雷鋒網(wǎng)新智駕按：10月26日至27日，2019第二屆全球智能駕駛峰會暨長三角G60科創(chuàng)走廊智能駕駛產(chǎn)業(yè)峰會在蘇州高鐵新城正式舉行。峰會主要聚焦“自動駕駛的量產(chǎn)時代、單車智能和車路協(xié)同的共演之路、新型的車內(nèi)交互探索”三大主題，共同探討了智能駕駛的未來發(fā)展方向。

本次峰會由蘇州市相城區(qū)人民政府主辦，蘇州高鐵新城管理委員會、雷鋒網(wǎng)新智駕承辦，江蘇省智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)創(chuàng)新聯(lián)盟、江蘇省人工智能學會智能駕駛技術(shù)專業(yè)委員會、清華大學蘇州汽車研究院、中國移動通信集團等單位協(xié)辦。來自主機廠、國內(nèi)外一級供應商、自動駕駛解決方案商、自動駕駛核心零部件、出行運營商等智能駕駛上下游企業(yè)，車路協(xié)同專家學者、代表企業(yè)等1500余位業(yè)內(nèi)人士蒞臨現(xiàn)場。

大會現(xiàn)場，香港科技大學自主駕駛中心主任劉明發(fā)表了《低速無人駕駛落地技術(shù)要素及場景展望》的主題演講。

劉明認為，由于不同的天氣狀況和復雜場景，在實際的落地場景中，低速無人車需要應對動態(tài)環(huán)境中的不確定性。過去在無人駕駛的技術(shù)落地問題上，業(yè)內(nèi)大多討論的是端對端的控制問題，但在實際場景下，低速無人駕駛要解決的是復雜的動態(tài)全流程問題。因此如何通過人工智能或者深度學習的方法解決感知、決策和控制的全流程問題，是目前技術(shù)發(fā)展上的一個難點。

目前在感知方面，劉明團隊把傳感方案從激光感知進一步拓展到視覺方案及融合方案，通過攝像頭的原始輸入，實現(xiàn)在不同環(huán)境、天氣、早晚環(huán)境下的無人系統(tǒng)全局定位；在決策方面，可以將無人系統(tǒng)在虛擬仿真環(huán)境下學習得到的決策訓練運用到真實場景；在決策之外，可以通過車載電子、機電系統(tǒng)來產(chǎn)生端到端控制的邏輯，最終實現(xiàn)對車的最終控制。

以下為劉明的演講全文。雷鋒網(wǎng)新智駕進行了不改變原意的編輯：

今天我介紹的課題是低速無人駕駛系統(tǒng)的一些落地技術(shù)要素，和對未來場景的展望。

過去的十年間，我們團隊主要圍繞無人系統(tǒng)展開。在這個過程中，技術(shù)也在不斷沿革，從最開始的基于幾何的方法，到目前基于深度學習的方法；從學習角度來看，我們也慢慢從傳統(tǒng)應激模型包括深度學習，發(fā)展到目前的深度強化學習，即從啟發(fā)式學習到自發(fā)式的學習。這其中的區(qū)別是，如果碰到不同場景，無人系統(tǒng)可以在大量的數(shù)據(jù)訓練過程中自適應各種復雜的環(huán)境。

為什么要這么做？目前我們團隊的低速無人車已經(jīng)在一些場景落地使用。在實際的工況條件下，由于不同的天氣、環(huán)境動態(tài)，場景中的環(huán)境動態(tài)程度非常高。比如在園區(qū)的上下班時間段，經(jīng)常出現(xiàn)人擠人的情況，但在這種情況下無人駕駛?cè)匀灰瓿扇蝿铡?/p>

這個任務過程需要一些技術(shù)支持。目前在深度學習到深度強化學習的技術(shù)研究過程當中，重點要解決的是復雜全流程問題。而過去的三到五年間，業(yè)內(nèi)一直在討論端到端的控制問題。

無人系統(tǒng)從傳感器的輸入到最終執(zhí)行，其中的操作流程是非常復雜的。如果中間做一個簡要的區(qū)分，可以分為感知、決策到控制。因此如何通過人工智能尤其是深度學習的方法解決此全流程問題，這是目前技術(shù)發(fā)展的一個難點。

在感知方面，我們港科大和一清團隊本身就關注智能感知問題。感知方面我們前期有大量的經(jīng)驗，包括早期以激光為主導的建圖和導航。即便沒有車本身提供的編碼盤信息，單靠激光雷達傳感器，也可以實現(xiàn)實時結(jié)構(gòu)化或非結(jié)構(gòu)化的環(huán)境建模。

最近我們把傳感方案從激光感知進一步拓展到視覺和融合方案。在視覺感知過程中，通過攝像頭的原始輸入，可以實現(xiàn)不同環(huán)境、天氣、早晚環(huán)境區(qū)分下的無人系統(tǒng)全局定位和路徑產(chǎn)生。

相對一些像素級分割、白天夜晚的環(huán)境遷移學習等傳統(tǒng)問題，我認為，感知方面的關鍵問題還是自適應性問題，即通過感知算法了解周圍場景情況、定位信息之后，怎么產(chǎn)生合理的決策。

而在決策過程中，可以將車輛放到虛擬場景中，通過端到端強化學習、深度網(wǎng)絡學習實現(xiàn)一些簡單的決策。然后將車輛在虛擬場景里學到的經(jīng)驗應用于真實場景中。

在這些基本訓練中，可以通過學習人類駕駛員操作系統(tǒng)，包括人的注意力模型和眼球跟蹤系統(tǒng)，來進一步增強訓練的效率。在不同的動態(tài)條件下，車輛可能存在不同的決策模型：跟車、超車等。我們團隊利用多傳感器融合方案，無人車在低速駕駛的條件下，基于對動態(tài)場景完整的理解可以產(chǎn)生相對合理的決策。

在決策之外，最重要的是怎么實現(xiàn)系統(tǒng)的控制，通過車載電子、機電系統(tǒng)來產(chǎn)生端到端控制的邏輯，最終實現(xiàn)對車的最終控制。過去這些年，我們團隊的這部分工作獲得了20余項全球性獎項。我們團隊基本上是圍繞著三維感知、場景理解來展開工作。

目前這些科研結(jié)果顯得極其復雜，在實際場景中到底能解決哪些問題？科研問題作為一個起點，可能會產(chǎn)生一系列可落地的技術(shù)，從技術(shù)最終到產(chǎn)品、展示場景、補充場景、替換運行，最后成為主力場景這一系列過程。事實上任何技術(shù)的發(fā)展、新的科技產(chǎn)品應用，例如Email、智能手機等等都要經(jīng)歷一個從展示到補充、到最終主力的發(fā)展過程。

結(jié)合目前港科大及一清創(chuàng)新的整體戰(zhàn)略，我們團隊稱之為“12345戰(zhàn)略”，最終會形成一個無人駕駛技術(shù)高地，這里面包含了無人車應用技術(shù)研究院和新動力系統(tǒng)兩個研究院，圍繞無人車、關鍵部件和動力系統(tǒng)三個產(chǎn)業(yè)，希望能夠形成四到五家上市公司，最終形成比較大規(guī)模的產(chǎn)業(yè)鏈。目前我們的解決的問題還是以低速場景為主，尤其是低速物流場景和監(jiān)控場景。

過去大家可以看到，物流業(yè)對勞動力的需求是不斷增長的。但2016年之后，勞動力人口數(shù)量在不斷下降。在這種情況下，實際上還有很多場景采取大量勞動力的解決模式。在勞動力人口不斷減少的背景條件下，無人系統(tǒng)是唯一的答案。

這需要一個過程，需要不斷通過產(chǎn)業(yè)化能力進行探索。目前已經(jīng)有一些園區(qū)場景通過無人車實現(xiàn)內(nèi)部比較大范圍的點到點運輸。我們的一清創(chuàng)新團隊也研發(fā)一些對應的APP。一清創(chuàng)新結(jié)合了無人車、云和5G技術(shù)，最終使一套完整的無人駕駛解決方案能夠產(chǎn)生真正的生產(chǎn)力價值。

同時隨時5G技術(shù)的落地，我們跟華為也有一些比較直接具體的合作。在其園區(qū)里面進行無人接駁車及物流車等等示范性項目，展示遠程駕駛、遠程數(shù)據(jù)監(jiān)控等場景，針對目前5G CPE系統(tǒng)及基站系統(tǒng)也進行了比較完整的測試。

實際上，我們是從科研開始入手，到技術(shù)、產(chǎn)品、到目前逐步替代和協(xié)同，我們希望最終能夠打造“政、產(chǎn)、學、研、金、服、用”的七通閉環(huán)，也就是將從政府支持、到產(chǎn)業(yè)、人才、金融、服務，一直到用戶的閉環(huán)打通。

目前我們團隊最大的優(yōu)勢還是在于領先的無人系統(tǒng)導航技術(shù)，同時在行業(yè)落地方面也進行了相對領先的場景探索與實景運力替代，實現(xiàn)了TaaS（運力即服務）系統(tǒng)。我們也會把自身的優(yōu)勢技術(shù)及生產(chǎn)制造能力以合理方式與外部進行服務和交流。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。