小編今天參加中國認知計算與混合智能學術大會，接下來將摘取相關院士專家關于自動駕駛的報告，做成自動駕駛專題，本文為專題第一篇。

“首屆中國認知計算與混合智能學術大會”于2018年8月25-26日在西安舉行（主辦單位：國家自然科學基金委員會信息科學部、中國認知科學學會、中國自動化學會、聯合國教科文組織國際工程科技知識中心）。本次大會的主題是研討與交流認知科學、神經科學與人工智能學科等領域交叉融合的最新進展和前沿技術，大會吸引了來自約130余所高校和研究機構、近30家企業，共計超過600名的人員參會。

大會邀請了認知建模與計算、混合智能、受神經科學啟發的計算架構與器件、先進感知、智能機器人、無人智能駕駛等領域，來自國內外知名大學、研究所和科技公司的57位知名專家做學術報告，報告專家包括中國科學院、中國工程院院士8名，“千人計劃”專家4名，國家杰出青年科學基金獲得者15名，長江學者特聘教授12名等。會議由14個大會報告和43個分論壇報告組成，四個分論壇為認知計算的基礎理論、混合增強智能與深度學習、受神經科學啟發的計算架構與器件、先進感知與智能環境。

智車科技將摘取相關院士專家關于自動駕駛的報告，做成自動駕駛專題，本文為專題第一篇。

李德毅院士：反用駕駛腦：用人工智能研究腦科學

首先，李院士講到他作為一個工科生對腦認知的思考，他認為，腦認知是生物屬性和社會屬性、先天屬性和后天屬性相互結合而產生的整合性認知過程。研究在社會認知過程中生物腦的成長與進化，可稱為腦認知的正向工程，如腦認知的精神學方法；而從腦認知的社會屬性和人工智能方法研究腦進化，可稱為腦認知逆向工程，如腦認知的人工智能方法。受腦科學啟發的人工智能和受人工智能啟發的腦科學是一個問題的兩個面，人工智能的迅速發展也可以推動腦科學的研究。

李院士研究的駕駛腦

李院士提到，他們研究的駕駛腦不同于特斯拉的自動駕駛，不同于谷歌的感知智能，不同于英特爾的車在計算機；能適應各種車輛平臺，適應各種傳感器配置，適應各種典型的應用場景；跨越了工控機和交換機分立式階段，跨越了智能車自己跑地圖的階段；創造了一整套路測方法學。

不廢話，直接奉上價值600萬的圖

駕駛腦工程樣機

李院士認為，未來汽車約等于共享出行約等于會學習的輪式機器人。

人和機器人在一起會有4中工作狀態，分別為：①駕駛員開車，機器人向人學習，②機器人開車，人監控，③機器人開車，機器人自學習，④機器人當教練教人開車。輪式機器人可以做到會開車、會學習、會交互、有個性、有悟性。

我們不僅需要模擬人開車，還可以反用駕駛腦，利用無人駕駛車度量和考察駕駛員的駕駛認知能力！我們不僅需要模擬領域專家決策，還可以反用機器領域腦，度量和考察人類專家的知識和推理能力！

何為反用駕駛腦？

眾所周知，當前各國檢測酒駕是否犯法常常依據駕駛員血液中的酒精含量是否超標。實際上，這是一種無奈之舉。一個人駕駛認知能力的宏觀度量，如是否遵循交規，怎么可以用人體微觀的一種生化指標來裁決呢？每個人對酒精的忍耐性差別很大，酒量大的人也許并沒有違反交規，為什么要接受處罰呢？可以利用駕駛腦學習并模擬不同程度的醉酒開車，利用包含駕駛腦在內的駕駛模擬器檢測酒駕，比對血液中的酒精含量分析人腦的臨時性受損。駕駛腦還能學習迷路狀態的駕駛員行為，可否利用包含駕駛腦在內的駕駛模擬器檢測不同人的定位和方向感能力？

如果標桿駕駛員的駕駛認知可以用駕駛腦實現，如果在線駕駛員的腦活動和標桿駕駛腦可以對比，那么，包括駕駛腦在內的無人駕駛特定場景和技術裝備，就可以作為特定生物人（如曾經的駕駛員年齡大了，出現認知障礙）的腦認知成像、腦認知掃描、腦認知發現的技術裝備了。

設人腦特定問題域的認知能力可以先局部地形式化，哪怕在微觀上不具有組織結構的相似性，例如駕駛、下棋、聊天等。當千千萬萬特定領域的認知能力局部形式化后，用人工智能技術構建千千萬萬特定機器認知腦，并通過移動互聯網、云計算和大數據，是否可以倒閉一個生物人腦的認知呢？

因此，凡悠久強大的學科，如神經生物學和人工智能，都是很有個性的學科，存在“生殖隔離”現象，學科壁壘森嚴。長期以來神經生物學研究和人工智能研究猶如兩條平行線，沒有實質交集。它們一旦交叉融合，讓碳基生物腦和硅基電子腦在介管或宏觀尺度層面形成“雜交優勢”，將會勢不可擋，醫學教育只有擁抱人工智能，別無選擇。

西安交大薛建儒教授：受腦啟發的環境理解與自主駕駛

一、無人車研究現狀

能適應特定場景并于環境進行交互的智能機器人、無人機、無人車等智能自主運動體正不斷涌現。

無人車將深刻改變我們未來的出行方式

我國新一代人工智能發展戰略規劃中明確將自動駕駛技術列為重點突破的關鍵共性技術。

無人車感知——運動環路

無人車的感知運動環路中存在著兩個緊密耦合的核心問題，即場景理解與自主駕駛。

場景理解：處理傳感數據給出場景結構化描述，并進行幾何、物理及語義層次上的推理，形成運動決策的時空約束。場景理解研究現狀：模式表征與計算—由“先分而治之后組合”到幾何、物理關系的整體性層次化描述模型；機器學習—由概念學習到場景要素關系及時空變化預測推理。

自主運動：依據場景理解給出的時空約束，控制車輛實現適應場景變化運動。自主運動研究現狀。分層架構—行為決策、運動規劃、反饋控制；策略學習—試錯與獎懲。

二、視覺主導的場景理解

1.視覺主導的場景理解

相機與激光、雷達協同尋求與駕駛任務相關的場景不變性表征—結構化描述。結構化描述分為度量（定位與導航）、交通信號（交通規則）、交通語義（多要素關系）。

從視覺計算到場景理解。四象數據到三維重建的過程有三步分別為：初級（亮度、邊緣）、中級（分割、要素圖）、高級（理解、符號）。視覺不是孤立的，視覺計算是動態的、自適應的，視覺注意與視覺反饋。

從集合度量到語義推理與預測。初級有：度量、定位、稠密、稠疏光流、立體視覺、場景流等等；中級有：可通行區域、檢測、識別障礙物、交通規則等；高級有：預測場景變化并給出未來決策，車輛行為、威脅程度分析等。

交通場景理解：定位、導航與安全行駛。靜態交通要素幾何度量及拓撲結構—道路邊界、車道線等，地圖+多傳感器融合→要素幾何度量及拓撲結構；動態場景語義描述：占據車道—軌道—運動預測，交通規則+障礙物檢測/識別/跟蹤→預測推理。

2.靜態場景：定位與導航

高精度地圖：定位度量+視覺導航信息（Landmark）。離線創建精細刻畫靜態場景的地圖；以及在線基于局部感知（圖像、激光、位姿）實現精確定位和導航。例如嵌入車道線、路口等信息的高精度地圖。

3.動態場景：安全行駛

障礙物檢測/跟蹤/識別+交通規則→運動預測。可對路上周邊車輛行為進行分析；路口通行行為分析：標注場景感知數據、通行模式/行為學習。其難點在于健壯的檢測—跟蹤—識別集成框架，可使用單目/雙目視覺、激光、毫米波雷達等設備，另外融合3D激光點云也可進行視覺障礙物檢測，3D點云與圖像的時空對齊：深度邊緣與圖像邊緣對應。還有實時的交通場景理解，融合低精度的地圖信息、道路邊界、車道線等局部交通要素，實現魯棒的自主定位和行駛局部環境理解。

此外，場景理解也面臨著一些挑戰性的問題。比如對無人車環境感知的目的性與主動性重視不足，難以引入全局性信息和選擇性注意機制、缺少關聯和反饋；也無法有效地給出動態、復雜交通環境下自主駕駛所需的層次化時空約束的動態關聯結構。

三、受腦啟發的自主導航

借鑒人類認知機理，將多源異構、非結構化的動態場景感知數據轉化為運動決策的層次化語義及時空約束。

場景理解的部分腦認知機制：

整體性與層次性：探討適合描述人對交通環境認知過程，提供決策、規劃和運動控制所需的不同層次的實時場景信息；

主動性與目的性：具有選擇性注意機制的主動感知能力；

直覺反應與快速推理：讓自主駕駛系統具有記憶、推理和學習（經驗更新）機制，構成感知—運動控制之間的穩、準、快的閉環。

選擇性注意、層次性與整體性。視覺的感知和認知是有目的、主動交互的過程；動態復雜環境中目標的快速識別具有分層遞進結構。

記憶與預測。記憶機制表現為寫入不變性表征、聯想記憶、序列性和層次性；無監督預測無處不在，其中認知=感知+預測。

由此我們可以看出其中端倪：可用模塊化的端對端網絡同時求解場景表征與運動，詳細體現為3處端倪：

1.定位與地圖創建的深度神經網絡。用深度學習神經網絡求解SLAM問題，用卷及網絡預測位姿變化、用注意力遞歸網絡求圖優化（RNN）。

2.梯度創建中引入運動規劃。體現為認知的地圖構建與運動規劃、地圖創建—LSTM、分層規劃CNN。

3.引入主動交互的深度強化學習。自主導航的強化學習方法分為目標渠道的強化學習、深度估計和回還檢測。

國防科大徐昕教授：面向自主駕駛的視覺顯著性檢測與序列學習

徐昕教授的報告分析了車輛自主駕駛在視覺感知面臨的困難問題，討論了視覺顯著性檢測的主要模型和方法，重點論述了基于頻域多尺度分析和超復數傅里葉變換的視覺顯著性檢測方法HFT，介紹了視覺顯著性檢測標準數據集的構建情況;針對復雜背景下的目標跟蹤問題，提出了一種基于時空顯著性分析的圖像序列學習方法，并且在典型目標跟蹤數據集合進行了性能評測。

結論為：

提出的多尺度頻率分析( HFD )方法可以有效地實現視覺顯著性檢測。

結合自上而下的方法，自下而上的顯著性檢測方法可以得到進一步改進。視覺顯著性檢測對于目標檢測和跟蹤非常重要。

級聯DCF具有空間-時間差異性，實現了單目標跟蹤的最新結果。