尊龙凯时 - 人生就是搏!

2021年5月26日，由尊龙凯时 - 人生就是搏!、清华大学、北京科技大学联合举办的“车用人工智能”专题分会在北京亦创国际会展中心成功召开。作为2021年国际智能网联汽车技术年会（CICV2021）重要专题分会之一，此次会议聚焦智能汽车与人工智能的交叉领域，涵盖感知、决策和控制等应用方面，主题包括但不限于：运载工具的智能控制、神经网络训练与优化、数据与模型混合驱动智能、分布式学习与群体智能、人工智能芯片与加速计算、可解释性/安全性保障等。

清华大学车辆与运载学院副院长李升波教授担任本次会议主席，并主持会议上半场。北京科技大学控制科学与工程系主任丁大伟教授担任会议联合主席并主持会议下半场。

清华大学车辆与运载学院副院长李升波

北京科技大学控制科学与工程系主任丁大伟

会上，来自国防科技大学、地平线、天津大学、希捷科技有限公司、科大讯飞股份有限公司、清华大学、中国科学院自动化研究所复杂系统管理与控制国家重点实验室的8名专家学者发表精彩主题演讲，论坛互动气氛热烈活跃。

首先，国防科技大学智能科学学院智能科学技术系主任徐昕老师分析了智能车辆由于动力学模型复杂性和不确定性带来的优化控制问题，介绍了智能车辆自学习优化控制技术的若干研究进展，包括结合近似策略迭代的自学习PID控制方法、多核在线学习控制方法、滚动时域强化学习方法等，针对车辆纵向和侧向优化控制问题，给出了有关智能汽车自学习优化控制的仿真实验结果，最后对未来的研究方向进行了分析和展望。

国防科技大学智能科学学院智能科学技术系主任徐昕

地平线BPU算法负责人罗恒指出人工智能的实现需要机器在物理世界持续、自动化演进，背后的推动力将来自于不直接依赖人的计算和数据系统。随着数据的增加、随着计算量的增加，机器学习的精度不断提升，而这就是实现人工智能最核心的点。此外，罗恒博士重点介绍了在AI对算力要求越来越高的情况下如何评估AI芯片的性能以及面向高速演进的算法如何定义未来AI芯片的目标。最后，罗恒博士重点介绍了地平线结合特斯拉的实践开发的新范式—软件2.0。

地平线BPU算法负责人罗恒

随后，天津大学自动化系主任左志强教授针对最常见的标准城市道路无人驾驶应用场景，提出一种基于贝叶斯风险评估模型的高速无人驾驶汽车运动决策和规划策略。与一般的风险模型相比，该种风险模型将主车的加速度因素考虑在内，从而获得更为准确的行为决策结果。然后根据决策得到的最优行为，使用“多项式-模型预测优化”方法得到安全的参考轨迹。针对像校园和乡村道路这类低速应用场景，设计了一种基于行为策略的无人驾驶汽车运动规划方法。

天津大学自动化系主任左志强

紧接着，希捷科技有限公司新兴市场高级业务代表董志南先生随重点介绍了Seagate针对自动驾驶/高精地图研发的数据流动，数据存储，数据管理进行的深入研究。希捷已经形成了全栈式，端到端的数据管理方案，涵盖了：端--边缘--云--管理 的4个维度。帮助自动驾驶/高精地图工程人员优化：前端数据采集，边缘数据迁移，边缘计算，核心云数据中心构建，数据与设备管理。

希捷科技有限公司新兴市场高级业务代表董志南

科大讯飞股份有限公司汽车座舱多模感知产品线总监高万军指出多模感知是以视觉和语音双模的融合感知来达到高可靠的人机交互。随后，高总提出当前多模感知兴起的技术要点：1）高可靠语音感知—多模语音全链路感知：麦克风阵列、多模语音识别等；2）高可靠疲劳感知—多模疲劳感知、显性疲劳感知（perclos ）、隐形生理指标检测（血压、心率）；3）高可靠驾驶安全监测—分心感知、行为感知、抽烟、打电话、危险行为检测，驾驶分心感知；4）高覆盖生物感知—多模生物认证：情绪识别、年龄&性别检测、声纹识别、人脸识别。最后，高总介绍了科大讯飞座舱多模感知系统，该系统以语音和视觉为核心，提供车内多模态人机交互和驾驶安全检测的完整解决方案。

科大讯飞股份有限公司汽车座舱多模感知产品线总监高万军

清华大学助理教授陈建宇博士系统介绍了强化学习的基本要素以及其如何对无人驾驶问题建模，并重点讲解将强化学习应用于无人驾驶中的三个关键技术：（1）带安全约束的强化学习：不同于游戏等应用，无人驾驶对安全性的要求极高。报告将介绍如何为强化学习引入安全机制，包括约束的设计、以及带约束强化学习的算法与分析；（2）带传感器感知模型的强化学习：无人驾驶所处的环境是部分可观测的，需要通过传感器接收到的时序信号来做出决策。报告将介绍如何为强化学习引入部分可观的设定，并在此条件下求解最优的控制策略；（3）可解释的自我学习型自动驾驶：对于自我学习型自动驾驶技术，其神经网络策略的可解释性十分重要。此外，陈博士还系统介绍了如何通过隐变量强化学习以及隐变量解码的方法来给自我学习型无人驾驶提供可解释的功能。

清华大学助理教授陈建宇

中国科学院自动化研究所复杂系统管理与控制国家重点实验室副研究员张启超老师简单介绍了深度强化学习与自动驾驶现在的发展现状，用深度强化学习来处理自动驾驶决策和控制，包括换道的场景、路口通行的场景以及环岛或者由多个场景组成的城市道路场景下的深度强化学习方法，以及用深度强化学习做自主探索的研究。

中国科学院自动化研究所

复杂系统管理与控制国家重点实验室副研究员张启超

最后，清华大学自动化系助理教授黄高博士带领大家回顾了卷积神经网络的典型结构，分析了有利于提升模型性能的设计方法与原则，并探讨了近期面向移动设备的轻量化卷积网络结构设计方法。随后，黄高博士着重介绍了一类在推理过程中能够根据输入的变化改变自身结构的自适应神经网络模型-动态网络。相较于当前主流的静态深度模型，如ResNet、DenseNet和MobileNet等，动态网络能够针对输入的变化相应地调整自身的深度、宽度或者参数值等，实现计算量的“按需分配”，进而提升网络的效率，降低系统功耗。最后，黄高博士还介绍了适应样本变化和适应空间变化的两类动态网络模型，并讨论现有方法的局限以及未来发展前景。

清华大学自动化系助理教授黄高

会后，李升波教授、丁大伟教授、左志强老师、黄高老师、陈建宇老师、张启超老师合影留念。