7月25日-26日，在中国科学技术协会、中国科学院、中国工程院、浙江省人民政府、杭州市人民政府、浙江省人工智能发展专家委员会指导下，由中国人工智能学会、杭州市余杭区人民政府主办，浙江杭州未来科技城管理委员会承办的2020全球人工智能技术大会在“数字之都”——杭州，成功举办。在7月26日举办的交通系统群体智能决策与控制专题论坛上CAAI 智能交通专委会秘书长、武汉理工大学副校长、教授吴超仲为我们带来了题为“智能网联汽车精细化感知与深度融合”的精彩演讲。
以下是吴超仲的演讲实录：
我今天报告的题目是《智能网联汽车精细化感知与深度融合》。报告分为四个部分，第一是研究的背景。智能网联汽车在国内外发展很快，在国际上也越来越受到重视。美国的交通运输部和智能交通联合项目办公室共同提出了2015—2019 的战略计划。这个计划实际上是车联网的一个升级版，注重于原来的网联汽车网联化与现在的自动驾驶并重的一个阶段。
在欧洲主要通过地平线的2020 计划来推进智能网联汽车的研发。同时，欧洲的道路交通咨询委员会在2019 年，也规划了2030 年前要从手动驾驶过渡到完全无人驾驶这样一个技术路线。
日本政府发布了战略性的创新项目——关于智能驾驶系统的研究计划，2025 年要在全国普及自动驾驶技术；而且还希望在2030 年之前，通过自动驾驶技术使交通死亡事故能够大幅降低。我国也非常重视智能网联汽车的发展，主要表现在三个方面。首先是部委高度重视，交通部在“十三五”的规划及交通强国建设纲要里，明确提出了把智能网联汽车作为重点；工信部也发布了智能汽车的创新发展战略规划。现在国内新技术发展比较快，尤其是5G 技术已经走到了世界的前列，人工智能技术也取得了飞跃性的突破，这些都为我国研究智能网联汽车提供了很好的支撑。
此外，国内各地政府也很重视。比如，2019年9月武汉市发出了第一张自动驾驶的商用牌照；2020 年6 月苏州发出了第一块ROBO-TAXI 示范应用牌照；Momentaji 拥有在指定公开道路上进行自动驾驶出租车载客测试的资质。一些地方政府对自动驾驶马上大规模应用，抱有非常大的期望。
但是，目前智能网联汽车在发展过程中还是存在一些问题，从下面这些数据可以反映出来。比如，2019 年在北京市的自动驾驶车辆道路的测试报告中显示，在封闭试验场内发生的事故有16起，其中这16 起事故中定位异常的占了46%、感知错误的只有7%。另外，特斯拉在2018 年也发生了10 起这样的事故，500 辆自动驾驶的汽车从2018 年3 月前的18 个月里发生了37 起事故。所以智能汽车虽然在快速发展，但是其安全性问题也不容忽视。
对于安全性问题，我们认为最重要的就是在复杂环境下，智能网联汽车是不是依然能保持可靠？这是安全的前提。因此，智能网联汽车要实行安全可靠运行，对环境的感知和深度的融合提出了更高要求。而要达到这一点，对我们来说有非常大的挑战。比如，我们连续高精度的定位和精细化的感知实际上在这些实验车上都可以做到，但是是以成本为代价的，可能一个高端的传感器比车本身还贵。所以，通过什么技术既能降低成本，又能保证环境感知的精确性，这就需要靠一些核心的算法来弥补。
在这种情况下，我们团队承担了一项国家自然科学基金的汽车联合项目的重点项目，开展智能汽车环境的精细感知、深度融合和动态建模方法的研究。另外还有一个湖北省的创新群体项目，开展智能网联汽车关键技术研究。我下面报告的一些主要内容，也是这两个课题的一些研究成果。
我报告的第二部分是研究环境和条件。
我所工作的城市武汉有比较好的研究智能网联汽车的条件。首先，武汉有智能网联汽车示范区，武汉理工大学也以多种方式参与了示范区的建设。武汉智能网联汽车示范区的目标是要建成基于大规模商用的5G 车联网，可以通过5G 实现远程驾驶车路协同，推动真正的商业化应用。示范区的面积90 平方公里，各区加起来的道路里程159 公里（包括高速公路100 公里，以及城市、乡村和园区道路），5G 已经全覆盖；并且架设有196 个监控和1 000 多套监测设备，可以全领域、全天候监控测试车辆，现在已经有很多自动驾驶车辆在里面进行测试。2020 年年底的目标是要把示范区建成国内首个新能源与智能汽车的综合测试基地。
武汉理工大学通过多年建设，也有一些智能车车载研究平台。我们从2012 年就开始用不同品牌的汽车作为自动驾驶的实验平台。另外还有一套虚实结合的汽车综合实验平台，平台上装了一个惯导系统、激光雷达、超声雷达，以及道路环境的图像采集系统和车载数据采集系统；同时在传统汽车驾驶模拟的基础上对其进行了改造，既可以人驾驶，也可以自动驾驶，同时还可以模拟
人机共驾。这些实验系统为开展深入研究智能网联汽车奠定了基础。
第三部分是我们的一些代表性工作，主要讲4个方面。
第一个是基于视觉标签的高精度定位。这是与项目合作单位武汉大学一起合作研究的一项成果。智能网联汽车高技术定位非常关键，传统上是要通过高精度地图把所有线路采集进去后，再配上高精度的定位传感器实施。如果高精度地图要全程覆盖，成本比较大。我们提出了一个利用视觉标签和普通定位传感器来提高精度的方法。其原理就是对场景中的某些地标提高定位的精确，以此作为视觉标签实时修正车辆的定位，这样就可以在使用普通定位传感器的基础上，实现高精度定位。视觉标签的选择有多种，可以是标志性的建筑，也可以是道路上的天桥或者路灯杆等，我们的研究是把车道线作为视觉标签，通过车载的双目摄像头和道路地图实时检测，提高定位精度。定位分为纵向定位和横向定位，纵向定位将车道线进行分块；横向定位计算车辆和车道线的相对距离和相对方位。首先初步计算出视觉车道，先在主心块的LD 把视觉模糊度作为一个参数，再与 R TK 进行联合的计算，就可以得到高精度的识别模糊度，这是纵向；横向是通过交通事件检测车辆的当前和下一个矩形块的四个顶点，这样车辆和车道相对位置和方位点可以计算出来；最后把横向和纵向结合就能够更精确地计算最终车辆的定位。从我们在武汉做的一些测试结果看，无论是纵向还是横向定位，添加了识别标签的定位精度都比没有添加的要高，而且随着训练次数的增加越来越明显。
第二个工作是基于路面指纹的缺失信息补偿。刚才说的在复杂环境下有些信息可能会丢失，这样的场景尤其在城市里比较常见，比如在高架桥、隧道、地下停车场这些地方，位置信息经常是丢失的。在丢失信息的情况下如何能够保持精确定位？我们提出利用路面指纹来解决这个问题。
路面指纹实际上是道路的微小局部特征。大家都知道，每个人指纹特征不同，通过指纹可以识别精准每个人。同样的，一条道路上的纹理用人眼观察差不多，而实际上它的局部特征不同，也就是不同道路断面的局部信息都是有独特特征的。把这些路面的局部图像特征提取出来，相当于给道路断面赋予了指纹信息。如果在一些信息丢失的情况下，我们就可以通过它的路面指纹信息对它再进行一个补偿，这就是基于路面指纹的精度定位提升原理。
我们做了一些相应的实验，对不同场景识别的性能进行了对比。测试结果显示，如果有标志场景下识别的准确率可以达到97.34% 点；在没有标志的场景下它的准确率要低一些，是93.97%。
第三项工作是基于地下停车场两级地图的智能车定位。地下停车场是GPS 信号缺失的典型场景，我们对该场景下的智能车定位与导航展开了研究，提出了地下停车两级地图的智能车定位，除了路面地图，再把停车场的地图制定出来，利用 Wifi 信息进行内部的导航。这是我们在武汉做的凯德广场停车场的三维模型。我们用改进的A*算法做了一些实验，结果表明，算法的效率和路径规划的准确性都大大的提高，实现了在地下停车场的精确导航。
第四项工作是基于数据增强的目标识别。现在很多算法都需要大量的数据样本对它进行训练，但是很多时候样本量不足。在样本量不足的情况下怎样做？2019 年我们提出了运用深度卷积生成对抗神经网络进行数据深增强。这个网络是一个基于零和博弈理论的深层次模型，它可以通过拟合样本级数据分布实行增强效果。从网络的一个原理图可以看到，图中有两个比较关键的样本——G 和D。D 是真实样本数，由于样本数不够，所以引入根据随机噪声生成的样本数据G，但它不是真实的数据。随机生成的数据刚开始肯定不符合要求，所以建立一个机制，把这两个都作为判断器的输入；然后用我们的模型判断 D，通过判别能力，它就会有一个自动修正反馈和修正。通过这样一个对抗的训练和模拟，最后G 和D 相互迭代优化，使网络达到一个平衡后就达到一个数据增强的目的，这是它的原理。
在这样的网络中，我们建立了相应的模型，对一些道路交通图像进行了识别。在这个结果图中，如果不增强原始样本，它的识别率就会比较低，因为样本量不够，只有55%，我们引入增强样本后就可以达到88%，所以通过这种方法可以提高目标的识别率。
以上就是我们精细化感知和深度融合方面的一些阶段性成果。
最后做一个总结。智能网联汽车如果要提高它的安全性，精细化感知的深度融合是关键。首先我们在部分传感器信息缺失、GPS 信息缺失及数据样本不足的情况下做了一些研究，通过常规的GPS 加上道路地图和视觉标签，实现低成本的高精度定位。第二是GPS 信号缺失后，通过路面的指纹加场景识别的感知，实现在GPS 失效环境下高精度定位。第三是在基本信号缺失情况下，利用两层地图和激光雷达实现地下停车场的精确导航。另外，我们通过生成对抗网络，实现少样本的情况下目标的高精度识别。
对于智能网联汽车的未来发展，我认为有三个方面值得关注，一是在政策法规方面，需要完善自动驾驶汽车测试及规模化应用后的相关法律法规体系，需要在事故定责、网络安全与路权分配等方面进行明确。二是在技术层面，智能网联汽车规模化发展离不开先进技术的支撑，高精度定位、精细化感知与深度化融合是实现其智能功能的基础。三是在应用层面上，还是要分步实施，先由封闭式到半封闭式，最后到开放式的推进实施路径。
（本报告根据速记整理）
CAAI原创 丨 作者吴超仲
未经授权严禁转载及翻译
来源：oschina
链接：https://my.oschina.net/u/4276629/blog/4546623