和消费级芯片相比，它的工作温度要覆盖从-40度到125度，必须保证芯片的性能指标参在这些极限温度下仍然可以达到这个性能和可靠地工作。车规级半导体的运行寿命要达到15年，甚至20年以上，所以要保证汽车整个生命周期这么长时间内，芯片还可以稳定可靠地工作。车规级芯片认证要符合AEC-Q100标准，比如说要做各种各样高低温测试，更做大量的压力测试，来模拟芯片的运营寿命可达到15-20年。
2、质量体系，车规级半导体另一个特点是对质量要求很高的。比如说零缺陷率，或者说零故障PPM。还有质量管理系统，要符合ISO 9001和TS 16949规范。最后一点是作为车规半导体供应商，你需要有一个长达20年到30年的支持体系。
3、功能安全，作为自动驾驶的处理器芯片，其功能安全是非常关键的，我们要考虑系统失效和随机性硬件失效时怎么解决这些安全隐患和减少风险的发生。流程管控和产品开发都要符合ISO 26262标准。
中国首款车规级AI芯片正式推出
"地平线的中国首款车规级AI芯片在今年8月底已经发布了，它符合AEC-Q100车规标准，小小的这样一款芯片的等效算力可以达到每秒4万亿次操作（TOPS），而典型功耗只有2W。它的优势在于硬件+软件的协同，也就是芯片+算法的效果是非常好的，算力利用率大于90%，识别精度超过99%，延迟小于100毫秒，可以识别超过60个类别的目标，每秒目标识别数量超过2000个。”
《基于数据流处理的SLAM技术》
查红彬
北京大学信息科学技术学院智能科学系教授，机器感知与智能教育部重点实验室主任
什么叫做SLAM?
对于移动传感器来说，传感器的定位和地图构建是两个核心的任务。当然自动驾驶作为移动传感器非常重要的应用领域，同样需要做这两件事情，一个是定位，一个是地图构建。这两项任务以前是分开来做，在室内环境、理想化的环境、结构化的环境中分别来做这两件事情。但是从本质上来看，这两件事情并不是相互独立的，甚至可以说是无法独立的。
为什么这么说呢？因为如果要进行传感器定位，我们要通过地图中的特征匹配来计算各个不同视点的相互关系。我们构建地图的数据从哪里来呢？我们需要将不同视点所获得的数据融入到一个共同的基准坐标系来建立地图，我们必须知道这些视点的位置。也就是建图的基础是定位，定位和建图这两个过程是完全混合在一起的。我们必须通过对传感器数据的分析将定位和建图很好地结合起来，这就是我们所讲的SLAM问题。
SLAM技术发展到今天其进步的原因是什么?
第一条，我们很好地利用了计算机视觉中最核心的基础理论，也就是多视点几何计算。
第二条，将摄像机采集的图像数据与其他传感器数据融合。距离传感器，超声传感器，IMU传感器这些都可以很好地与图像数据结合起来，从而帮助我们提高SLAM算法的性能。
SLAM现在的挑战是什么?
第一，误差积累。现在的SLAM系统在短的时间内，在比较短的移动距离条件下具有很好的性能。但在长时间的运行过程中性能下降很显著，误差积累越来越严重。
第二，一般我们要使用基于多视点几何的优化计算，其计算量很大，所以计算所带来的成本是很多在线系统无法承担的。
这样一些问题背后的原因又是什么呢？
第一，我们并没有很好地意识到SLAM当中数据本身固有的性质。例如在自动驾驶中，传感器数据是按照一定时间顺序来采集的，所得到的数据本身具有时间上的连续性，而这一点我们并没有很好地利用起来。
第二，如果把结构性信息更好地用起来，将线条、平面、超像素，语义等结构性特征能够更好地用起来，就能够进一步提高SLAM系统的效率。
怎样将数据本身的时空相关性更好的用起来?
我们可以将采集到的序列数据看作是一个数据流，并将其前后之间的关联、结构之间的关联进行分析与描述。基于这种数据流的概念，我们就可以使用深度学习方法对传感器的运动规律进行预测，以预测下一个时间点的传感器的位置以及输入数据的状况。然后，利用实际的输入数据以及全局地图的约束，我们可以修改预测的误测，并进一步修改预测器本身的结构，使预测器具有更好的环境自适应能力。
智能驾驶的落地存在挑战，但挑战将更激励科技工作者和学者的动力。我们相信智能驾驶将在未来改变人们的出行和生活习惯。
