北大AI公開課 第四講 無人駕駛

來自專欄 AI— From Zero to Hero

主講人：吳甘沙 馭勢科技創始人&CEO，

智能駕駛，有多少個AI可以重來。

為什麼要做智能駕駛：（經得起數次考驗的問題值得去做）

城市中存在的一系列問題：交通事故，堵車，違規駕駛等問題。

三數據：停車難，96%的時間是停車的；35%的航程來找停車位；15%的土地是停車位。

存在的這些問題，導致了中國上下班浪費時間嚴重。限行等各種解決方案不能從根本上解決問題，系統的解決問題依靠無人駕駛。

通過無人駕駛，未來私家車數量降低，計程車數量增加，計程車費用降低，計程車根據大數據分布。

滴滴，峰值2100萬單/天，再增加，需要通過無人駕駛突破提供服務的車和人成本的局限。未來無人駕駛後，全國可達到5億單/天。

「時來天地皆同力，運去英雄不自由」，大場面值得賭上20年，即使是現在起步依然不晚，後發優勢，可以實現非線性加速。

無人駕駛離我們多遠

• 無人駕駛三種技術：新司機（懂規則，感知和認知），認路的司機（地圖和定位），老司機（決策）

激光雷達，幾何世界的全面回憶，成本的降低是關鍵；替代方案：基於視覺、毫米波雷達和超聲波等輔助感測器，像素世界的理解和預測。

案例：Tesla，1個單目攝像頭（主要），12個超聲波感測器（車周圍），1個毫米波雷達，超聲波感測器。

• 存在了缺陷：受到光照的影響，晨曦形成的強逆光；Detection by Recognition，與資料庫中的障礙物相匹配，未能認出側面，認出柵欄。

• 解決方案：

1.重新通過攝像頭構建一個幾何世界。雙目立體攝像頭，可以用來識別動態和靜態的障礙物。2.更好的計算機視覺，語音分割，視覺演算法的角度（更好的分割方法，發現障礙物和可行駛區域的檢測）。訓練模型進行魯棒，然後檢測出大貨車和普通車的區別。

• 未來機會

第一：深度學習的不足，車輛識別率90%左右，自行車行人識別率70%多。解決辦法：使用更多標註數據，獲得更高準確率的模型。大量數據的標註方法：機器學習實現半自動標註，預訓練，遷移學習，在線學習+自監督學習。

第二：嵌入式部署，需要考慮實時性、模型的大小和計算量。辦法：圖像壓縮（down sampling，encoding），模型壓縮，級聯演算法（region proposal）。

第三：多任務網路，檢測人車、交通標誌和車道線等；檢測分類，語義分割一體。

2.認路的司機，地圖和定位技術：

高精度定位系統（RTK），依靠多天線的差分計算，獲得厘米級的定位，但是容易受到外接環境的影響。

視覺里程計（記錄圖像幀與幀之間的視覺特徵點的位移），可以實現相對定位。

二維碼：XJBD，通過二維碼確定相對的舉例和角度。

SLAM：同步的建圖和定位。基於視覺的SLAM，結合高精地圖的定位，可以做得更好。

未來機會：SLAM技術的魯棒性，多感測器的融合，基於基礎高精地圖的地圖學習和更新。

3.老司機，開的好、平穩，有社會性、競爭性：

判斷態勢，評估他方動機，預測行為。

監督學習：給一個狀態，然後對它進行預測，而這個預測對外界環境不會由影響。

強化學習：需要與環境互動，包括馬爾科夫決策過程，循環神經網路。

• 未來機會：

融合基於深度學習的車感和背景知識，基於遷移學習的舉一反三，基於貝葉斯的邏輯/因果推理。

從動態的角度理解視頻，而不是一些幀，從中推導運動狀態，動機，因果關係。

預測學習：predictive learning，無監督學習的重要方法。

如何處理未知情況，開的萬無一失：

關於虛擬世界，真實世界，是否是關鍵是任務的劃分。

比代碼更難的shi 數據以及上面的隨機演算法和機器學習。

案列：

谷歌，訓練神經網路識別啞鈴，出現的肉色胳膊的數據集。

谷歌，左右兩幅圖，像素級的差別，機器學習認不出來，引出對抗。

系統需要可預期的置信度，高置信度下的自動駕駛的可靠性，模擬模擬和強化學習，虛擬環境里不斷訓練。

基於模擬器的測試：成本低、靈活性高，基於大數據，可無限生成測試模型，可通過人工智慧演算法（eg強化學習）自動訓練和測試無限里程。

深度學習，黑盒子，可解釋性。對抗訓練，生成性對抗網路。

穿越迷霧，從demo到deploy，

成功的次數：做demo，100次成功1次就可以。部署需要100次成功100次。

成本，拍demo可以用多個激光雷達，落地就需要考量成本因素。

從演算法能力到系統能力，演算法+魯棒性+實時性+軟硬體垂直整合。對需求和場景的理解。

對話環節：

1. 0-5級的無人駕駛系統，1級偶爾輔助，2級相當長時間可以駕駛，自動泊車，3級，駕駛員不需要關注駕駛，4級幾乎無人駕駛，場景的限制。

2. 無人駕駛的實現速度，3年商業化，5年量產，場景控制，做出約束。

3. 5級的實現，人容易高估短期影響力，低估長期影響力。5級到底需不需要？？？？

4. 未來主導技術，感測器的空前豐富，360無死角，車聯網，超視距。任何無人駕駛分車道。

5. 雲和端的配合進行計算，無人駕駛，現在只在端上。雲上便於知識的傳播。

6. Intel收購，零部件的組合化，供應商的整合，從control到computing，軟體硬體化，SDK，開放還是封閉的環境。

7. 專門定製晶元，而不是通用晶元，具有一定的可編程性，不能作死，保證日後一定得更新。

8. 未來發展方向，車廠具有一定話語權，製造利潤降低，汽車廠和互聯網公司聯合。特定場景的無人駕駛汽車，景區園區等等。

9. 堵車情況下，各種手段的融合，來準確絕對定位，慣性導航。

10. 無人駕駛的安全性，黑客問題。邊緣化創新，不選擇主流的創新。尋找不同而不是更好，

推薦閱讀：