5月28号上午，第八届国际智能网联汽车技术年会专题8-多源信息融合的自动驾驶环境感知技术专题分会成功召开。

清华大学车辆与运载学院教授，中国智能网联汽车产业创新联盟

自动驾驶地图与定位工作组组长杨殿阁

会议开始，会议主席杨殿阁教授对参会者的到来表示了感谢和欢迎，并发表致辞。杨教授指出，环境感知技术在智能汽车自动驾驶中占据基础性地位，但是由于驾驶环境具有复杂性和动态性，单一传感器感知能力有限，因此感知系统需要融合多种传感器，以确保稳健、准确、可靠的环境感知。

同济大学汽车学院研究员、博士生导师陈广

同济大学汽车学院陈广老师介绍了其课题组在大规模激光点云几何学习方面的研究进展。针对用于大规模激光雷达点云匹配的关键点检测和特征描述问题，陈广老师课题组提出了高效的点云特征提取算法，在单个采样点感受野扩大、局部关键点生成、弱监督描述子训练等方面提出了新的策略，并最终在达到了目前最优精度的前提下实现了1.5倍计算效率的提升。针对激光点云帧率较低，在部分场景下无法满足应用需求的问题，陈广老师课题组开创性地设立了点云插帧新型任务，即通过两帧连续点云预测中间帧。具体做法是，设计了基于场景流的点云变换实现了低帧点云到高帧点云的转换，并设计了attentivepointsfusion网络实现点云的高效融合。实验结果显示，点云插帧方法能将10Hz输出频率的点云数据插帧为50Hz甚至是Hz，并且插帧后的点云具有连续性，可以满足实用要求。

中国科学技术大学信息科学技术学院副研究员高洪波

中国科学技术大学高洪波副研究员就基于多模态驾驶环境信息的智能驾驶系统发表演讲。高老师指出，节能和安全是智能网联汽车的两大主题，智能驾驶系统的设计也必须围绕这两大主题。针对智能驾驶系统多模态环境感知问题，当前的首要任务包括熟练驾驶员数据采集和建模、多模非结构化环境感知以及拟人化驾驶。因此，建立基于人工智能的智能车应用平台，可分为三个研发阶段：第一阶段是建立拟人化智能驾驶框架，完成拟人化驾驶策略在结构化道路的原型验证；第二阶段是选取典型场景，将上一阶段的原型系统扩展至不同路况场景，验证基于深度学习的集成化AI驾驶系统；第三阶段是选取典型应用，在智慧城市环境中部署和验证基于拟人化AI驾驶脑的智能车。最后，高老师从多模态数据融合感知、拟人化学习和驾驶决策以及人车协同驾驶控制三个方面详细介绍了研究内容和技术路线，并介绍了部分实验验证结果。

深圳市速腾聚创科技有限公司研发副总裁LeileiShinohara

深圳市速腾聚创科技有限公司研发副总裁Leilei介绍了激光雷达在保障自动驾驶安全中的关键作用。Leilei分析了不同级别自动驾驶对于环境感知的要求，对比了视觉信息和激光点云信息在感知环境信息方面的优势和劣势，列举了多家车企以及自动驾驶企业在车辆环境感知方面的技术方案，指出除了特斯拉以外，自动驾驶相关企业都会将激光雷达作为环境感知重要的信息来源。Leilei强调，激光雷达并非要替换其他传感器，而是需要和其他异构传感器通过融合来提高感知的精度以及可靠性。随后Leilei介绍了速腾聚创在激光雷达研制方面的一些进展。智能车辆对于高度路段以及城市路段等不同场景具有不同的感知需求，速腾聚创在激光雷达的扫描方式、测距方式、雷达帧率以及功耗有不同的设计，针对性地满足了自动驾驶对于环境感知的需求。此外，速腾聚创和芯片厂商合作，可以直接给用户提供目标识别后的处理结果，可以极大地降低激光雷达输出的数据量。

图达通联合创始人、首席执行官鲍君威

图达通联合创始人、首席执行官鲍君威发表了题为“激光雷达-远距探测，高清感知”的演讲。鲍君威指出，针对恶劣天气以及复杂路况，激光雷达在三维立体成像方面具有天然的优势。在不同应用场景中，激光雷达的设计也应该采用不同的雷达参数。演讲的最后，鲍君威分析了激光雷达在量产车上装配的必要条件：首先需要满足自动驾驶对安全的要求，其次需要满足车规要求，另外需要满足可控的量产成本。

北京超星未来科技有限公司联合创始人、研发副总裁于春磊

北京超星未来科技有限公司联合创始人、研发副总裁于春磊博士介绍了基于软硬件协同优化的高级别自动驾驶方案设计。于春磊博士指出，汽车智能化的新趋势包括：汽车电子电器架构向集中式演进、未来的智能网联汽车价值和差异主要体现在软件和服务、主机厂积极打造配备智能驾驶功能的量产车。为此，超星未来秉持“让智能驾驶更简单”的愿景，以产业链变革中必需的核心关键技术为基础，从智能汽车的核心壁垒入手，提供车规级的软硬件一体化解决方案。于春磊博士以公司参与的北京科技冬奥项目为例，从多传感器融合感知定位模块、混合决策模块、包含一键叫车功能的智能网联云控系统等方面介绍了园区自动驾驶解决方案。最后，于春磊博士着重介绍了超星未来发布的高级别自动驾驶计算平台NOVA30P，该平台采用多核异构嵌入式模块化设计，通过自动模型优化工具链进行硬件友好的模型轻量化加速，实现数量级的实时性能提升，以高适配、高灵活、高能效、低功耗、安全可靠的特性，从整体上着眼提高系统的能效比、功耗、低延时方面的综合性能，保障灵活性和安全可靠。通过针对神经网络的优化工具链，以及针对非神经网络的定制化加速IP库，NOVA30P将为用户提供自动驾驶域算法高效处理的有力支持。

地平线智能驾驶研发总监廖杰

地平线智能驾驶研发总监廖杰介绍了面向量产的自动驾驶融合环境感知方案。廖杰指出，现阶段自动驾驶感知和建模占用了计算平台绝大部分算力，但是预测和决策算法也会逐步智能化，因此对计算性能的需求也会逐步提升。考虑到算力并不能客观表示智能汽车芯片的真实性能，地平线提出利用“精度保持下平均帧率”（MAPS）作为芯片性能评估指标，该指标可以判定每类芯片最擅长的网络模型，并在该网络模型中发挥其AI性能。廖杰详细介绍了地平线针对自动驾驶的软硬件协同设计，分析了基于U-Net的多任务2D感知方案，以及通过视觉信息从二维感知到三维感知方面的探索，包括单目深度预测以及Real3D检测方案，即通过深度学习直接在RGB图像中输出目标的分类、位置、尺寸、朝向等信息。演讲的最后，廖杰指出，下一代视觉感知技术的关键要素包括多帧时序感知、多摄像头端到端融合感知和超视距感知、动静态目标原生2.5D/3D感知、道路几何信息建模等。

三菱电机汽车部件（中国）有限公司研发中心课长郁英杰

三菱电机汽车部件（中国）有限公司研发中心课长郁英杰介绍了追求鲁棒性的DMS（驾驶疲劳检测）设计。郁英杰从法律法规、市场动态以及知识产权等方面分析了DMS的产业现状，并突出了三菱电机在该领域的优势。郁英杰介绍了对于DMS性能的思考，最基础的几个方面包括：是否满足鲁棒性，比如针对最坏情况时系统的性能；功能是否正常运行，匹配率、再现率、正确率以及精度等指标是否正常；以及实车行驶时的过检测次数。郁英杰指出，三菱电机通过基于技术和实际成果验证过的解决方案，为OEM解决技术课题、创造价值做出贡献。

期待您的

转载请注明:http://www.aideyishus.com/lkyy/4590.html