【听讲座】前英特尔中国研究院首席科学家吴甘沙：无智能不驾驶

「时来天地皆同力，运去英雄不自由。」——罗隐

「我们倾向于高估一项新技术的短期效应,而低估它的长期影响」——吉姆·哈珀曼

「认识你的时代,带领你的时代」——钱穆

未来十年是智能驾驶的黄金时代。

老司机眼里的智能驾驶

新司机：懂规则，不撞。

机器的感知和认知（理解）：

激光雷达（Google）：

优点：精准

缺点：贵

基于视觉（Tesla）：车周边有超声波传感器，车上面有摄像头。

优点：成本低。

缺点：（Tesla事故）视觉方案会对光照比较敏感，有些意外的情况没有事先被数据库收录。比如之前没有识别横着的大卡车撞了上去。

解决方案：用双目摄像头重构立体世界。【即不用识别它是什么东西，而是去建模知道前面有障碍物。不用认出它。

AI目前的问题：

无限提升准确率，大规模的标注数据如何获取？

预训练，迁移学习，在线学习+自监督学习

嵌入式部署：实时性，模型大小和计算量

图像压缩，模型压缩，级联算法，减少region proposal

多任务网络

同时识别人，路，障碍等等

认路的司机：不会迷路。（定位问题）XJBD战术

高精度定位（RTK）

惯性

视觉里程计（位移积分）：比如西直门立交桥，很多GPS是没法工作的。

同步的建图和定位（SLAM）：最开始是机器人的定位。激光雷达贵，所以可以用基于视觉的SLAM

视觉参照物定位：比如识别交通标志，然后跟地图中的交通标志的绝对位置进行映射。

老司机：开得好，开的不肉，有社会性，竞争性

判断态势

评估他方的动机，预测行为

合理获得路权

所以此时传统的监督学习是不够的，要从监督学习到强化学习（泛强化学习，也可以是RNN，MDP），比如利用RNN推理动态物体的特征。与环境的互动，露出一个头，看看其他车的反应诸如此类。

展望

系统需要一个可预期的置信度

高置信度下的自动驾驶的可靠性：需要一辆车开500年。

用的方法是：模拟/仿真和强化学习。

基于模拟器的测试：成本低，可以无线测试【AlphaGo也是】

黑盒子-》可解释性

对抗神经网络，通过生成一些fake例子，来欺骗神经网络。

从weak AI 到 stronger weak AI

融合基于深度学习的车感和背景知识/尝试，基于迁移学习的举一反三，基于贝叶斯的逻辑/因果推理

从动态角度去理解视频（现有的手段都是把视频拆成一些帧），从中推导出运动动态

预测学习

Lecun现在把机器学习分为： 监督学习， 强化学习，预测学习（代替无监督学习），通过当前这一帧去预测下面一帧

介绍了一下自己的公司

最后吴甘沙介绍了一下他现在的创业公司：驭势。然后展示了一下完全的无人驾驶汽车长什么样。里面没有方向盘，完全是类似于一个吧台或者房间。

吴甘沙说了几句话觉得还不错：