小編今天參加中國認(rèn)知計算與混合智能學(xué)術(shù)大會，接下來將摘取相關(guān)院士專家關(guān)于自動駕駛的報告，做成自動駕駛專題，本文為專題第一篇。

“首屆中國認(rèn)知計算與混合智能學(xué)術(shù)大會”于2018年8月25-26日在西安舉行（主辦單位：國家自然科學(xué)基金委員會信息科學(xué)部、中國認(rèn)知科學(xué)學(xué)會、中國自動化學(xué)會、聯(lián)合國教科文組織國際工程科技知識中心）。本次大會的主題是研討與交流認(rèn)知科學(xué)、神經(jīng)科學(xué)與人工智能學(xué)科等領(lǐng)域交叉融合的最新進(jìn)展和前沿技術(shù)，大會吸引了來自約130余所高校和研究機構(gòu)、近30家企業(yè)，共計超過600名的人員參會。

大會邀請了認(rèn)知建模與計算、混合智能、受神經(jīng)科學(xué)啟發(fā)的計算架構(gòu)與器件、先進(jìn)感知、智能機器人、無人智能駕駛等領(lǐng)域，來自國內(nèi)外知名大學(xué)、研究所和科技公司的57位知名專家做學(xué)術(shù)報告，報告專家包括中國科學(xué)院、中國工程院院士8名，“千人計劃”專家4名，國家杰出青年科學(xué)基金獲得者15名，長江學(xué)者特聘教授12名等。會議由14個大會報告和43個分論壇報告組成，四個分論壇為認(rèn)知計算的基礎(chǔ)理論、混合增強智能與深度學(xué)習(xí)、受神經(jīng)科學(xué)啟發(fā)的計算架構(gòu)與器件、先進(jìn)感知與智能環(huán)境。

智車科技將摘取相關(guān)院士專家關(guān)于自動駕駛的報告，做成自動駕駛專題，本文為專題第一篇。

李德毅院士：反用駕駛腦：用人工智能研究腦科學(xué)

首先，李院士講到他作為一個工科生對腦認(rèn)知的思考，他認(rèn)為，腦認(rèn)知是生物屬性和社會屬性、先天屬性和后天屬性相互結(jié)合而產(chǎn)生的整合性認(rèn)知過程。研究在社會認(rèn)知過程中生物腦的成長與進(jìn)化，可稱為腦認(rèn)知的正向工程，如腦認(rèn)知的精神學(xué)方法；而從腦認(rèn)知的社會屬性和人工智能方法研究腦進(jìn)化，可稱為腦認(rèn)知逆向工程，如腦認(rèn)知的人工智能方法。受腦科學(xué)啟發(fā)的人工智能和受人工智能啟發(fā)的腦科學(xué)是一個問題的兩個面，人工智能的迅速發(fā)展也可以推動腦科學(xué)的研究。

李院士研究的駕駛腦

李院士提到，他們研究的駕駛腦不同于特斯拉的自動駕駛，不同于谷歌的感知智能，不同于英特爾的車在計算機；能適應(yīng)各種車輛平臺，適應(yīng)各種傳感器配置，適應(yīng)各種典型的應(yīng)用場景；跨越了工控機和交換機分立式階段，跨越了智能車自己跑地圖的階段；創(chuàng)造了一整套路測方法學(xué)。

不廢話，直接奉上價值600萬的圖

駕駛腦工程樣機

李院士認(rèn)為，未來汽車約等于共享出行約等于會學(xué)習(xí)的輪式機器人。

人和機器人在一起會有4中工作狀態(tài)，分別為：①駕駛員開車，機器人向人學(xué)習(xí)，②機器人開車，人監(jiān)控，③機器人開車，機器人自學(xué)習(xí)，④機器人當(dāng)教練教人開車。輪式機器人可以做到會開車、會學(xué)習(xí)、會交互、有個性、有悟性。

我們不僅需要模擬人開車，還可以反用駕駛腦，利用無人駕駛車度量和考察駕駛員的駕駛認(rèn)知能力！我們不僅需要模擬領(lǐng)域?qū)＜覜Q策，還可以反用機器領(lǐng)域腦，度量和考察人類專家的知識和推理能力！

何為反用駕駛腦？

眾所周知，當(dāng)前各國檢測酒駕是否犯法常常依據(jù)駕駛員血液中的酒精含量是否超標(biāo)。實際上，這是一種無奈之舉。一個人駕駛認(rèn)知能力的宏觀度量，如是否遵循交規(guī)，怎么可以用人體微觀的一種生化指標(biāo)來裁決呢？每個人對酒精的忍耐性差別很大，酒量大的人也許并沒有違反交規(guī)，為什么要接受處罰呢？可以利用駕駛腦學(xué)習(xí)并模擬不同程度的醉酒開車，利用包含駕駛腦在內(nèi)的駕駛模擬器檢測酒駕，比對血液中的酒精含量分析人腦的臨時性受損。駕駛腦還能學(xué)習(xí)迷路狀態(tài)的駕駛員行為，可否利用包含駕駛腦在內(nèi)的駕駛模擬器檢測不同人的定位和方向感能力？

如果標(biāo)桿駕駛員的駕駛認(rèn)知可以用駕駛腦實現(xiàn)，如果在線駕駛員的腦活動和標(biāo)桿駕駛腦可以對比，那么，包括駕駛腦在內(nèi)的無人駕駛特定場景和技術(shù)裝備，就可以作為特定生物人（如曾經(jīng)的駕駛員年齡大了，出現(xiàn)認(rèn)知障礙）的腦認(rèn)知成像、腦認(rèn)知掃描、腦認(rèn)知發(fā)現(xiàn)的技術(shù)裝備了。

設(shè)人腦特定問題域的認(rèn)知能力可以先局部地形式化，哪怕在微觀上不具有組織結(jié)構(gòu)的相似性，例如駕駛、下棋、聊天等。當(dāng)千千萬萬特定領(lǐng)域的認(rèn)知能力局部形式化后，用人工智能技術(shù)構(gòu)建千千萬萬特定機器認(rèn)知腦，并通過移動互聯(lián)網(wǎng)、云計算和大數(shù)據(jù)，是否可以倒閉一個生物人腦的認(rèn)知呢？

因此，凡悠久強大的學(xué)科，如神經(jīng)生物學(xué)和人工智能，都是很有個性的學(xué)科，存在“生殖隔離”現(xiàn)象，學(xué)科壁壘森嚴(yán)。長期以來神經(jīng)生物學(xué)研究和人工智能研究猶如兩條平行線，沒有實質(zhì)交集。它們一旦交叉融合，讓碳基生物腦和硅基電子腦在介管或宏觀尺度層面形成“雜交優(yōu)勢”，將會勢不可擋，醫(yī)學(xué)教育只有擁抱人工智能，別無選擇。

西安交大薛建儒教授：受腦啟發(fā)的環(huán)境理解與自主駕駛

一、無人車研究現(xiàn)狀

能適應(yīng)特定場景并于環(huán)境進(jìn)行交互的智能機器人、無人機、無人車等智能自主運動體正不斷涌現(xiàn)。

無人車將深刻改變我們未來的出行方式

我國新一代人工智能發(fā)展戰(zhàn)略規(guī)劃中明確將自動駕駛技術(shù)列為重點突破的關(guān)鍵共性技術(shù)。

無人車感知——運動環(huán)路

無人車的感知運動環(huán)路中存在著兩個緊密耦合的核心問題，即場景理解與自主駕駛。

場景理解：處理傳感數(shù)據(jù)給出場景結(jié)構(gòu)化描述，并進(jìn)行幾何、物理及語義層次上的推理，形成運動決策的時空約束。場景理解研究現(xiàn)狀：模式表征與計算—由“先分而治之后組合”到幾何、物理關(guān)系的整體性層次化描述模型；機器學(xué)習(xí)—由概念學(xué)習(xí)到場景要素關(guān)系及時空變化預(yù)測推理。

自主運動：依據(jù)場景理解給出的時空約束，控制車輛實現(xiàn)適應(yīng)場景變化運動。自主運動研究現(xiàn)狀。分層架構(gòu)—行為決策、運動規(guī)劃、反饋控制；策略學(xué)習(xí)—試錯與獎懲。

二、視覺主導(dǎo)的場景理解

1.視覺主導(dǎo)的場景理解

相機與激光、雷達(dá)協(xié)同尋求與駕駛?cè)蝿?wù)相關(guān)的場景不變性表征—結(jié)構(gòu)化描述。結(jié)構(gòu)化描述分為度量（定位與導(dǎo)航）、交通信號（交通規(guī)則）、交通語義（多要素關(guān)系）。

從視覺計算到場景理解。四象數(shù)據(jù)到三維重建的過程有三步分別為：初級（亮度、邊緣）、中級（分割、要素圖）、高級（理解、符號）。視覺不是孤立的，視覺計算是動態(tài)的、自適應(yīng)的，視覺注意與視覺反饋。

從集合度量到語義推理與預(yù)測。初級有：度量、定位、稠密、稠疏光流、立體視覺、場景流等等；中級有：可通行區(qū)域、檢測、識別障礙物、交通規(guī)則等；高級有：預(yù)測場景變化并給出未來決策，車輛行為、威脅程度分析等。

交通場景理解：定位、導(dǎo)航與安全行駛。靜態(tài)交通要素幾何度量及拓?fù)浣Y(jié)構(gòu)—道路邊界、車道線等，地圖+多傳感器融合→要素幾何度量及拓?fù)浣Y(jié)構(gòu)；動態(tài)場景語義描述：占據(jù)車道—軌道—運動預(yù)測，交通規(guī)則+障礙物檢測/識別/跟蹤→預(yù)測推理。

2.靜態(tài)場景：定位與導(dǎo)航

高精度地圖：定位度量+視覺導(dǎo)航信息（Landmark）。離線創(chuàng)建精細(xì)刻畫靜態(tài)場景的地圖；以及在線基于局部感知（圖像、激光、位姿）實現(xiàn)精確定位和導(dǎo)航。例如嵌入車道線、路口等信息的高精度地圖。

3.動態(tài)場景：安全行駛

障礙物檢測/跟蹤/識別+交通規(guī)則→運動預(yù)測。可對路上周邊車輛行為進(jìn)行分析；路口通行行為分析：標(biāo)注場景感知數(shù)據(jù)、通行模式/行為學(xué)習(xí)。其難點在于健壯的檢測—跟蹤—識別集成框架，可使用單目/雙目視覺、激光、毫米波雷達(dá)等設(shè)備，另外融合3D激光點云也可進(jìn)行視覺障礙物檢測，3D點云與圖像的時空對齊：深度邊緣與圖像邊緣對應(yīng)。還有實時的交通場景理解，融合低精度的地圖信息、道路邊界、車道線等局部交通要素，實現(xiàn)魯棒的自主定位和行駛局部環(huán)境理解。

此外，場景理解也面臨著一些挑戰(zhàn)性的問題。比如對無人車環(huán)境感知的目的性與主動性重視不足，難以引入全局性信息和選擇性注意機制、缺少關(guān)聯(lián)和反饋；也無法有效地給出動態(tài)、復(fù)雜交通環(huán)境下自主駕駛所需的層次化時空約束的動態(tài)關(guān)聯(lián)結(jié)構(gòu)。

三、受腦啟發(fā)的自主導(dǎo)航

借鑒人類認(rèn)知機理，將多源異構(gòu)、非結(jié)構(gòu)化的動態(tài)場景感知數(shù)據(jù)轉(zhuǎn)化為運動決策的層次化語義及時空約束。

場景理解的部分腦認(rèn)知機制：

整體性與層次性：探討適合描述人對交通環(huán)境認(rèn)知過程，提供決策、規(guī)劃和運動控制所需的不同層次的實時場景信息；

主動性與目的性：具有選擇性注意機制的主動感知能力；

直覺反應(yīng)與快速推理：讓自主駕駛系統(tǒng)具有記憶、推理和學(xué)習(xí)（經(jīng)驗更新）機制，構(gòu)成感知—運動控制之間的穩(wěn)、準(zhǔn)、快的閉環(huán)。

選擇性注意、層次性與整體性。視覺的感知和認(rèn)知是有目的、主動交互的過程；動態(tài)復(fù)雜環(huán)境中目標(biāo)的快速識別具有分層遞進(jìn)結(jié)構(gòu)。

記憶與預(yù)測。記憶機制表現(xiàn)為寫入不變性表征、聯(lián)想記憶、序列性和層次性；無監(jiān)督預(yù)測無處不在，其中認(rèn)知=感知+預(yù)測。

由此我們可以看出其中端倪：可用模塊化的端對端網(wǎng)絡(luò)同時求解場景表征與運動，詳細(xì)體現(xiàn)為3處端倪：

1.定位與地圖創(chuàng)建的深度神經(jīng)網(wǎng)絡(luò)。用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)求解SLAM問題，用卷及網(wǎng)絡(luò)預(yù)測位姿變化、用注意力遞歸網(wǎng)絡(luò)求圖優(yōu)化（RNN）。

2.梯度創(chuàng)建中引入運動規(guī)劃。體現(xiàn)為認(rèn)知的地圖構(gòu)建與運動規(guī)劃、地圖創(chuàng)建—LSTM、分層規(guī)劃CNN。

3.引入主動交互的深度強化學(xué)習(xí)。自主導(dǎo)航的強化學(xué)習(xí)方法分為目標(biāo)渠道的強化學(xué)習(xí)、深度估計和回還檢測。

國防科大徐昕教授：面向自主駕駛的視覺顯著性檢測與序列學(xué)習(xí)

徐昕教授的報告分析了車輛自主駕駛在視覺感知面臨的困難問題，討論了視覺顯著性檢測的主要模型和方法，重點論述了基于頻域多尺度分析和超復(fù)數(shù)傅里葉變換的視覺顯著性檢測方法HFT，介紹了視覺顯著性檢測標(biāo)準(zhǔn)數(shù)據(jù)集的構(gòu)建情況;針對復(fù)雜背景下的目標(biāo)跟蹤問題，提出了一種基于時空顯著性分析的圖像序列學(xué)習(xí)方法，并且在典型目標(biāo)跟蹤數(shù)據(jù)集合進(jìn)行了性能評測。

結(jié)論為：

提出的多尺度頻率分析( HFD )方法可以有效地實現(xiàn)視覺顯著性檢測。

結(jié)合自上而下的方法，自下而上的顯著性檢測方法可以得到進(jìn)一步改進(jìn)。視覺顯著性檢測對于目標(biāo)檢測和跟蹤非常重要。

級聯(lián)DCF具有空間-時間差異性，實現(xiàn)了單目標(biāo)跟蹤的最新結(jié)果。