整理 | 夕颜
出品 | AI科技大本营（ID:rgznai100）
2019 年9 月 5 日至 7 日，由新一代人工智能产业技术创新战略联盟（AITISA）指导，鹏城实验室、北京智源人工智能研究院支持，专业中文 IT 技术社区 CSDN 主办的 2019 中国 AI 开发者大会（AI ProCon 2019）在北京顺利举行。短短 3 天之内，60+ 人工智能领域专家和领导者相聚北京，加入了这场属于 AI 开发者的盛大狂欢，探讨机器学习、自然语言处理、计算机视觉、AI+DevOps 和 AI+ 小程序等多个不同技术专题里开发者最关心的问题。
在主会场上，驭势科技联合创始人、董事长、CEO 吴甘沙为大家分享了题为《无人驾驶产业化的 AI 挑战和机遇》的演讲。吴甘沙从产业化的角度，从无人驾驶从业和研究的世界观谈到无人驾驶技术发展和变迁历史，再到无人驾驶商业化场景的探讨，全方位分析了当前和未来无人驾驶产业化的现状、挑战和机遇。
以下为演讲实录：
非常感谢CSDN的邀请，让我与大家相遇在 AI 开发者大会。
无人驾驶是 AI 密集型产业，也是未来 AI 落地的一个重要的大市场，今天我将更多地与大家分享无人驾驶真正实现产业化会遇到的 AI 挑战和机遇。
我们做任何东西一定要有世界观，我向大家分享一下驭势科技做无人驾驶的世界观。
2005 年，我当时还在英特尔，公司参与了 DARPA 无人驾驶挑战赛，赞助了两辆车，一辆是来自 CMU 的夺冠热门车 ，一辆是来自斯坦佛的黑马，但斯坦福的车身上 LOGO 位置全被占满了，没有给我们放 LOGO 的空间。这时，一个天才提出可以在这辆车两侧后视镜边上的空窗上放 LOGO，反正没有驾驶员了。这件事给了我一个启示：无人驾驶是新物种，每个功能都被重新定义了，包括这面窗子，我们应该用重新定义的思路去思考，此后，这成为我们世界观的一部分。
到后面的比赛中，CMU 这辆车领先大半程，但在最后一刻却失速，被斯坦佛这辆车反超。13 年以后，我们才知道原来是 CMU 这辆车因为引擎控制模块和燃油喷嘴间的过滤器坏掉了。这件事让我有了关于世界观的第二部分的思考，即无人驾驶要尊重汽车产业长期存在的规律 ，要有敬畏之心。
我先说一下世界观的第一部分，一切重新定义。
我们如何重新定义？未来有了 AI、车联网以后，车在路上会编队出行，单个车道的使用效率会提升 3-4 倍，我们不再需要十字路口的红绿灯，因为在全局调度算法下，所有的车都能够高效通过十字路口。停车也不再是问题，到目的地之后可以直接下车，出租车将会川流不息，晚上它可以默默地停到五环外，不用担心停车的问题。
高速公路上的大货车不再有车头。末端配送会由一些小机器人完成，快递母舰开到社区以后，我们可以放出密密麻麻的小机器人出来挨家挨户送货。
我们很少在网上买鞋，因为脚是非标的。未来鞋店可以开到你门口，你上车试鞋，下车买单，这使得未来物的流动更加自由。
更广义地说，很多今天的东西都可以动起来，比如你缺钱时一个无人驾驶 ATM 机可以突然现身。在外面玩内急时一个无人驾驶厕所可以飞速驶来。未来，车变成了空间，可以安营扎寨，车的底盘可以离开，在你需要时它自己开过来。这些商业场景可以改变现在的很多产业，比如钟点房、汽车旅馆、支线航空等。
在新销售、新零售、新商业上也有很多创意，比如无人货架可以出现在车里，车还可以是 mini KTV，还可以是模拟按摩椅，它可以是一个个人健身房，车在路上跑，你在车上的跑步机上跑，甚至是个人影院，为你定制内容 。经过测算以后我们发现，待无人驾驶产业发达之后还是要买茅台股票，因为酒类销售量可以增加 30%，不用担心酒价。
所以，一切可以重新定义。
再看世界观的第二部分，我们为何要对汽车产业有敬畏之心？我们把 AI 分成 4 个象限：实体、虚拟 、关键任务和非关键任务。比如小冰是虚拟的非关键任务，炒股机器人是虚拟的关键任务，如果处理不好会导致指数骤然下跌 。扫地机器人是实体的非关键任务，而无人驾驶是实体的关键任务，也是最难的AI。
我们简单看一下训练一个无人驾驶“老司机”要做哪些事情。
首先是感知和理解，就像一个新司机一样，无人车要懂得规矩和规则，车不能撞到别人；第二是要认路，这里面涉及地图和定位；第三是更高的要求，司机要机灵，有一定的决策能力，才能保证开得不“肉”，同时在见到没见过的东西时不会慌。这是 AI 中重要的三块，但是要达到老司机水平还需要开得平稳，这又涉及很多非AI的传统控制算法。
在感知领域，使用最多的是激光雷达和视觉。前者基于 3D 点云对多个目标进行检测和跟踪。典型的视觉算法采用一个多任务网络，多任务网络能够检测无限延伸的车道线，同时检测可行驶区域，以及路面上的各种物体和标识，特别是将所有车用立体的框标识出来，对其跟踪、测速、测距。此外，无人车还需要一点预测和想象能力，比如道路蜿蜒延伸的方式。
除了感知，无人车还需要一点认知能力和理解能力。理解有很多层面，比如在理解了这是一个车道线之后，下一步还要对车道线的语义有更多理解。特斯拉曾发生一起车祸，这次车祸的原因在于两条车道线组成的并不是一个车道，而是主路与匝道之间的分隔区域，但是视觉算法不能理解这个语义，把这个区域认成车道，一路向前开，结果撞到水泥墩上了。
往往理解还需要配合高精度地图，告诉无人车这不是车道而是分隔区。高精度地图涉及到如何用今天的传感器，比如激光雷达和摄像头采图并进行语义标注。
有了高精地图以后，下一步要处理在复杂空间中的定位。这时不能只靠 GPS定位，在没有 GPS 时也需要高清地图和其他的定位手段，比如SLAM，配合使用。
无人车最大的难点在于决策，那么决策难在哪里呢？维基百科上的事故数据显示，中国每 10 万辆车每年造成 105 人死亡，但是在美国这个数据只有 13 个人。我们在看Waymo的人工接管数据，感知错误导致事故发生的比例是 25%， 基本决策错误占 46%，预测错误占 4%，碰到不讲理的司机和行人占 19%，跟决策相关的错误达到了69%，也就是说感知不再是重要的问题，决策才是最关键的难点。
再看另一个数据，在对 10500 起Waymo试乘的乘客调研发现，乘客不满的问题包括不舒服、陷入在车流动不了、碰到自行车和行人紧急刹车等，其实这些情况都涉及到决策 。与中国相比，美国 Waymo 的工作环境相对简单，人少车少，而中国的无人驾驶汽车环境更复杂，存在各种“中国特色”问题。另外，数量级的不同也要求中国的无人车进行不同的算法处理。
这对我们是很大的挑战，传统上 无人驾驶是基于规则做决策，以后更多地是需要基于学习，甚至基于搏弈，比如学习 Model-based、model-free。现在，我们要加入两个新的东西，一个是竞争性，因为在中国，竞争性不够是无法获得路权的；另一个是社会性，不要让人在车流中一眼就看出是很笨很傻的无人车。
最后，无人车的诊断能力非常重要，这涉及很多后台数据分析，前台数据回传以后实时分析车的零部件工作是否正常，是否可以做预测性、实时性的维护等。
过去10年，上述这些技术都有了长足的发展，但为什么自动驾驶这么难呢？
首先是木桶效应或者短板效应，只要一个零部件还不成熟，整个无人驾驶就无法发挥效用。其次，关键任务开发有一个规律，叫做“90/10”原则，指的是完成了 90% 的任务，但是剩下的 10% 还需要 90% 的时间和精力，无人驾驶不能简单地依靠资本堆砌。第三，还有一个类似于“鸡和蛋”的问题，量上不去，供应链就不会随之优化，便宜不下来，所以量还是上不去。
无人驾驶如何进行产业化？无人驾驶领域的前两个难点意味着它的商业化周期非常长，这需要我们采用“撸串”的策略。一台很大的自动烤串烤台不可能只烤一根串，Robo-taxi是一根要烤 5-7 年的串，烤台空着是没有意义的，所以你可以烤多根串，也就是寻找多种场景进行商业化，让研发平台适应多场景。但是另一方面，我们也需要专注，因为烤串时所有精力会聚焦在快熟的那根串上，要注意别烤焦了，因为产品化资源会放在最先熟的那根串上。
什么串最先熟？要先找场景，我认为这些规律对于所有 AI 普遍适用：第一，它是否是高频刚需，是否能解决客户的痛点，而不是弄两台车秀科技感；第二，法律上和技术上是否实现无人化运营；第三，是否能算得过来账，是替换掉 1 个驾驶员还是 3 个驾驶员？一个地方有 5 台车还是有 500 台车？这些都会影响算账。
无人驾驶的商业化场景包括高速公路巡航，停车场的自动代客泊车等。自动泊车这套系统不用激光雷达，只要 6 个摄像头和 12 个超声波，用小几千元的成本基本就能够实现停车场无人泊车。去年，我们已经把这套系统交付了 50 个种子用户。它们一旦进入真实世界，可能会遭遇很多人的“挑逗“，这是非常危险的，因此这项技术需要足够可靠。目前，我们已经运营这套系统 10 个月，支持 10 多个停车场，成功率非常高。
另外，无人驾驶的高频场景还包括机场的物流拖车，现在一个典型的国际机场有近千辆拖车，而为了运营这近千辆拖车需要 3000 多个司机。在这个场景中应用无人车有很多挑战，比如如何真正实现无人化。今年开始，我们实现了机场物流拖车的无人化运营，无人车可以端到端地从停机坪或码头开到行李中心，再调个头往行李中心室内开下去。
另外一个场景是无人小巴，今年博鳌论坛上，我们与宇通和一汽合作做了两款无人小巴，与宇通合作的这款今年 5 月17 号开始在郑州的一条公交线上运营，这是无人化公交系统最早应用到现实世界的案例之一。
这几个场景要求一套源代码和一套工具链，未来将会面临巨大的挑战。我们做这个系统经常要与两个“R”搏斗，一个是 Reliability，在指定边界里它是非常可靠、不出错的，一个是Robustness，就是在未知情况、开放不收敛的环境里做到可靠。这是最大的挑战。
解决Robustness，目前仍然需要更多的数据。我们可以通过哪些更好的办法获得数据？其中一个方法是通过众包获得丰富多元的数据，有了数据下一步是大规模的标注能力 ，而且需要进行细粒度标注，而不是简单的bounding box。现在有很多支持半自动标注的方法，比如谷歌推出的流体标注等。既有激光雷达数据，又有视觉数据时还可以用自标注法。再下一步是大规模的快速训练，数据经过实时训练后回到车里，形成一个永不停止的数据闭环 。
值得注意的是，对数据的关注点在不断变化。

  • 最早是 Bounding Boxes，后来慢慢演变成分割，从粗粒度进化到细粒度，最开始只需要认出是车即可，现在细粒度标注需要知道车型（是否大型车、警车、救护车）和车辆的状态（是否打开转向灯、门是否开着）等；

  • 从静态图片到动态视频，原来只关注静态图片里的对象，现在要关注动态视频里的时空关系、比例动态情况；

  • 从简单的物体识别到行为的识别；

  • 从行为识别和跟踪到理解和预测；

Robustness，对测试有很高的要求，我们用实体化的结构性测试来模拟现实世界的各种corner case，但这种测试方法既危险，成本又高。接下来，我们要思考的是如何加速这样的测试，最好的方法其实就是仿真，通过生成性对抗网络等技术，我们可以构建出逼真的仿真模拟环境，从而降低风险。
有了结构性测试，还需要路测，在真实的状况下经受考验。到底经过多少路测，能够证明无人驾驶比人好20%呢？兰德公司推导出来需要110亿英里，如果有100辆车，一天到晚不吃不喝不休息不停地跑，要跑500年。
解决这一难题的办法是Shadow mode，即“影子模式”，在已经大量部署的车上进行“影子”下的AI驾驶，把人类驾驶的情况与 AI 驾驶的结果进行比较，如果不同，就把数据发回来，在云端进行标注 、训练、仿真、训练、验证，再把模型送回去。有了它，1000 万辆车装着“影子模式”，每辆车只需要开1100英里，就能达到110亿英里，而这只需要不到一个月，根本不需要 500 年。
最后，我想与分享未来 AI 发展的一些看法。今天的 AI 训练出来的是标注的框框和线条，根本不懂其中的含义是什么。人类在驾校学开车几十天就可以学会，因为我们有 18 岁前的社会阅历知识图谱。第二，我们会不断模仿，熟能生巧，这就是强化学习和模仿学习的能力。第三，我们永远会见到未知的事物，但是可以通过推理、解释理解新事物，知其然，也知其所以然。第四，我们永远会遇到未见过的场景，人类处理这些场景依靠举一反三，这类似于迁移学习。
未来，我们将在这几个方面的研究上发力，我们在与包括Berkeley DeepDrive在内的一些顶尖研究机构研发下一代算法。
谢谢大家！
(*本文为AI科技大本营整理文章，转载请微信联系1092722531)

◆

精彩推荐

◆

2019 中国大数据技术大会（BDTC）历经十一载，再度火热来袭！豪华主席阵容及百位技术专家齐聚，15 场精选专题技术和行业论坛，超强干货+技术剖析+行业实践立体解读，深入解析热门技术在行业中的实践落地。【早鸟票】与【特惠学生票】限时抢购，扫码了解详情！

推荐阅读

  • 鸿蒙 OS 的到来，能为我们改变什么？

  • 干货 | OpenCV看这篇就够了，9段代码详解图像变换基本操作

  • 周杰伦的《说好不哭》，20万点评Python来分析

  • 算法人必懂的进阶SQL知识，4道面试常考题

  • 6张拓扑图揭秘中心化交易所的5种行为, 原来中心化比你想象的重要

  • 分布式存储春天已来Storj首登top10; Cardano排名上升; 以太坊比特币活跃地址双下降 | 数据周榜

  • 华为愿出售5G技术渴望对手；苹果将向印度投资10亿美元；华为全联接大会首发计算战略；腾讯自研轻量级物联网操作系统正式开源……

  • TDD 就是个坑

  • 厉害！接班马云的为何是张勇？

你点的每个“在看”，我都认真当成了喜欢

吴甘沙：天外飞“厕”、红绿灯消失，未来无人驾驶将被重新定义相关推荐

  1. 吴甘沙：天外飞“厕”、红绿灯消失，未来无人驾驶将被重新定义 | AI ProCon 2019

    2019 年9 月 5 日至 7 日,由新一代人工智能产业技术创新战略联盟(AITISA)指导,鹏城实验室.北京智源人工智能研究院支持,专业中文 IT 技术社区 CSDN 主办的 2019 中国 AI ...

  2. 云+未来人物吴甘沙：技术大神的创业梦，他说AI是火箭、云计算是引擎

    以前的他,是英特尔中国研究院院长.首席工程师,是一名不折不扣的技术大神:如今的他,是驭势科技联合创始人.CEO,是一名追逐自动驾驶之梦的创业达人.他就是吴甘沙,为了赶上科技创业的时代巨浪,不惜放弃国际 ...

  3. 毕啸南专栏 | 对话驭势CEO吴甘沙：无人车结盟竞争是大势所趋

    作者简介:毕啸南,知名青年学者,量子位专栏作家,<中国AI领袖人物访谈>系列制片人.主持人.点击文末阅读原文,关注量子学园的毕啸南专栏,跟随他一起持续深度对话李开复.周鸿祎.王小川.王海峰 ...

  4. [转载]领航名人馆丨吴甘沙：自动驾驶将颠覆我们的生活与城市

    <领航者>是凤凰卫视推出的重磅访谈栏目.节目命名为"领航者",是因为它具有预见性和超前性.它将以纵览全球的宽阔视野,从最专业的角度,与两岸四地以及全球顶级商界风云人物和 ...

  5. 【智能驾驶】驭势科技吴甘沙：智能驾驶，有多少AI可以重来

    3月14日,北大AI公开课第四讲邀请到了驭势科技联合创始人&CEO.原英特尔中国研究院院长.英特尔首席工程师吴甘沙老师亲临现场,与北大人工智能创新中心主任.百度七剑客之一.酷我音乐创始人雷鸣老 ...

  6. 出走的门徒之七—驭势 吴甘沙：一步十年

    风口不会随便眷顾一个人.因为历史不会对默默"打怪升级"着墨,它只看结果. 在阿西莫夫的代表作<基地>中,除了先知谢顿贯穿全线,其他主角都是门徒.他们内在为直觉所驱动,外 ...

  7. Intel研究院院长吴甘沙演讲全文：大数据分析师的卓越之道(32PPT)

    Intel研究院院长吴甘沙演讲全文:大数据分析师的卓越之道(32PPT) 亲爱的各位同仁,各位同学,早上好.讲到大数据,就要问数据分析师应该做什么?所以我今天的标题是大数据分析师的卓越之道.这里不一定 ...

  8. 驭势科技CEO吴甘沙：探索中国式的自动驾驶之路

    本文根据吴甘沙在ADAS与自动驾驶趋势论坛上的发言修正. 大家好!我演讲的题目叫做"探索中国式的自动驾驶之路".非常荣幸能够来到这么一个论坛,其实这也是我作为一个传统的IT人第一次 ...

  9. Intel研究院院长吴甘沙：大数据的10个技术前沿(1.8万字+61PPT)

    Intel研究院院长吴甘沙:大数据的10个技术前沿(1.8万字+61PPT) 本次讲座是清华大数据产业联合会"技术•前沿"系列讲座的第一讲,主讲人为英特尔(中国)研究院院长吴甘沙. ...

最新文章

  1. 营销型企业更因紧跟营销潮流
  2. Android之线程池深度剖析
  3. 当AI渗透到财务管理 未来人机协作机器人有望“独当一面”
  4. 5W1H系列 | Nacos 帮我们解决什么问题？（配置管理篇）
  5. windows 2008 终端服务器配置,windows 2008终端服务器设置
  6. 深入理解Java 容器
  7. BigDecimal除法,并保留小数后两位
  8. path的图片下拉效果
  9. centos免密登录
  10. ORB-SLAM2_sim3求解
  11. 如何防止Eamil发邮件泄露IP地址，隐藏发件人IP教程
  12. 初入行的C++程序员，如何快速摆脱CRUD阶段？
  13. spring boot启动加载tomcat原理深度剖析
  14. 计算机显卡驱动全部卸载,怎么卸载显卡驱动
  15. zookeeper-linux集群搭建小结
  16. c预言plc编程语言,【讨论】对于PLC的编程语言STL、LAD、SCL等，你用的哪种语言呢？...
  17. Go语言 linux安装
  18. 树莓派 与 Xbox360手柄 基于pygame 的一次邂逅
  19. JavaScript适配移动端的移动元素方法
  20. windows上使用mkcert颁发证书

热门文章

  1. 演示：思科IPS在线模式下Inline Interface Mode的响应行为(区别各个防御行为）
  2. NA-NP-IE系列实验7:CDP
  3. 一个男人和一个女人的故事
  4. VMware虚拟机 取消 简易安装
  5. SUSTechTripleH队墓志铭
  6. Codeforces Round #308 (Div. 2) C. Vanya and Scales dfs
  7. 革命就是请客吃饭（案例分析吧）
  8. 由于客户端检测到一个协议错误 代码0x1104
  9. 格式化测试数据，组装用于插入表中的sql语句
  10. Hibernate 获取某个表全部记录时 奇怪现象 （重复出现某个记录）