IJCAI 2020开幕，杰出论文奖、卓越研究奖、约翰·麦卡锡奖等8项大奖公布

昨日，因疫情延迟半年已久的 IJCAI 2020大会正会终于迎来万众期待的开幕式。本届大会是第29届国际人工智能联合大会（IJCAI-PRICAI 2020），大会原定于2020年 7 月 11 日在日本横滨召开，现在会址从日本横滨改到了全程线上举行。

IJCAI-PRCAI 2020共收到6814篇论文摘要，以及5147篇提交论文，其中346篇论文由于违反提交政策被desk rejected，2191篇论文被summary rejected，也就是还没进入评审阶段就被直接拒绝，占比高达42.5%，最后只有591篇论文被接收，仅占非 desk-rejected 论文的12.5%，占总投稿量的11.5%（2018年、2019年的接收率分别为20.5%、17.9%）。

在开幕式上，大会组委会连续公布了包含 IJCAI 2020 卓越研究奖、约翰·麦卡锡奖、计算机与思想奖、Donald E. Walker 杰出服务奖、AIJ 经典论文奖、AIJ 突出论文奖、IJCAI-JAIR最佳论文奖、IJCAI 杰出论文奖等多项大奖 。

IJCAI 卓越研究奖：该奖项的获得者是科克大学（University College Cor）计算机科学与信息技术学院荣誉教授Eugene C. Freuder。

IJCAI 计算机与思想奖：获得者是华沙大学数学、信息学和力学系助理教授Piotr Skowron。

IJCAI 约翰麦卡锡奖：获得者是麻省理工学院计算机科学和人工智能实验室（CSAIL）主任Daniela Rus。

IJCAI Donald E. Walker 杰出服务奖：获奖者是新南威尔士大学人工智能科学教授、Data61算法决策理论小组负责人Toby Walsh。

AIJ 经典论文奖：获奖论文是《Temporal Constraint Networks》，作者：Rina Dechter, Itay Meiri, Judea Pearl

AIJ 突出论文奖：获奖论文：《Conflict-based search for optimal multi-agent pathfinding》，作者：G Sharon, R Stern, A Felner, N Sturtevant

IJCAI-JAIR最佳论文奖：获奖论文：《From Skills to Symboles: Learning Symbolic Representations for Abstract High-Level Planning 》，作者：George Konidaris，Leslie Pack Kaelbling ，Tomas Lozano-Perez

IJCAI 2020杰出论文：共有两篇获奖，《Synthesizing Aspect-Driven Recommendation Explanations from Reviews》，作者：Trung-Hoang Le 和 Hady W.Lauw；《A Multi-Objective Approach to Mitigate Negative Side Effects》，作者：Sandhya Saisubramanian，Ece Kamar 和 Shlomo Zilberstein 。

国防科技大学、克莱姆森大学等在Online BPP 问题中取得突破：高效能在线码垛机器人

在物流仓储场景中，无序混合纸箱码垛机器人有着大量的应用需求。物流仓储自动化的一个核心难点问题，是求解装箱问题（Bin Packing Problem，BPP）这一经典的 NP 难题，即为每一个纸箱规划在容器中的摆放位置，以最大化容器的空间利用率。求解 BPP 问题的传统方法大多是基于启发式规则的搜索。

在实际应用场景中，机器人往往无法预先看到传送带上即将到来的所有箱子，因而无法对整个箱子序列进行全局最优规划。因而现有的 BPP 方法无法被直接用于真实物流场景。

事实上，人可以根据即将到来的几个箱子的形状尺寸，很快地做出决策，并不需要、也无法做到对整个箱子序列的全局规划。这种仅仅看到部分箱子序列的装箱问题，称为在线装箱问题（Online BPP）。物流输送线边上的箱子码垛任务一般都可以描述为 Online BPP 问题。

Online BPP 问题的复杂度由箱子规格、容器大小、箱子序列的分布情况、前瞻数量等因素共同决定。由于仅知道部分箱子序列的有限信息，以往的组合优化方法难以胜任。

近日，国防科技大学、克莱姆森大学和视比特机器人的研究人员合作提出了使用深度强化学习求解这一问题。该算法性能优异，实现简单，可适用于任意多个前瞻箱子的情形，摆放空间利用率达到甚至超过人类水平。同时，该团队结合 3D 视觉技术，实现了业界首个高效能无序混合码垛机器人。论文已被人工智能顶会 AAAI 2021 大会接收。

作者使用带约束的深度强化学习求解 BPP-1 问题，即只能前瞻一个箱子的情形。然后基于蒙特卡洛树搜索实现了从 BPP-1 到 BPP-k 的拓展。下图 给出了 BPP-1 和 BPP-k 问题的场景示意。

论文链接：https://arxiv.org/abs/2006.14978

美国国家公路交通安全管理局开放 AV TEST 自动驾驶车辆跟踪计划

据VENTUREBEAT.COM 报道，继今年 6 月，美国运输部（DOT）国家公路交通安全管理局（NHTSA）部门披露自动车辆透明度和参与安全测试（AV TEST）并在 9 月正式推出后，NHTSA 今天宣布扩大了 AV TEST 的规模，据称它将提供有关整个美国测试的更多信息。该程序提供了一个在线面向公众的论坛，以供共享自动驾驶系统的道路测试活动。AV TEST 现在向「所有利益相关者」开放，包括州和地方政府以及私人公司。AV TEST 的扩张是在自动车辆教育合作伙伴（PAVE）进行的一项民意调查之后发布的。该调查表明，大多数美国人并不认为自动驾驶汽车已经 “准备好迎接黄金时段”。

斯坦福大学研究人员设计加速 AI 推理的加速器芯片

据VENTUREBEAT.COM报道，斯坦福大学研究人员近日在《自然电子》上发布新论文宣布开发出硬件，可以利用专用芯片来快速，高效地运行 AI 任务。每个芯片都在其单独内存存储旁边构建了数据处理器，这些芯片利用算法将八个独立的内核融合到一个称为「Illusion System（幻觉系统）」的 AI 处理引擎中。在设计上是多核的，并且专注于低精度算术或内存计算，这两者都可以提高大型 AI 算法的性能，并实现自然语言处理，计算机视觉和其他领域的最优表现。

点击左下角“阅读原文”，了解更多！