雷鋒網(wǎng) AI 科技評論編者按：隨著人工智能技術(shù)的發(fā)展，無人駕駛逐漸變得可能。雖然人工智能發(fā)展給無人駕駛帶來了諸多紅利，但是該領(lǐng)域依舊存在著一些人工智能技術(shù)挑戰(zhàn)。

近日，在雷鋒網(wǎng) AI 研習(xí)社公開課上，浙江大學(xué)計算機科學(xué)與技術(shù)學(xué)院博士錢煒分享了其參與的無人駕駛相關(guān)工作。公開課回放視頻網(wǎng)址：http://www.mooc.ai/open/course/577=aitechtalkqianwei

錢煒：浙江大學(xué)計算機科學(xué)與技術(shù)學(xué)院博士，導(dǎo)師是何曉飛教授。其具有多年機器學(xué)習(xí)和深度學(xué)習(xí)研究經(jīng)驗，在人工智能頂級會議 IJCAI 上 發(fā)表多篇論文。此外，他還具有豐富的視覺算法研發(fā)經(jīng)驗，曾作為核心成員參與參與某明星創(chuàng)業(yè)公司的深度學(xué)習(xí)平臺的搭建及算法研發(fā)，并作為國內(nèi)某知名公司無人駕駛團隊初始成員參與視覺感知模塊的設(shè)計與研發(fā)?，F(xiàn)為飛步科技感知算法負責人。

分享主題：無人駕駛中的人工智能挑戰(zhàn)

分享提綱：

1、無人駕駛的愿景

2、人工智能發(fā)展帶來的機遇

3、無人駕駛中的挑戰(zhàn)

雷鋒網(wǎng) AI 研習(xí)社將其分享內(nèi)容整理如下：

今天跟大家分享無人駕駛中的人工智能挑戰(zhàn)。首先介紹一下為什么需要做無人駕駛？

全球平均每分鐘就有 2.5 人死于交通事故，在 2015 年全球前十位死亡原因中，只有交通事故是與身體狀況無關(guān)的，應(yīng)該有能力避免掉的。具體到交通事故的原因，其中 94% 都與車輛和行駛環(huán)境無關(guān)，而是由司機的失誤造成的，大部分的失誤又來源于障礙物的錯誤識別、駕駛員的失誤決策，如果我們給車輛安裝 360 度無死角的傳感器組合，由計算機程序來識別和決策，駕駛失誤的可能性幾乎能降到 0。

地面交通工具在不斷革新，我們希望無人駕駛汽車能為大家提供一個更安全的環(huán)境，將司機從疲勞駕駛的潛在危險中解脫出來。為此 Google 從 2009 年就開始研發(fā)無人駕駛汽車，近幾年，業(yè)界對無人駕駛汽車的投入也越發(fā)龐大，大家也覺得無人駕駛技術(shù)的落地越來越近了。

我們公司也提供了全棧式的無人駕駛解決方案：

（關(guān)于該全棧式的無人駕駛解決方案的講解，請回看視頻 00：01 ： 55 處，http://www.mooc.ai/open/course/577=aitechtalkqianwei）

人工智能的發(fā)展給無人駕駛帶來了不少紅利，其中最重要的還是深度學(xué)習(xí)和智能芯片。

在深度學(xué)習(xí)出現(xiàn)之前，傳統(tǒng)的機器學(xué)習(xí)方法在面對下面這樣的圖片是難以判斷圖片的類別，它會先構(gòu)造人工特征，比如圖像利用顏色和紋理、音頻采用音高和響度，文本則采用文本等，將它們輸入到淺層神經(jīng)網(wǎng)絡(luò)，邏輯回歸等判別器來判別結(jié)果。構(gòu)造好的人工特征的好壞很大程度上決定著判別器的判別結(jié)果。

為此，研究人員構(gòu)建了 SIFT 、SURF 等優(yōu)秀的人工特征，這些特征在 2012 年前確實表現(xiàn)非常好，但不如深度學(xué)習(xí)的表現(xiàn)。2006 年，Hinton 等人提出深度學(xué)習(xí)的概念，建立起人腦一樣具有深層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，人腦神經(jīng)元是有層次的，信號一層一層向前傳遞。比如在圖像任務(wù)中，深度學(xué)習(xí)會直接輸入原始圖像而不是人工構(gòu)造好的特征，然后模型有層次地抽象特征和表達，最后的高級特征和模型輸出會高度相關(guān)，能夠得到很好的效果。

相較于深層學(xué)習(xí)，我們將傳統(tǒng)的機器學(xué)習(xí)叫做淺層學(xué)習(xí)。與淺層學(xué)習(xí)不同，深度學(xué)習(xí)能有效利用海量數(shù)據(jù)，隨著訓(xùn)練數(shù)據(jù)數(shù)量的提升，深度學(xué)習(xí)方法能達到更高的準確率。

如果將深度學(xué)習(xí)所需的元素當做一架火箭，那數(shù)據(jù)就是深度學(xué)習(xí)的燃料，比如 ImageNet 比賽，可獲得數(shù)百萬張圖片進行分類；計算力是引擎，幾十年前由于大數(shù)據(jù)的限制，人們無法很好地訓(xùn)練數(shù)據(jù)，而隨著技術(shù)的發(fā)展以及 GPU 服務(wù)器、集群、云計算的出現(xiàn)，數(shù)據(jù)已經(jīng)能夠支撐大規(guī)模的計算，另外隨著人才的加入，計算力的更新也日益加快；算法是核心組件，例如 CNN、RNN；平臺是基礎(chǔ)，例如 Tensorflow, Caffe, Pytorch。

總體而言，深度學(xué)習(xí)帶來了更好的環(huán)境感知結(jié)果更好的環(huán)境特征表達，從而做出更加準確的決策。

深度學(xué)習(xí)需要非常好的算力，無人駕駛汽車的 CPU+GPU 需要 2000-3000 W，消耗非常驚人的。不過非常幸運的是，現(xiàn)在很多芯片都朝著高性能、低功耗的方向在發(fā)展，比如 FPGA 的功耗就比一般的 CPU、GPU 低很多，英偉達之后推出的 TX2，Google 的 TPU 等芯片的功耗更低，算力更強。

為此我們也設(shè)計了功耗低于 10w，能滿足車載模型所需算力的芯片，來加速無人駕駛汽車的落地。我們首創(chuàng)了深度學(xué)習(xí)專用 MPV 架構(gòu)，其除了集成超過 13 億（全中國人口）納米級晶體管 (人類頭發(fā)的 1/3000)，能高度并行的數(shù)據(jù)讀寫、計算外，還為無人駕駛定制了大型計算模塊 。

（關(guān)于這一 MPV 架構(gòu)更詳細的講解，請回看視頻 00：09：30 處，http://www.mooc.ai/open/course/577=aitechtalkqianwei）

智能芯片為無人駕駛帶來了更低的功耗和更高的算力，在其幫助下，車輛對緊急情況的響應(yīng)速度比 F-1 賽車手還快，從而大大提高了無人駕駛的安全程度。

盡管人工智能的發(fā)展帶來了很多幫助，但是無人駕駛中仍然存在很多挑戰(zhàn)。我講一個和大家關(guān)系比較緊密但是容易被忽視的問題——對于問題的理解。

下面，為了說明「盡管我們有了很好的深度學(xué)習(xí)模型，但是這些模型的直接使用仍然不能很好解決我們現(xiàn)實中的問題」這一無人駕駛面臨的挑戰(zhàn)，我以視覺障礙物檢測、視覺車道檢測和復(fù)雜場景定位為例來進行闡述：

（關(guān)于視覺障礙物檢測、視覺車道檢測和復(fù)雜場景定位這三個案例的講解，請回看視頻 00： 11：55 處，http://www.mooc.ai/open/course/577=aitechtalkqianwei）

針對這些挑戰(zhàn)，我們采用的方法也很簡單——傳統(tǒng) SLAM（simultaneous localization and mapping，也稱為 CML (Concurrent Mapping and Localization）方案，它是即時定位與地圖構(gòu)建，或并發(fā)建圖與定位，是無人駕駛中無人車理解場景結(jié)構(gòu)、獲取自身在周圍環(huán)境中的相對位置的核心技術(shù)。我們利用激光雷達、視覺傳感器以及所給數(shù)據(jù)，配合上 GPS 和 IMU 就可以做到厘米級、全天候的復(fù)雜場景定位，這在無人駕駛中還是非常重要的。

傳統(tǒng) SLAM 一般使用基于特征點的模式（feature-based），但這種模式并不能很好地適用于無人駕駛場景。

第一，由于場景重復(fù)性較大且視覺特征單調(diào)，可能出現(xiàn)大量特征點誤匹配現(xiàn)象；

第二，受制于光照弱、場景視覺特征貧乏，易于出現(xiàn)大范圍無特征點區(qū)域；

第三，無人駕駛狀況會有大量動態(tài)場景，而在動態(tài)物體上檢測出大量特征點，容易導(dǎo)致整體 SLAM 系統(tǒng)解算精度很差。

基于上面的原因，我們拋棄特征點，而采用基于場景結(jié)構(gòu)化的 SLAM 解決方案，從而顯著提高了整套 SLAM 系統(tǒng)在弱視覺特征場景（光照條件差，場景視覺特征單調(diào)且大量重復(fù)等）中的高精度定位與建圖效果。

與傳統(tǒng) SLAM 相比，它有以下優(yōu)點：

第一，顯著規(guī)避在動態(tài)物體上找到大量視覺特征的問題，保證 SLAM 系統(tǒng)解算精度；

第二，在弱視覺特征區(qū)域也以場景結(jié)構(gòu)的形式提取出了豐富的場景特征；

第三，相比較點匹配，結(jié)構(gòu)匹配可以在很大程度上降低誤匹配概率。

盡管深度學(xué)習(xí)在不斷發(fā)展，讓我們覺得視覺識別可以實現(xiàn)語義信息非常充分的高級抽象特征，然而，簡單使用這些特征并不能提高 SLAM 的效果，我們需要真正找到問題的痛點來進行處理。

最后介紹一下創(chuàng)新工場等主辦的 AI Challenger 2018 全球 AI 挑戰(zhàn)賽，在這個比賽中你會使用到非常強的模型、很多的模型融合，并且還能獲得從更多角度去理解問題的思維方式。

（關(guān)于 AI Challenger 2018 全球 AI 挑戰(zhàn)賽的具體介紹，請回看視頻 00： 32：41 處，http://www.mooc.ai/open/course/577=aitechtalkqianwei）

以上就是本期嘉賓的全部分享內(nèi)容。更多公開課視頻請到雷鋒網(wǎng)AI研習(xí)社社區(qū)（https://club.leiphone.com/  ）觀看。關(guān)注微信公眾號：AI 研習(xí)社（okweiwu），可獲取最新公開課直播時間預(yù)告。

關(guān)于 AI Challenger

「AI Challenger 全球 AI 挑戰(zhàn)賽」是面向全球人工智能人才的開源數(shù)據(jù)集和編程競賽平臺。今年的 AI Challenger 2018 由創(chuàng)新工場、搜狗、美團點評、美圖聯(lián)合主辦，賽事獎金超過 300 萬人民幣，另外參賽者還有機會獲得聯(lián)合主辦方提供的工作、實習(xí)和投資。

AI Challenger 2018 數(shù)據(jù)集和競賽已于 8 月 29 日開放，將于 11 月11 日截止，并于 12 月 18-19 日進行競賽的總決賽答辯和頒獎。賽事具體信息請點擊 http://ai.yanxishe.com/page/blogDetail/8792 進行詳細了解。

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。