科学网 › 标签 › 智能车

标签: 智能车

相关帖子	版块	作者	回复/查看	最后发表

没有相关内容

相关日志

共享汽车的危险驾驶等级识别: jyx123321 2019-6-15 17:40; 这学期我给我们专业大三的同学们授课。这个班的 GUAN QX 同学给我发了邮件，谈了他的看法，非常有启发性，现在整理出来和各位博友分享：老师，我看了您最近的几篇博客文章，对于老师您博客文章中说到的共享汽车产业健康发展的问题有一些想法。您提到可以将阵列式光纤光栅传感器内植或表贴到玻璃纤维复合材料层合板中，通过光 / 电信号的转换和无线发送，实现中央监控端对所有共享汽车的温度、应力、应变、承载变形、损伤、破坏的实时在线监控和健康状态智能评估。《关于共享汽车 / 智能车大幅度改变人们生活的前提技术思考》 http://blog.sciencenet.cn/home.php?mod=spaceuid=99553do=blogid=1184028 我联想到是否可以利用共享汽车的这些数据作为人工神经网络学习的样本，将人工神经网络软件系统也植入共享汽车的中央监控端，使其能够学习人类在面临各种路况下的实际的、各自不同的反应，将人工神经网络模拟的行驶方案与人类实际驾驶的行驶方案形成映照和比较，再借助阵列式光纤光栅传感器的在线实时监测数据和健康状态评估数据，如果发现某种行驶方案造成车体损伤则认为该行驶方案不恰当，甚至根据在线监测的汽车损伤程度划分当前驾驶员的危险驾驶的等级。这样的话，随着共享汽车的数量增多、使役时间延长，就可以使得学习样本（各种路况、各个驾驶员、各种驾驶行为）达到相当多的数量和种类，使人工神经网络系统和阵列式光纤传感技术以及汽车健康状态智能评估技术逐渐完善，从而做到驾驶员的驾驶能力识别、规划决策、适宜等级的辅助驾驶以及安全诊断，有利于共享汽车产业的发展。; 个人分类: 未分类|2237 次阅读|0 个评论

至简至美: 热度 31 zhuoqing 2017-6-4 19:20; 忘了在哪里，看到了关于爱迪生与他的员工的一则逸闻。他让一个自恃才能很高的年轻员工帮助测量一个灯泡的内部容积。这位年轻人为此做了一系列的测量和计算，总算得到一个相对比较靠谱的数值。爱迪生看吧，随手将灯泡灌满水，然后倒进量筒，则立刻得到更加精确的内容积的数据。不知道当时这位年轻员工人心里怎么想？是对于如此简洁的工程测量方法感到惊讶和赞美，还是对自己复杂刻板的方法看到羞臊。对于那个员工心里想法，只有当自己遇到相同情形才能体察到。我在这一周，就遇到了两次。周四上午，信号与系统课程还没开始，班上学生走到黑板前，告诉我，通过完成作业，发现在上次课上我对于最后一道作业题的讲解是在是太繁琐了。完全是受到了提示的误导了。上面作业讲解的内容大家不看也罢，就是一个字，太繁琐了。学生指出，实际上，这个题目只需要应用到离散傅里叶变换的线性性就可以简单的得到最终的答案了。幸亏此时，上课铃响了，学生回到了座位，他没有注意到我的囧色。随后，在课堂上给大家介绍了他的简洁的分析过程。星期六上午。在清华大学中央主楼召开了第十二届全国大学生智能车竞赛第二次准备扩大会议。其中关于创意组中信标对抗比赛，讨论到如何计算对抗两个车模各自得到多少分的问题。除了采取三到五名裁判人工裁判的方法之外，我们还准备了一种利用车载电子模块的自动计分方案。它需要在现有的信标比赛系统上，而外增加一些辅助装置。包括在信标感应线圈上同时铺设边界铁丝；赛场周期树立红外脉冲信号灯塔；在车模上增加自动计分电子模块。它带有红外信号接收管、铁丝感应模块以及数码管等。整个系统在中央计时系统控制器完成车模各自计分。这个方案如此繁琐，至今尚未测试完毕。在智能车会议结束后，三江学院的花怀海教授给我提出，一个非常简单方便的方法用于比赛系统分别记录对抗车模的得分。那就是比赛前使得对抗车模上的触发充磁铁在安装时，分别令其S极，N极朝下。这样在磁铁经过信标周围的感应线圈时，所产生的电磁感应脉冲信号的极性变化是不同的。由此，信标电路可以判断此时触发的是那一辆比赛的车模。这个方案实在是太巧妙了，听完之后不仅暗自叫绝。为了掩饰我的囧色，赶快自己掏出相机和花教授合影。这学期，在课堂中教学中，为了满足自己技术教学的癖好，进一步完善了基于微信的课堂互动系统，也处心积虑设计一些环节挑战学生的智慧。这么复杂的课程教学，值得吗？想起在前年年初，英国约克-圣约翰大学 Adrian Brochett博士来清华做创新教学法(Innovative Pedagogy)的讲座。最后被问及他理想中的老师角色是什么？ Adrian博士思考了一下，他说，他心目中理想的老师的，就像在爬山时，路边碰到的一个同路人，他不时地给你指出他看到的那些山中的美景。理想教师的角色，就这么简单。这是我心爱的两个宠物，Tom和Jerry 。更多内容，欢迎到公众号进行指导。 http://mp.weixin.qq.com/mp/homepage?__biz=MzA5NjQyNjc2NQ==hid=1sn=f479d345232e1f9d8dbb549eb25a12ec#wechat_redirect; 个人分类: 我的教学|11738 次阅读|34 个评论

为你痴，为你狂，小车载我梦飞翔: zhuoqing 2017-4-23 01:37; 智能车竞赛在中国高校开展已有十二个年头了，每年都会吸引众多热爱工程科技的学生参加这项具有综合工程探索性质的比赛。一段和车模竞赛相伴的工程探索实践的经历，有可能使得你仿佛经历了一次学业中的过山车，激动兴奋的同时看到和体验到很多与课堂中的不同，些许改变了一些原本看法：可能改变了对于学习的看法。在之前的学习中，习惯于吮食被整理的井井有条的课本知识，发现在工程实践中却要在千丝万缕联系着的混沌空间中拼杀出一条可行并且不太坏的路径。课堂中学习的比拼是看谁能够尽可能快地学习知识，尽可能少地犯错误；而在工程实践中则往往是比拼谁能在最短的时间内尽可能多排除故障和隐患，更多的尝试不同的方案，甚至是错误的方案。也可能改变了对于极限的看法。每一次都以为自己找到了正确的答案，使得自己车模速度达到了极限，但总是在看到别人的结果之后发现极限之后居然还有极限。有的时候以为车模速度的突破需要瞩目的技术改进，却往往发现一些不惹人注意的细枝末节才是决定命运的魔鬼，它有的时候会在比赛中成就胜利的狂欢，但也有的时候则变成了功败垂成的梦魇。或许改变了对于大神的看法。在平时网络交流的时候，总是希望能够有车坛中的大神、大仙、大侠能够像大哥一般给你讲述竞赛中的传奇，传授神奇车技的咒语。但真正和他们交流之后，会发现他们和你一样，都是从开始的懵懂逐步积累才成就了最后的胜利。众多成功因素中可能最重要的就是那么一点秉性中的执著。通过竞赛你会逐步形成一种习惯，那就是承认和欣赏别人比你优秀，但同时不会通过崇拜大神来减少自己仔细探索和潜心追寻的动力。改变了看法可能还有很多很多，比如对同学、对老师、对对手等等。第十届引入双车追逐，采用电磁寻迹方式运行。规则允许后车还可以安装有摄像头辅助进行赛道寻迹以及车距控制。如下图中显示后车同时安装有电磁和摄像头。第九届的创意比赛，的确让很多人大开眼界。同学制作的独轮车模，骑行在一块直立木板的边缘。四轮车，侧轮行走，看起来挺拽的样子。这是飞檐走壁的节奏。激光传感器曾经是光电组挑战摄像头组的重要武器。由于激光传感器，特别是发射管，不仅脆弱，而且价格不菲，后来比赛就禁止使用激光发射管了。后来使用了线阵CCD替代了传统的光电管。光电组本质上就销声匿迹了。不知什么事它还会重回江湖。这是由车模上摄像头存储在SD卡中的视频图像。通过这样第一视角的数据，可以大大提高算法灵活性、鲁棒性。这是原飞思卡尔公司举办的第三届全球智能车挑战赛。随着Freescale被合并，全球挑战赛也随之消失了。赛事后面，还有众多比赛志愿者的默默奉献。下图是正在铺设赛道的志愿者们。这个顶着一个一阶倒立摆的智能车，浪得不行。红彤彤的地板，热腾腾的的比赛气氛。人与车，同场竞技。小伙子，加油！一个特拽的调试界面，说明了磨刀不误砍柴工的道理。车模运行、传感器曲线、控制输出量，曲线、数值同时显示。通过这儿，小盆友们是否知道了一些别人调试车模的态度了吧。这个队伍的队员，特别具有自动化人的情怀。被小车玩坏了的妹子。看着让人心里扑腾一下。第十一届中的摄像头双车追逐。大家注意后车，被路障坑苦了。白色的路面，白色的背景，这难道是在雪地里的智能车比赛吗？这是第二届智能车比赛，上海交通大学体育场内的车模。在前两届比赛中，光电、摄像头是不分组的。智能车比赛就一个组别。当然了使用摄像头传感器具有了天然的优势。后来，光电传感器的车模在设计方案有了长足的进步，出现了一系列的创新方案。如下是一个具有摇头功能的光电车模。在激光传感器还没有退出智能车比赛之前，使用具有主动探测方案，几乎达到了与摄像头相同速度的能力。从第六届开始，竞赛引入了创意比赛。下面的比赛场景，看起来没有那么令人着急了，反而赏心悦目。这种带有中心线的赛道，是早期智能车竞赛的一个特征。最早，在韩国的智能车比赛中，他们引入了前后车模跟随比赛的模式。下面的比赛是第十届电磁追逐比赛中的场景。后车使用了光电距离传感器，动态调整与前车的距离。比赛规则只是测量最后两个车模到达终点线的时间差进行评判跟随效果，实际上反映不出这支队伍的精确控制距离的性能。再对照一下第二届比赛场景，就会看到，比赛的难度的确是在逐步增加的。如下是2006年第一届智能车比赛的场景，赛道旁边树立的塑料杆是判断车模出否出界的与依据。当时这个规则对于车模运行精确度是非常严格的。这届比赛是在清华大学综合体育馆举行的。第十一届中的信标组。智能车比赛终于有了无赛道比赛模式了。由于这个赛题组对于场地要求比较高，所以第十二届比赛中，它就成了创意组的赛场了。引入了对抗组和四旋翼导航组。第十二届比赛中增加了环岛赛道新元素。看来对于队员的施加的挑战并不太大。一个不知所措的直立智能车。瞧瞧我的华尔兹舞步帅不帅。最后，将这首“我和草原有个约定”的歌曲，献给为智能车辛勤工作的老师和同学们。; 个人分类: 我的教学|4922 次阅读|0 个评论

[转载]同济大学余卓平 | 智能汽车的线性底盘系统与运动控制: Kara0807 2016-11-29 08:01; 同济大学余卓平 | 智能汽车的线性底盘系统与运动控制本文为余卓平教授在“ 2016中国智能车大会暨国家智能车发展论坛”上所作报告实录，文章未经余老师同意在未改变作者原意的基础上稍作删减。尊敬的各位专家，非常高兴和黄向东老师一起跨界来到自动化学会做交流，前段时间汽车工程学会在上海举办了年度大会，其中智能网联汽车也是非常热的方向。我和黄教授毕竟是在两个不同的行业，可能有些视角不同。但从长远角度来说，我们的目光是看到同一个地方的。首先从汽车的角度来讲，最近刚刚发布的，刚才黄教授已介绍的《智能网联汽车发展技术路线图》，实际上在整个路线图里，我认为，第一块最重要的是汽车产业的位置。现在大家可以看到，在大概7年前即2009年时，中国的汽车产量刚刚过1千万辆，那个时候大家在讨论中国的汽车会发展到什么程度。现在在官方资料中，大家认为到2030年时会超过4千万，这个在现在是毋庸置疑的。但在7年前会有很多人质疑认为这不可能，所以从这点来讲，汽车应该是新技术非常好的载体，发展空间非常大、挑战也非常大。这也是刚才讲的，为什么说汽车行业新能源化、智能化现在变得众望所归。现在基本上大家统一了认识。实际上也就是说能源的挑战、环境的挑战，特别是交通安全、交通效益的挑战。从这个挑战来说，行业里面现在几乎形成了高度的共识。第一个是新能源汽车的发展方向，第二个是智能汽车的发展方向，这两个点构成了下一代汽车的显著特征。当然了，还有很多，比如说新材料的应用使汽车轻量化，当然轻量化这一块实际上是汽车这种移动性交通工具永恒的话题。所以，最集中的应该是新能源化和智能化这两个方面。从汽车来讲，大家可以看到，汽车是从马车演化来的。从马车到汽车实际上是智能的衰退。我们将这两种车相比，大家可以看到，动力强劲了很多，原来的马车，一匹马、四匹马、五匹马拉，已经不得了了。现在一辆汽车上发动机的功率是100匹马力以上，相当于100匹马同时拉车，所以从动力强劲来讲，汽车的发展非常的迅猛。但从智能来讲，现在的汽车驾驶员和当时的马车夫的压力是不一样的。马车夫是可以打瞌睡的，而现在的驾驶员是不允许打瞌睡的。所以从这点来看，汽车从智能的角度来讲是衰退的。现在的汽车高度发展，安全很重要。大家可以看到有一个判断说到2020年时，交通安全对人类健康的影响将在整个疾病里面所占的位置上升至第三位。所以从这点可看出交通安全实际上是非常重要的。汽车界原来对交通安全一直是从被动安全方面考虑的，这种考虑大概持续了30年，这30年的主要精力放在了被动安全上，被动安全讲的是撞车。五星级车辆是非常好的卖点，但是大家也都知道，五星级车辆不是万能的，一旦发生恶性的交通事故，同样会造成巨大的的灾难导致车毁人亡，五星级车仍存在安全隐患。大家看到上海大众途观试驾车，刚引进到我国时大家认为这是非常好的一款SUV车，上海大众老总在敦煌附近的高原试车，速度开的太快，结果车毁人亡。以现在试车的碰撞速度碰撞时，汽车的安全带、安全气囊以及车的性能这些东西的保护会导致出现伤害但不至于死亡。但是事后统计此次车祸的碰撞车速在100公里左右。所以大家开始反思被动安全怎么办。关于这点大家可以看到，被动安全是在这个区间内考虑的，碰撞点假设在这个地方，这是碰撞以后的措施。所以汽车人的眼光开始往主动方向考虑。主动安全在前两秒内的范围现在基本上可以做到，也就是说，大家现在开车的人都知道，APS迁移控制单元还有操纵稳定性控制单元等等这些东西，现在在汽车上开始作为常配的装置。在进一步，在2秒以前如果能够预防的话，实际上就是黄教授刚才讲的智能辅助驾驶，这种技术已经开始在汽车上大规模应用起来。在往前走，完全的自动驾驶可能安全系数会更好。所以，从这点来讲，安全要改善，就得往智能化方向走，就要提高汽车的智能驾驶。这种趋势已经成为主流。大家现在看到的这两条安全曲线，一条现在我们已经走到抛物线期间，也就是说，汽车想在被动安全上做太大的改变基本不太可能。从主动安全来看，APS这些东西已经过了拐点了，现在在爬坡的就是智能辅助驾驶阶段，未来我们会攀登到自动驾驶这条抛物线高端上，所以，我们现在正在渐进的走这条S曲线。从电子控制到智能辅助驾驶，大家可以看到，实际上有三块东西是起来的，其中一块就是多了这套感知系统，原来车上并没有这种技术，所以十几年前时，没有人想到雷达、摄像头这些东西会成为汽车的关键零部件，那个时候没有；第二个就是我们今天在讨论的如何来控制人工智能、智能决策；还有一块待会我要讲，这是我今天很重要的一个话题，就是线控的执行单元。实际上如果没有这些线控执行单元，智能汽车就无从着落。刚才黄教授所讲的汽车厂的框图，现在就是这个问题。我们现在可能建造了一幢很好的大楼，上面也带着眼睛，能够感知。现在要往汽车上装，如果装上之后手脚不匹配的话，不听调配，这种智能汽车也是无法实现的。现在这一套手脚几乎控制在外资的零部件企业，现在这块无法交流。因此我国整车厂做智能化是非常巨大的挑战，不光是感知系统方面的挑战，因为这是新东西；智能决策是新东西，也是挑战；但是在这套手脚上实际上仍然也是挑战。国际公司很简单，他说你要来给我做，我给你整套的整流器，提供整套的解决方案，这里面从执行单元开始到感知单元，甚至可以做些匹配的决策。整车厂现在基本是这种方法，所以这些挑战都是非常之大的。当然现在走到智能辅助驾驶以后，已经可以看到，德国的一套数据表明可以把恶性的交通事故降低70%以上，我国官方统计，一年有6万多的交通伤亡。如果按照这种说法，一年就能救4万多人的生命，这是官方统计，实际上研究交通的人曾讲我国一年因交通事故死亡的人数大概在10万以上，也就是说能够挽救7万多人的生命。所以从这方面来讲，确实是我们大家一致认为是重点的。整车厂很多都在走这条路，都有一定的计划，刚才黄教授也介绍了大约在2020年到2025年，普遍的智能辅助驾驶到一些部分的自动驾驶这一块可能会成为汽车必备的装配。随着谷歌掀起的无人驾驶热潮，包括我们国内自然基金委当时设立的这个重大项目，我觉的这把火烧得非常好，不管怎么样，有一点是肯定的，这为我们将来的产业发展培养了一批非常好的基础团队。所以，今天到这里来交流感到非常的荣幸。当然了两大条路线，一条就是刚才讲到的高端界包括基金委支持的团队，实际上，基本上是高端界从智能决策、环境感知这块，一进来，我们就针对汽车找落点。刚开始时我相信，你们操控油门这些线控单元时、才不会在乎它是不是线控，你们会给一个机器人踩油门，给一个机械手制动，然后再给一个机械式电机打方向盘，大家肯定是从这种操纵来开始接入。那么，汽车界刚才讲到的，实际上是从执行单元开始逐步往线控化方向发展，线控驱动，线控制动、线控转向。到目前为止，国外这套技术已经成型了。我国这块技术目前还不成熟。这块东西在中国国内来讲，将来我们要真正的把产业做强做大，做自己，这块也跑不了，也很重要。所以，今天和大家主要交流这块。关键技术三大块，我们刚才讲，今天我主要是讲一下执行部件以及它的运动控制。执行部件不只是从对交通环境的感知角度，主要是从汽车的运动的角度来讲，它的控制策略、控制逻辑也有一些着力点。刚才黄教授也介绍了“X-BY-WIRE”，实际上就是三个。因为驾驶员真正操控汽车在跑的也就是三个东西，一个是油门，一个只制动踏板，一个是方向盘。这三个东西如果要智能化就必须是线控化，线控化的原因在于，汽车最早时的拉线式节气门就是机械部分，油门踏板被踩动时有个拉锁可有扣发动机的节气门，调节它的进气量和配油量，最早使用的是化油器。这一块是最早的电子油门化也即是线控油门化。后来电喷发动机出来以后，只要踩油门就能控制配油量，配油量不在机械地调节气门，汽车率先在线控驱动这方面走出来。最早应用线控驱动的原因在于，从安全的角度来讲这点最没有问题。如果这套电子系统失效，最多汽车踩油门不跑了停下来，大家认为这不是最担心的，大家担心的是线控转向、线控制动，如果一旦失效就不是跑不动的问题，一定会要不停不下来，要不绕不过去，一定会出事故。所以最早的线控化应该是线控驱动。现在新能源汽车和电动汽车的发展，在电动汽车上进行智能化的这套驱动应该完全是自己的。从传统的知识讲，将来的油门还涉及到发动机的控制和变速箱的控制等等。我国在这块控制上相对来说还是比较落后。但是电动车上，电子油门控制电机、电池的放电，这些基本上是不差的。还有一个很重要的，后面我会结合例子来讲。就是将来的风机驱动，以后每个车轮上会有一个电机，这种线控驱会动给大家带来非常好的发展空间，它可以把线控驱动、线控制动甚至线控转向在这种车上进行较好地融合。后面我会进一步的介绍，大家可以看到原来的转向系统很简单是机械传动，从方向盘、方向盘管柱，一个齿轮磁条拉住转向拉杆，最后拉住车轮，完全是机械式的。后来发现这种系统的驾驶手感非常不好，方向盘太重，后来就加上了助力器。最早的助力器是液压助力器，液压助力器以后基本的发展是往电动助力转向发展，而电动助力转向为未来的线控助力转向提供了非常好的基础。实际上就是电机在助转向力，从某种程度讲，如果助力度大到一定程度，方向盘就可以调节，这种时候就可以完全线控。所以从汽车工业来讲，这块也有了发展，基础有了，但是如何实现线控转向，现在还没有完全提上议事日程来。有部分车辆，比如说，日产车型去掉了机械方向盘管柱，实际上方向盘转的就是一个电信号，电信号按照指令拉动转向，这种产品也已经应用于汽车行业里。在一个就是制动，制动到现在为止还是机械制动，我们的脚踏板实际上是踩着一个脚踩的机械的液压泵，由液压泵来实施制动力。现在正逐步往线控转向方向发展的是汽车领域里的ESP，ESP发展以后是操纵平行控制单元，这种单元可以调节4个轮子上制动力的大小。现在在过渡期，有两款车都是利用这种制动功能来实施一部分的线控制动。但最新一轮的已经过渡到我们所说的电子液压制动器。也就是说踩着制动踏板即踩着电信号，电信号踩过去以后就会有一套液压泵提供制动液压力。当然也有用电机来实施的，所以线控制动单元这方面也是非常热的点。大家可以看到国内这方面的产品还是很少。据我了解到，我国国内有一批零部件企业在致力于研究线控制动。从线控制动的角度来讲，一个最大的挑战，就是我刚才讲到的安全系数，随着智能辅助驾驶的兴起，现在欧洲开始对线控转向和线控制动制定一套比较严格的法规。很重要的一条举措可能会用到很多冗余。不只是电子上冗余，甚至是机械上的冗余。比如说有可能会出台规定，将来要有两套传感器，所以冗余的安全对线控转向来讲是非常高的要求。因为汽车毕竟是一个成本低且需要高度可靠、安全的产品。借此次论坛还想与大家交流的是汽车的运动控制，除了驾驶员在用眼睛和耳朵感知周边的交通环境外，有一个重要的汽车行业中的术语:路感，实际上驾驶员操控汽车，从方向盘回馈的力上面，从他踩油门、踩制动踏板的感觉上面，他在感知一个很重要的东西就是路面。举个例子，大家都知道飞机有自动驾驶档和手动挡。飞机在两种工况下是不允许自动驾驶的，一个是起飞，一个是降落。飞机只有飞上天之后才可以进入自动驾驶档，飞机着陆以后的路面状况对飞机的运动是及其重要的，所以我们汽车的无人驾驶将来如果解决了这个问题，反过来就可以把这个技术应用于飞机，使飞机着陆、起飞也可以自动驾驶。但其中最重要的部分是感知路面和轮胎的接触。上面提到的路感就是这种情况。但目前我们对这方面的关注，相对来说较少，因为在湿路面上怎么踩油门和在干路面上怎么踩油门的感觉是不一样的。所以我们可以通过学习的手段对驾驶员在这种路况的驾驶做深度学习，以调整我们的操控策略。但很重要的是，如果我们能够通过感知系统感知到路面，我知道的就是在讲现在的汽车里有很多ABS、迁移控制单元、操纵稳定单元，都是因为驾驶员操控汽车时使轮胎和路面的接触超出了路面的附着极限。我们在汽车动力学里面的专业术语叫做附着极限，超出这个附着极限，汽车就容易失尾，就会出事故。所以在汽车运动的操控方面，这点非常重要。我们以前不讲自动驾驶讲汽车的运动控制时很重视如何保持汽车在运行极限范围内，不要超出路面给它的极限范围。因为路面和轮胎之间存在一定的摩擦，超出摩擦力的范围轮胎就要滑动，一旦出现滑动，安全机制就失去效力。在各种情况下，比如说车轮一旦在不平的路面震动时，它的震压力是不一样的。对极限控制也不一样，所以在汽车里面很重要的是轮胎的特性。将来在运动控制里面怎么用好它，这也是非常重要的考量。实际上对汽车将来的运动控制来讲，一定要注意两个约束在里面，第一个就是汽车动力学中极限动力学的约束，这不是说感知或看到以后觉得不对劲就能一脚油门下去，或者一脚制动下去或者打方向盘，这都是不对的。在这种背景下，还要看行驶在什么样的路上，有这样一个运动学的约束在里面。另外还有一个就是执行器，将来这些执行器，比如说在电动汽车里面将来会有很重要的东西，在这种状况下油门给出以后，电池是否能够提供足够的电量，在这种执行体系里，都有执行约束和边界。这些东西都是我们控制汽车时要考虑的。所以从这方面来看，从车辆动力学要素来讲，开车时一个拐弯，如果说速度高弯道急的话汽车会侧起，侧起以后你会感觉到横向力，如果说您的体感发觉横向加速到一定的程度时你一定会松油门以控制速度。这就使驾驶员在行驶过程中会根据路面以及感受到的车辆运行时的运动学参数进行调整。包括紧急制动，因为紧急制动也是驾驶员在操纵制动踏板时会重点考虑的方面。所以包括姿态在内的一些很重要的东西都是构建汽车智能化的决策系统。后面我会举一些简单的例子，介绍我们最近正在进行的研究。这是刚才讲的新能源化的特点和智能化的特点，我们现在联络了一批产学研合作单位，建立了“智能型新能源汽车协同创新中心 ”，该中心主要围绕三大块，一大块就是刚才讲的电动化，电动化在执行单元里很重要的一点就是分布式驱动，很多的研究就是针对将来电机要安装到车轮这种电动汽车。对智能汽车来讲，我们在进行这样的执行单元研究。电源这个话题今天在这就不进行深入讨论。还有一个很重要的方面就是环境感知的智能决策，特别是运动控制系统中的线控执行单元的研究。以及我们今天没有讨论的，即汽车电动化、智能化以后的结构和现在的结构可能不一样，可能会发生很大的变化，所以我们希望相关的新型整车平台能进行这方面的探索和研究。下面主要是介绍今天所讲的话题，我前段时间主持了一个973课题，就是针对这种分布式驱动的汽车技术问题进行了相关研究。在这个研究中很重要的一个特点，实际上就是一系列驱动特点，针对这方面我主要讲两块。一块就是它对车辆行驶状态的感知。如果四个车轮上有四个电机，它的驱动力是已知的，它的转速输出是已知的，从研究自动化的专家角度来讲，这个问题就很简单了，输入知道，输出知道，现在通过一套辨识技术来辨识这个系统，这个系统里面什么是已知的呢，车轮系统是已知的。什么东西是未知的呢，路面是未知的，我在马路上行驶，不知道行驶在那条路上，这都是随时变化的，通过这种东西汽车就可以感知路面，同时也可以感知很多车辆的运行状态、侧向驾车度、纵向驾车度、侧边和摆角速度、汽车的行驶坡度。在评价汽车的无人驾驶时我曾提过一个问题：考驾驶员时有一个工况是必考的，就是坡道起步。汽车在坡道上，起步时别溜坡，这是对驾驶员的基本要求。现在设计的无人驾驶汽车，放在坡道上让它在坡道上起步，它会溜坡吗？如果它溜坡说明您的智能决策没做到稳。所以路面的坡道技术也是重要的驾驶信息。围绕这方面，在此基础上我们在做线控制动的研究，用电机作为一个执行单元来控制制动泵杠杆的运动。我们正在和企业洽谈这方面的产业化合作，功能样机已经研制出来了，我们希望能够借此推动国家线控制动领域的发展。在决策方面，车辆感知路面、感知它的运动状态，也有很多方法上的研究。大家可以从下面这张图看到汽车感知的东西，无论是从纵向、车速、质心侧偏角、路面的附着系数、包括整车的重量、整车的质量，从动力学的角度来讲，坐1个人和坐5个人的操纵是不一样的。因为操纵对象是变得，所以整车的质量感知、你所行驶道路的坡度还有转动的惯量，通过这一套信息单元，在车轮上安装电机，它既是执行器又是感知器。这一点可能会为汽车未来的自动驾驶提供非常好的信息补充，就是环境感知的补充，这是我们研究第一个方面。第二个就是在运动控制。如何在这种情况下更好的感知环境，在运动学上使汽车在它的极限范围之内，别超出这个极限范围。在这点的控制上，第一个对防滑的控制导航法，踩油门一定不会踩到让车辆在路面空转打滑的程度，这是很重要的一点。我们通过分布式驱动的电动汽车，比传统的防滑控制技术有一个全面的提高，提高到几乎不会打滑的程度，传统的控制一定是打滑以后感知到，感知到之后在防滑。实际上如果我们能够感知到路面的话，我给的油门不会超过它的路面极限，它就不会打滑，这点非常重要。包括将来的防抱和ABS都是同样的道理。如果知道路面的情况，就不会使制动油门和制动踏板超过它的路面附着极限。ABS控制的效果比现在的ABS要好，还有操纵稳定性的控制。现在的操纵稳定性控制是用4个液压泵制动器的控制。正如刚才讲到的两款车它们都是用4个液压控制器的控制来制动力，如果转弯转的太急，横摆角速度太大，或者侧向加速度太大，这都是要超出极限的。它通过4个车轮上制动力的控制反扭回来。所以这些控制现在都可以通过4个轮毂电机的执行单元进行，效果也比较好。通过深度的研究表明，操控稳定性方面比传统稳定性方面的效果比较好，后面我们会进行比较。比如说，我们和上汽联合研发了这种小型的四轮驱动电动汽车，在各种路面上进行防滑效果的测试，基本上不会打滑，且平均的纵向加速度可以改善33%。特别是变化很激烈的对开路面，一个车轮行驶在湿路面上，一个车轮行驶在干路面上，这种路面的防滑也是非常关键的。我们的汽车在这种路面的起步平均纵向加速度提高了83% 。这类的执行单元使我们将来的智能控制会有非常好的效果。这是我们对比的情况。这是一款上汽的SUV车，它使用的是德国大众公司的防滑控制单元。对比这两款汽车的防滑效果，显然我们现在在电动汽车上的控制防滑方法效果明显比德国的好。在操纵稳定性控制方面，我们与上海大众的装备了ESP操纵稳定性控制单元的途观进行了对比。大家知道在汽车里面，越大的车型稳定性相对越好，像奔驰车的稳定性就好，小型车辆QQ开起来会有飘得感觉。但我们这款A00级小型车的指标在行驶时无论是操纵性还是稳定性，与这辆途观都非常接近。有的比它好，有的比它差一点点，基本上在一个量级。从这方面讲，将来线控的执行单元在智能汽车里面会有非常重要的影响。同时，结合这些执行单元，结合汽车动力学的理解，对路面附着极限就是驾驶附着极限的约束和控制，将来一定会使我们的智能汽车会更可靠。以上是我们的比较，从目前的研究水平来看，我们已位居世界前列。在成果应用方面，我们和上汽开发了这辆四轮驱动的小型电动车。我们也开始在执行单元的基础上，进行环境感知、智能决策、特别是专门用途的无人驾驶的开发。我们现在有个项目是做无人驾驶的清扫车，这种汽车的速度不高，未来到了晚上深夜12点以后，有一批这样的无人驾驶机器行驶在马路上进行清扫。我们认为这是一种近期内可以市场化的无人驾驶。第二个就是“最后一公里”的问题，最后一公里是什么呢。比如说我来参加大会，汽车开到会场门口，我下来之后汽车应该自动开到停车场。这与现在的智能泊车不一样。现在普通的智能泊车是开到停车位旁边后，人来下，让汽车自动停车。现在用无人驾驶的理念，让汽车开一段大概300米、200米开到停车场，自己停车。这种无人驾驶可能会很快在汽车产业得到实质的应用。另外我们也打算在常熟建立“智能网联汽车测试评估基地”。我们已经和同济大学联合在争取到一块小型基地。我们这个基地主要是偏重于研究无人驾驶的测评、评估等。我的交流就到这里，谢谢大家。录音及文字整理：青岛智能产业技术研究院平行工作室; 个人分类: 智能车|2654 次阅读|0 个评论

[转载]驭势科技CEO吴甘沙：从未来挑战赛启程挑战商业化的未来: Kara0807 2016-11-22 08:03; 【2016国家智能车大会报告实录】驭势科技CEO吴甘沙：从未来挑战赛启程挑战商业化的未来本文为驭势科技CEO 吴甘沙在“ 2016中国智能车大会暨国家智能车发展论坛”上所作报告实录，文章未经本人同意在未改变作者原意的基础上稍作删减。大家早上好！很高兴驭势科技刚刚成立8个月就能够来到中国智能车最高水平的论坛，感到莫大的荣幸。我们公司过去的8个月得到了在座很多老师的支持，尤其是北理工的陈慧岩老师、龚老师，给了我们巨大的支持。而且我们平常工作也得了王飞跃老师、李德毅院士、薛建国老师、李力老师、曹东璞老师、邓志东老师等等很多参加比赛的老师的支持，所以非常感谢！今天我的题目是《从未来挑战赛启程挑战商业化的未来》，肯定是要从挑战赛说起。 1号时我们研究院也参加了美国DARPA挑战赛，这里边我放了几个人和几辆车，不知道大家认不认识。上面那辆车是2005年DARPA Grand Challenge的冠军，它的领导者叫做Sebastian Thrun，这个人后来创建了Google的X实验室，也是创建的Google的无人驾驶部门。旁边这位是我原来的同事，叫Gary Bradski,，他是OpenCV的创始人，现在其实我们很多无人车在用OpenCV，他自从参与了这辆车的工作以后，后面又做了一系列机器人的工作，现在大家无人车里用的一套ROS (robot operating system)，这套系统就是在他的参与当中完成的，所以跟我们今天还是很有渊源。下面左边那辆车是2007年Urban Challenge的冠军。边上这个人叫Chris Urmson ，他前不久刚从Google辞职，辞职之前是Google无人驾驶部门的CTO。右下角这位叫安东尼·列文托斯基，他也是2005年DARPA Grand Challenge的参与者，而且他的参赛车辆很奇葩，是一辆摩托车，在沙漠里边开，他是Google无人驾驶的核心工程师，也是今年早期刚从Google离职，创建了一家做货车的无人驾驶公司，而这家公司也刚刚被收购。我列这些只是想要说明美国无人驾驶产业的这些核心人才都是从DARPA 出来的。同样中国过去八年的智能车未来挑战赛也培养了很多人才。左上角这辆车是前几年北理工的一辆车。站在旁边的这位年轻人——姜岩老师，现在就是我们公司的核心创始人，我们的未来挑战赛其实培养了很多这样的人才，如今散布在很多企业中，他们担负着未来把我们的无人车技术商业化的目标。我们认为智能驾驶的商业化需要三层努力。首先是需要最前沿的技术。我们有姜岩老师，来自北理工的非常前沿的无人驾驶技术，也有来自国内顶尖的计算机视觉公司的人工智能技术，我们也带来了像Intel这样的国际外企的系统工程的技术。我们公司成立以后，一直保持着跟学术界的交流。第二个重要的支柱是企业家精神。所谓企业家精神就是创新、冒险、协作。第三个重要的支柱是复杂系统的管理经验。这个在汽车产业是非常重要的，因为汽车本身就是一个非常复杂的系统，汽车的产业链又是一个非常复杂的系统，需要很丰富的管理经验。只有这三个同时具备，才能实现智能驾驶的商业化。我们的商业化探索之旅，在过去的8个月是这样发生的。首先，我们去做软件，我们花了很长时间去重构智能驾驶需要的这套软件系统，从算法到中间件到操作系统，尤其是中间件，大家知道很多人用的是ROS，我们经过深入考虑之后，决定换成RCS，其实它是美国军方经常在武器中使用的实时操作一套系统，实时的中间件，我们把它用上了。然后从4月份开始，我们开始做硬件，包括摄像头、控制器等。5月份开始，我们的算法开始在模拟器上进行测试，同时开始半闭环测试。所谓半闭环，就是还是一辆车，感知设备已经在车上面开始运行了。但是它出来的东西还没有去控制车辆。一直到7、8月份的时候，我们才差不多拿到第一辆可以线控的车，拿到车之后也花了很多时间测试，随后又陆陆续续拿到第三辆第四辆有线控能力的车。有了这样的车之后，我们开始了全闭环测试，也就是真正的路测，最近又开始了更多的测试，比如HIL（硬件在环测试）。整个过程一方面是跟智能驾驶本身研发规律相关的，同时也是跟我们的实验条件的约束、限制相关。过去8个月，我们其实有很多困惑，在困惑的探索当中也得到了一些认识，我想今天借这个场合跟大家分享一下，也期待能够听到大家的声音，也许能够让我们未来这条路走得更好。首先第一个困惑，作为一家创业公司，作为一个后来者，我们应该有什么样的定位。现在我们说智能驾驶，主要说是这5类。第一类是驾驶辅助系统（ driving assistant system），就是人开汽车，机器偶尔辅助一下。第二类就是自动辅助驾驶，像特斯拉的AutoPilot，它有两个要素，第一是在封闭的结构化的高速上，机器持续的实现自动驾驶；第二，驾驶员仍然需要把注意力放在路上，甚至把手放在方向盘上。第三、第四类都会在2020年出现。第一类叫做高度自动驾驶。所谓高度自动驾驶，就是它不再局限于封闭的高速公路，能够开到大街小巷。第二，驾驶员可以做其他的事情，只要他能够在5秒钟之内重新回到决策化，这个显然比今天的辅助驾驶是更有用的一种自动驾驶技术。另外一个，就是限定场地的无人驾驶，比如Google今天在做的，它是在城市区域里面能够实现无人驾驶。所谓无人驾驶，就是把驾驶员这个角色拿掉，没有方向盘、油门、刹车，但是同时它是限定场景，只能在城市区域跑，同时它的最高时速限定在40公里以下。我们相信在2030年，可能会出现全天候全区域全速度的无人驾驶。当然，这点离我们还有点遥远。所以，作为一个后来者，我们必然要面临一个选择，到底要从哪一类智能驾驶去切入。我们首先选择了从第二类辅助驾驶去切入。根据我国智能车发展的技术路线图，在2020年的时候，我们差不多每年有1500万辆车，具备驾驶辅助或者辅助驾驶系统这样的能力，市场是非常大的，所以我们希望从这个地方切入。而且，我们能够看到的一个点就是目前在辅助驾驶的形态中，国内还没有很好的能够进行商业化的技术提供商。我们切入的话，必然要考虑三个问题，我们如何去差异化。首先，技术上如何差异化。其次，服务上能不能差异化。第三，成本上能不能差异化。技术的差异化，首先要看现在存在的问题，大家都知道在今年5月份，特斯拉发生一起致命的车祸。当时一辆大卡车在路口左拐，一辆特斯拉Model S从远处开过来，它的感知系统并没有发现这辆大卡车，当时驾驶员在做别的事情，于是撞上了这辆大卡车，驾驶员当场身亡。我们分析一下它现在技术的缺陷在哪？首先是视觉的缺陷，大家知道在事发当场这辆车是迎着晨曦在开，所以是一种典型的逆光状态，这时候视觉会出现一定的问题。当然从目前Autopilot的系统来看，它事实上是具备动态调整曝光的能力，应该来说在一些光线条件不是特别好的情况下，比如说强逆光或者微光情况下，它还是能够识别前车尾部，因为前车尾部是具有非常明显的视觉特征的。但是案发当场，卡车是横在路上的，横着的车的截面并不符合这套视觉系统识别的特征，所以当时视觉系统是失效的。有人会问，当时毫米波雷达为什么没有起作用呢？当时雷达在远远的地方发现了横在路面上的东西，但是为了避免误刹车，在高速的时候做一次刹车的话，可能不但舒适性不好而且非常危险。为了避免误刹车，它做了一个比较保守的分类，雷达将卡车分类为横跨路面的一个交通标志牌。它希望在靠近的时候有更准确的分类。但是，我们当时判断，在靠近的时候，事实上它的毫米波雷达是放空的，这是特斯拉的另外一起车祸，大家可以看到，它的毫米波雷达装的比较低，而车的底盘比较高，雷达是失效的。怎么做呢？现在有一些改进。第一是改进雷达的算法。这是特斯拉正在做的。它跟博世合作，它把雷达更多的数据发掘出来，它现在能够得到六倍之多的object，同时每个object也有更多的信息，同时它实现了把3D的雷达影像在时间维度对object进行corelation，这样可以更好的区分动态和静态object，以及虚假反射。第三它采取了一种众包的方式来去区别永久的和临时的障碍物。什么意思呢？比如说，特斯拉很多车都经过这个地方，如果这么多车都发现前方有一个静态的障碍物，它就认为确实是一个障碍物。如果说有的车发现，有的车没有发现，它就认为是一个临时的，这是第一个改进。第二个改进就是我们做的，基于深度学习的视觉算法，它相比起传统的视觉算法，它能从不同距离不听角度去识别，它可以识别奇形怪状的一些车辆，可以识别遮挡的车辆，有些车可能只有三分之一露在外面，也能够识别出来。但是这里面我想强调的就是我们现在要求车身露出三分之一，如果没有露出那么多呢，事实上，我们深度学习还是有缺憾的。但这样的一种识别，事实上是有问题的。因为车身露出一点点的时候，它在旁边这个车道上，往往是最危险的时候，因为它可能随时贴进来。于是我们又做了第三个改进。就是基于立体摄像头做了一个视觉雷达。大家可以看到，它能够实时识别出静态、动态障碍物的点，而这些点是用颜色去标识距离和速度。大家可以看到，它在靠近我的时候是暖色调，它在渐行渐远的时候是冷色调。这样一种视觉雷达，当车身露出一点点的时候，它就能够识别出来。这种方法跟刚才深度学习的方法相结合，就能够很好的去避免特斯拉遇到的问题。基于这些系统，我们慢慢把我们的辅助驾驶系统进行了商业化。这是我们在北京高速上面的测试，这套系统实现了100公里时速的辅助驾驶，以前很多演示都是被其他人驾驶的车超的，而现在我们能自由进行超车，平时它在中间这条车道上，如果前车太慢的话，它就可以自由进行超车了。我们这套系统实现了100公里常态化的测试，累计测试里程接近2万公里。这是我们希望在技术上进行差异化。在服务上我们觉得也是可以进行差异化的。现在国内的一些车厂，他们想要实现level 2的辅助驾驶需要去找国际的厂商，但该厂商在本地的支持人手有限，它的响应是非常慢的。而我们能提供及时的响应。事实上，我们花了两个礼拜的时间，就在一家车场的样车上面装好了这套系统，并且开始测试。成本也是我们的一个考量。而成本恰恰成为了我们现在这条技术路线的一个约束元素。因为我们用到了深度学习，这上面列出了不同的硬件去实现深度学习的特点。在左边是灵活性非常高，比如CPU，你可以随便去编程；在右边是功耗非常低。像Google的CPU，同时每个美金能够买到的计算能力就更高一些。一辆车的生命周期一般为十年。车厂要考虑用这个硬件的时候，他一定回想，你这个东西是不是能够撑过十年。对一些新的芯片来说，它是有顾虑的，而且未来十年，深度学习的算法变化会非常快，如果你硬件做死了以后，事实上就完全没有灵活性。CPU现在性能还是有差距的，用CPU去研究深度学习的话，它的实时性没法保证。NPU具有一定编程能力的深度学习的加速器可能也有问题，因为它作为新的一种芯片，对于车厂来说接受它有一定风险。GPU是一个问号，最便宜的GPU同时又符合车规的，可能也需要一两百美金，而且车厂对于一套level 2辅助驾驶系统的期望值也就是两百美金，你不能一个芯片就把整个预算用完。FPG应该说是目前比较好的一种选择。现在可以在一套70、80美金的FPGA上面去实现全套的深度学习。70、80美金在200美金中的占比仍然很高。DSP可能是我们未来期待的一种选择，如果它能够做到30美金，那么在未来是有一定竞争力的。但是现在应该来说，所有这些芯片都在实验中，怎么办呢，我们只能退回去，使用传统视觉去取代深度学习。在车道线检测上，传统视觉可以做到做到跟深度学习一样，但是在目标能力检测上，比如说行人、汽车、交通标志等等这些方面，传统视觉还是无法像深度学习一样。那怎么办呢？跟雷达做了融合以后呢，其实功能差不多。第二个，传统深度学习，一套网络做一件事情，比如这套网络做行人识别，那套网络做汽车识别，那套网络做交通标志识别，去训练多任务的网络，同时能做多重目标的识别。多任务网络它会影响一些准确率，但是影响不会特别大。还有就是做模型的压缩。如果能够做好模型压缩的话，整个模型就能小几十倍上百倍，都是有可能的。而且可以优化算法以及等待大厂商的成熟芯片。我们刚才说到NPU对于车厂来说是有顾虑的，但是如果大厂商能够推出这些芯片我想车厂还是能够接受的。所以这是我们在level 2的辅助驾驶方面的探索。同时作为一个创业公司，我们希望找到一些特定市场细分领域。这些细分领域是今天的大厂并不太关注的。比如说限定场景的无人驾驶，今天想Google、优步、百度他们都是在做城市区域的无人驾驶，这种无人驾驶可能要三五年才能成熟。对于创业公司来说，我们可以去选择一个相对较小的细分领域。比如说安东尼·列文托斯基的公司就是选择了一个比较小的细分领域，那就是货车。我们非常看好另外一个小的细分领域，就是在私有道路上，比如园区、景区、主题公园、高尔夫球场、机场等场地的无人驾驶。这种无人驾驶一方面没有国家法律法规的问题，因为现在国家法律法规不允许无人驾驶上路。另外一方面，这种限定的场景允许用今天的技术进行部署，同时不断去改进。这样我们马上就碰到第二个问题，在这样场景的无人驾驶当中，是不是需要用激光雷达。现在我们有些厂商的回答他还是不太愿意用激光雷达的。这个是特斯拉的Autopilot 2.0，相比1.0它只用了一个前置的摄像头和一个前向的毫米波雷达，Autopilot 2.0用到了八个摄像头，前向有三个不同距离不同视角，两边的前侧是两个，两边的后侧是两个，后视是一个。它的理念是希望通过摄像头的视觉加上毫米波雷达和超声波能够去实现无人驾驶，这是它的一个想法。在这我想提醒一下，前一段时间很多媒报道，特斯拉说明年就能够实现完全的无人驾驶这其实是一个误报。特斯拉原话是说，明年车上硬件部分已经可以支持完全的无人驾驶，但是它的软件算法还是需要逐渐的去迭代。这是特斯拉的答案，也是我们公司在今年上半年的一个答案，我们认为我们可以通过集成的摄像头实现高度的自动驾驶。但是最近几个月的探索，我们认为我们需要去改变这样的思路。两个方面的原因。第一是因为深度学习的技术同质化以及它的缺陷。使我们认为纯靠视觉还是有问题的。第二个原因在于激光雷达的成本已不再是一重要问题了。大家可以看到未来很多车辆的设计当中，基本上都实现了包括激光雷达在内的多种传感器 360度无死角多冗余的配置。基于此我们也开始了激光雷达和视觉的融合。而且我们跟中科院联合设置了一个博士后计划，方向就是做激光雷达和视觉的融合。激光雷达和视觉的融合一方面使得对环境的感知更加精准，这两者的配合也能产生很多新的使用模式，比如说激光雷达帮助视觉进行校辅，视觉反过来又帮助激光雷达进行校辅等等。而且相对成本来说，安全可靠性是最重要的，所以必须加入激光雷达。而且现在无人驾驶的使用场景并不是卖给私人的拥有者，更多是共享和运营。针对共享和运营的车辆，它对于成本的忍受度也会更高。所以我们做了两款针对私有园区的无人驾驶汽车，比如这一款是从一辆低速的电动车改造的，这一款是我们完全从头设计的一款无人驾驶的共享出行车。它是两台座椅对着坐，没有方向盘、油门、刹车，这两套系统事实上在北京的一些园区已经开始试运行，开始常态化测试。大家可以看到，这些车一上车，指定目标位置，它就可以自如地开到目的地。另外那辆小车，事实上我们在其中加入了更多的功能。虽然它还保留着方向盘、油门、刹车，但是在这辆小车上面我们实现了一个新的功能，就是无线充电。当它发现没电的时候，它会自己去找带有无线充电功能的停车位，自己停进去充电。这是我们针对非常限定场景的无人驾驶的一些探索。在2020年的时候，高度自动驾驶会出现。到2025年的时候，根据我们的路线图，每年可能会达到600万量，这对人工智能来说是更大的一个需求。我们有一个困惑，高度自动驾驶到底要不要做？今天我们已经有了高速的l2和低速的l4，要去实现高速的l3要去做一些什么事情？第一，要有高精度的地图和定位，第二要有V2X。第三要有更好驾驶认知。首先我们说下高精度的地图和定位。我们不把它叫做地图，我们把它叫做指引图和定位系统。人具有对模糊信息的处理能力、容错能力，所以10米的精度就可以了。但是智能驾驶需要10cm精度的定位，我们希望做一套系统能够融合不同的传感器，不依赖于其中任何一种传感器，任何一种传感器失效都没有问题。第二能够室无缝衔接。通过众包的方式，每一辆车能够实时更新地图。这是在我们北京的研究基地，我们测试了一套GNSS RTK的惯导系统，大家可以看到这条绿色的线，在有些地方它的新号跳跃非常的严重，所以我们希望加入一套高精度的惯导系统，但这套惯导系统又非常昂贵，所以我们利用双目视觉去实现了一套非常准确的高精度惯导系统。这套系统在我们车上实现了完整的测试。因为时间关系这里不再讨论。刚刚我们的测试是在停车场实现的，在外面的话可能这样的特征点并不丰富，也会受光照等因素的影响。那么我们就实现了这样一套基于视觉标志物的定位系统。我在开的时候，实时检测三维空间当中的视觉标志物，然后将其与地图当中的标志物进行匹配，来去确定我们的位置。这套系统在多数情况下工作的不错，但是还是有缺点，就是在真正的道路上，视觉标志物，像这些标识牌，它的分布非常稀疏，可能每隔一两公里才能有一个。所以我们又做了一套基于地面的连续视觉标志系统。我可以把我看到的东西跟地面视觉特征进行匹配，在地面有阴影的情况下我们也可以做非常完整的匹配。这套系统在我们车上运行之后，就可以基于本地的地面视觉特征做车道内10cm的匹配。同时我们认为在视觉认知上需要提升。传统上我们是去检测应该去识别的东西，比如车、行人等。但是在真实的道路上，出现在路面上的东西可能是不可预测的。所以我们需要去建立明白整个世界全面世界模型（World Model），比如说通过语义分割的方法，去实时建立的World Model。除了简单的语义分割之外，我们还需要对天气、车道线、双向路的分割线等等进行识别。而且有时候车道线被积水覆盖或者磨损甚至是没有车道线的情况，在非结构化的道路上也要去实现很好的识别。第二个认知阶段是从不撞到兼顾舒适的驾乘感受。这是我们姜老师在今年早期做的一个实验。这是在北京三环上开，大家可以看到在开始之前，他在车顶上放了三个东西，打火机、盒子等等，跑了48公里之后，这三样东西还是稳稳的。未来，我们可以通过立体的视觉去识别道路上的球体、凸起物、包括从前车掉下来的东西。通过递归神经网络推理从前车掉下的动态物品的特性第三个阶段从确定的经验到自学习。我们可以通过Inverse Reinforcement Learning方法实现驾驶员驾驶行为的学习。另外，大家知道最近端到端的深度学习变得非常火，它的一个很关键的地方就是在于有自学习的能力。但是另外一方面，端到端的深度学习事实上是有缺陷的。它要达到分阶段学习的能力是需要巨大的样本的。目前是实现不了的，所以，我们希望把今天的分阶段学习和端到端的深度学习进行结合。第四个阶段我把它叫做从咏春的木人桩到少林的十八铜人。什么意思呢？大家知道咏春拳都是跟静态的木人桩去练，但是在真正的道路上，你是会碰到很多人力的驾驶，有点像少林十八铜人的闯关，这时候需要更好的去判断驾驶员的态势，去评估他人的动机，预测行为，合理的获得路权。真正的产业化不仅仅是对一些技术的研发，从学术研究到产业化的“最后的十公里”往往是最困难的十公里，需要学术界和产业界非常紧密的合作。时间关系我就讲这么多，希望能够跟在坐的各位紧密交流，希望学术界和产业界的互动能更好的将从智能车未来挑战赛中培育出来的人才和技术推到商业化的前景当中去，谢谢大家！录音及文字整理：青岛智能院平行工作室; 个人分类: 智能车|1445 次阅读|0 个评论

趋势与定势：新IT、新产业、新时代: 热度 1 王飞跃 2016-2-5 08:40; 趋势与定势：新IT、新产业、新时代王飞跃新年伊始，在拉斯维加斯的消费电子展 CES 上，让我印象深刻的有二点：一是中国人的参与程度与热情之高，创历史之最，差不多三分之一的厂家来自中国，人群里华人面孔更有超半的感觉；二是以信息技术为代表的 “ 旧 IT ” （ Information Technology ）已被以智能技术为领军的 “ 新 IT ” （ Intelligent Technology) 无情地赶下舞台，由台上主角成为台下配角，就像三十多年旧 IT 把 “ 老 IT ” 工业技术 (Industrial Technology) 赶下台一样；智能车、无人机、机器人、虚拟现实等已成为 CES 的亮点和主力。显然，一个以新 IT 为代表的新技术时代，伴随着一个以智能产业和众包平台为代表的新产业时代，己成气候，智能的新纪元已经来到。新 IT 的威力，从一直被认为是 “ 古老 ” 、保守的汽车行业，一举成了今年 CES 的主角，便可窥见一斑。当今世界上最大的九大汽车制造商， 115 家汽车相关公司，悉数登场展示了它们的新 IT 产品和概念。而且，虽然车展只占据了 CES 四分之一的空间，但场内的汽车展品加上场外的汽车演示，使其气势几乎贯穿了整个 CES 。此届 CES 车展不但在规模上是接下来的老牌底特律国际车展的三倍以上，而且技术之新之亮丽，更使底特律 “ 星光黯淡 ” 、风光不再，以至美国媒体惊呼：看汽车行业的过去，去底特律；看汽车的未来，去拉斯维加斯 ! 其实，汽车行业拥抱旧 IT 技术还不到 20 年，但 10 年前主流厂家汽车的电子信息价值已近整车价值的一半。几年前，这些厂家还只是 “ 炒而不作 ” 观望新 IT 技术，但现在已经开始展示各色各样的产品、系统和概念。有的公司甚至把汽车视为未来的移动智能机器和智慧空间，并与固定的智能家居和办公楼宇与服务环境相联，大有嬗变成为人工智能或机器人公司之势。特别令人注目的是，汽车行业所倡导的新 IT 技术和系统，已突破目前风行的 CPS （物理信息系统）之约束 , 实质上立足于 CPSS （社会物理信息系统 ) 之上，使人在其中的智能技术从设计到应用真实可行。特别是， CES 前夕，通用汽车宣布投资出行共享公司 Lyft 五亿美元共同开发无人车系统； CES 期间， Lyft 与 Uber 在场外肩并肩比翼竞争服务于展会。这一切让我更加相信 : 无论大家对智能车的信心与期望有多高，也不管厂家的雄心有多大，基于 CPSS 的 “ 车人网 ” 一体化的新 IT 驾驶技术只能从远程有人监控的无人车开始，这是 CPSS 的最好说明。汽车行业对新 IT 的激情，揭示着以智能产业为代表的新产业时代正在兴起。同时，还说明现有行业无论在技术上还是商业模式上对于新 IT 仍处于探索的阶段。实际上，新 IT 将在组织形式、管理方式、运营机制等方面对传统的企业产生巨大的冲击， Google 公司改名为 Alphabet ，实质上就是对此的敏锐感知和快速反应。就连老牌的制造商 GE 公司，刚刚剥离了金融业务之后，年底就召开全球机器人峰会，力推其工业互联网理念，年初再宣布将其总部移至新 IT 人才和科研机构富聚的波士顿，并将家电业务 54 亿美元出售给海尔，一系列举动的背后，莫不与发展新 IT 息息相关。虽然目前很难准确描述何为新 IT 产业的新形态，但一定是赋能型社会化平台和自由化个人的有机结合，即从传统的 “ 企业 + 职工 ” 分工下的协作，走向 “ 平台 + 个人 ” 协作下的分工，开放众包，社会协同，产销合一，从机制本身根本性地解决供给与需求两侧之间的矛盾。这其中的关键，就是从旧 IT 的 CPS 基础框架，跨越到新 IT 的 CPSS 基础设施，将社会空间、物理空间、信息空间实时地打通，从而减小整个社会由于资源、信息和智力上的不对称而造成的不必要的损失。信用问题将是智能产业新时代的最大挑战之一，而号称 “ 颠覆性 ” 技术的区块链（ Blockchain ）方法应运而生，以去中心、低成本、可信可靠的方式，为利用数据联通物理、心理和人工世界，打破部门和局部利益或势力提供了技术途径，被许多专家誉为将是大数据之后的 “ 第五次范式转移 ” 。一定程度上，物联网、云计算、智能化之外，区块链也为 “ 大众创业，万众创新 ” 的新时代之公开、公平、公正提供了技术保障，同时还能彰显创新创业的主体，即 “ 创客 ” 本身的核心作用，从而由 “ 双创 ” 到 “ 三创 ” ，确保新产业生态中企业坚持 “ 初创（ Start-up ） ” 的精神。因此，不难论断，本质体现虚实平行的区块链必将在新 IT 之智能产业中发挥日益重要的作用。面对新 IT 新产业，中国应有自己的理念、体系和方案，这一点应向德国工业 4.0 的提法学习。值得注意的是，新近资讯表明，基于 CPS 的工业 4.0 正迅速向基于 CPSS 的新 IT 技术，特别是平行智能、平行机器等虚实互动的平行技术靠拢。例如，工业 4.0 概念的推动者之一 Kagermann 先生就撰文称工业 4.0 的动因就是 “ 虚拟世界和现实世界在不断融合 ” ，西门子最近更是提出：智能制造时代，你需要一个 “ 数字化双胞胎 ” 。何止 “ 双胞胎 ”? 何不多胞胎 ! 你需要许多个虚实互动的 “ 平行你 ” ，构建你自己的平行智能团队，创办你自己的平行智能企业，实现知识自动化，服务于自己和社会，进而整个社会以平行的新 IT 技术补上从工业 1.0 到工业 4.0 所欠之课，加快进入 “ 老旧新 IT ” 一体化、虚实平行互动的工业 5.0 之新时代，这才是立足于 CPSS 的智能科技之威力 ! 原文链接： http://w.huanqiu.com/r/MV8wXzg1MDg4MzRfMzcxXzE0NTQ2MDM5NDA=; 个人分类: 感言社会|9973 次阅读|1 个评论

[转载]洞察 | 中国智能汽车应如何走出赛场？: 热度 1 王飞跃 2015-11-21 10:43; 洞察 | 中国智能汽车应如何走出赛场？智车订阅：算法是在打造车的电子大脑，但同时更需要车辆、自动化方面的技术作为落地和指导，不做这些功课，车辆智能驾驶无异于纸上谈兵。第七届智能车挑战未来大赛已经落下帷幕。今年大赛不管是规模还是关注度都创下了新高——参赛队质量，行业影响力，以及科研成果，都有了很大的提高和产出，连央视都特意过来采访。成果：技术取得长足进步今年的参赛的队伍包含了国内12所顶尖高校的20个车队。许多优秀的技术都在不断的提升中，如：武汉大学的图像技术，对道路线的信息捕捉可以精准到几毫米的厚度。清华大学完成了基于can2.0完成车身总线的改装，强化了无模型自适应转向技术。北理工把课题的主要方向定位在辅助驾驶功能的优化上面，自动驾驶和驾驶员驾驶的外观感知，在不断的缩小。据了解，他们已经多次完成了北京三环的路测。军师交通学院更加重视智能车在真实环境下的表现，自我监测和判断。完成了24000公里的道路实测，更取得京津高速和郑州市区道路的全程无人驾驶实测的成功。西安交大专注于场景感知和决策规划的耦合关系，使得车辆在自主行驶中可以获得更多的可行性路线。还有很多，就不一一例举了。困境：获得支持不足落地艰难但在众多光环和成果的背后，一个不能忽视的问题，困扰着这些国家科技前沿的工程师们，也激起了小智的共鸣。作为国家重大研究计划“视听觉信息的认知计算”的核心组成部分，参赛的科研小组研发出了众多优秀的技术，但当他们想进行数据积累和产业化时，去发现，很难找到一个真正的契合点进行落地。在此，小智科普一下，智能车大赛的主旨是搭建具有自然环境感知与智能行为决策能力的无人驾驶车辆验证平台，从而产生能满足国家重大需求并具有原创性的重大研究成果。在不断的摸索当中，将自主研发的传感及控制技术应用到产业化当中去。然而，整体采访下来不难看出，作为“产业化”担当的车企，对研发的支持和参与都是有限的。目前了解到的情况，只有1只车队获得了企业车辆调校的专业指导。众所周知，一辆无人驾驶车的行驶，主要依靠几方面的组成，传感器数据获取，如雷达，GPS，摄像头等，数据的减噪和计算的优化，以及指令下达后的行驶控制等方面，而这些应该是在车辆调校中不断调整的。我们可以看到，在数据获取和算法优化方面，团队所作出的努力，然而在行驶控制这一环节中，参赛车的表现有些不尽如人意，奇怪的行驶轨迹，生硬的动力控制，都让人略感失望。究其原因，不难发现，缺少各个层面的专业调校是问题的根源，没有来自企业专业团队的支持，甚至连院校车辆工程专业的人员都占比过低。说个小插曲，赛前一晚下着雨，和某高校车队的博士们一起测试车辆，结果遇到个钉子爆胎了，接下来的一幕让我哭笑不得，几个人站在雨里的下一个动作是讨论如何使用千斤顶换胎。。。说这个事情完全没有不尊重博士哥哥们的意思，小智从前学的是高大上的计算机，但还是要抱着电脑去海龙大厦修。专业方面的成就和贡献，小智对大家是敬佩和膜拜的。我想说的是，一个智能车团队，没有车辆专业的人员参与，这不是件很奇怪的事情么？算法是在打造车的电子大脑，但同时更需要车辆、自动化方面的技术作为落地和指导，不做这些功课，车辆智能驾驶无异于纸上谈兵。展望：脑 + 身体结合推动发展为什么以车为本的智能车相关技术研发，却得不到汽车行业和车企的关注？这是个值得深思的问题。在看到这些科研团队取得斐然成果的同时，小智真想大声疾呼，呼唤车企对中国智能车技术研发的更大支持和关注。只有将大脑和肌肉真正的结合起来，中国智能车才能走的更快，更扎实。技术的进步是一份长远投资，对科技，对国家，对企业自身。愿企业在商业面前不应只看到市场和利润，还应该作为社会中的大型团体担负起更多的社会责任感。中国智能车技术，正当黎明破晓，这是个交给整个行业的起点。; 3589 次阅读|1 个评论

杨静： “猛狮”勇闯2014年“中国智能车未来挑战赛”: 热度 18 王飞跃 2014-11-17 22:33; 【静点评】我们离开了赛场，还在回味着今天比赛中众多惊心动魄的画面。虽然还是有不那么“智能”的赛车上演撞树、撞裁判、撞路障等惊险戏码，但也让“红色猛狮”这样的“王者”脱颖而出。而且，正是因为郑南宁、李德毅、王飞跃这些中国智能车研发的先驱，有跟在“无人车”后面走，跟在赛车后面跑，不怕车撞的科学探索与创新冒险精神，有无人车研发者的不懈努力与追求，才让中国的智能在短短6年间发展到了可以在常熟赛场“上路”的水平。我想，总有一天，更加智能的无人车将安全、高效地行驶在我们身边。而“中国智能车未来挑战赛”将成为能与一级方程式那样让世人瞩目的赛事！那时，奇点就真的来临了。 “猛狮”勇闯2014年“中国智能车未来挑战赛” 2014年 11 月 15 日，晴好的上午，我和中国人工智能学会青工委主任张文强、中科院计算所上海分所所长孔华威等，驱车从苏州赶赴常熟，探营 2014年“中国智能车未来挑战赛”。在国内无人车领域，中国智能车未来挑战赛是最高级别的赛事，因此每年一度的比赛深受业界关注。没想到，在常熟状元堤的比赛场地外，我们就被戒备森严的警察叔叔们拦住了，他们要求提供证件才能进入比赛现场，理由是保证赛场安全。在蓝色的护栏外，我们看到成百的常熟市民在旁围观，有个爸爸带着几岁的孩子观赛，还在给小孩子讲什么是“无人车”。护栏内，中央电视台的记者和编导在进行摄像。每隔 10 分钟左右，就有一辆无人车头顶着激光雷达经过此处，引起一番小小的轰动。这回是引起了骚动，原来有一辆无人车在这个 90 度的大拐弯处，直直地奔着摄像记者和裁判去了，开到人群跟前，似乎才感知到危险，停了一下，然后拐弯过去。让人直捏了一把冷汗。而且，我发现，站在那辆迟钝的无人车前面比划的，正是本届 “中国智能车未来挑战赛”的总裁判长王飞跃！王飞跃老师听到我喊他，也转过身来对我喊道：“你看看，你说的奇点在哪儿，这才是奇点！”——因为我平时总跟王老师念叨《奇点临近》，人工智能快要超越人类的理论，王飞跃老师不以为然。今天在这个无人车于大拐弯处险撞记者的现场，王飞跃教授想向我证明认知计算的现状距离“奇点”还无比遥远。但是，事情也不是如此悲观。紧跟着后面来的这辆“西安交通大学”的无人车，就顺利地通过了大拐弯。王飞跃老师跟中央台的记者介绍说，西安交通大学人工智能与机器人研究所这辆“夸父”号也是参赛老手了，这个拐弯也开得相当漂亮！这辆车的驾驶水平简直跟有人驾驶的车辆无异，远远看去就跟道路上正常行驶的车一样，就是头上多了个激光雷达。在护栏外看比赛终归不是办法，我打电话给在场的中国指挥与控制学会秦继荣秘书长求救，秦老师派来刘玉超副秘书长到拐弯处接我们进场。一路上，刘玉超让我们尽量往马路牙子外面走，他说“其实还是有危险的。本来这次比赛是 23 个车队参加，但赛前临时有辆车退赛。刚才比赛时，还有一辆参赛车在起点启动不久，就开始横着走。” 跟着刘玉超到了挑战赛的主赛场，又见到总裁判长王飞跃。王老师说，去年还有更惊险的场景：一辆参赛的无人车，在终点撞倒了一排树，而且，还接着撞到一位常熟市科技局的干部——所幸没有撞伤。（大概是因为无人车比赛限速每小时 40 公里，一旦超速就罚 100 分 , 超过 45 就立即罚下赛场 , 在抵达终点时也会减速的缘故）。今天，亲眼目睹全国各地无人车的科研人员，冒着这么多风险追求他们的“智能车”之梦，不能不感到钦佩。多少次的试错和失败，才能换来“智能车”技术的进步！王飞跃老师指着我面前这辆炫目的迷彩车说，这辆是前年的冠军车：“军事交通学院猛狮号”。他说：“这是李德毅院士他们研制的车，今年他们有 6-7 辆加盟车参赛，大概占了参赛车总数的三分之一”。我心想，李德毅院士的车队实力超强啊，不仅参赛车队多，还具有问鼎的冠军相。这时，一回头发现李德毅院士和秦继荣老师、刘玉超正站在我们身后。李德毅院士看起来对自己的车队再度夺冠信心满满，他高兴地站在自己旗下的军交猛狮号前面，与总裁判长王飞跃、中国指挥与控制学会秦继荣秘书长一起合影留念。紧张的比赛还在进行中，这辆蓝色的“军交猛狮”在前面的路段被西安交通大学的一辆参赛车堵在路上，刘玉超他们在每个路段都派有工作人员探测直播路况。原来那辆西交大的无人车在前面连续撞了十个锥形路标，还在红绿灯处进行了人工干预。午餐时，我们在食堂看到了比赛的实时评分表。果然那辆闯祸的西安交大参赛车只得了 30 分，而“军交猛狮”得到 150 分的满分。根据新华社的报道，国家自然科学基金委员会相关项目负责人介绍，本届比赛选择常熟的城郊、市区、高速公路和校园等环境道路约 14.5 公里，结合不同难度的测试任务考核、测评和验证无人驾驶车辆智能水平，特别是其安全性、智能性、速度和舒适平顺性 , 即 4S 特性。与欧美等国家所研发的无人驾驶车辆不同的是，外国车辆基本依赖 GPS 信息和电子地图导航，本届中国智能车未来挑战赛的车辆主要依靠车载摄像机等传感器感知自然环境，以验证计算机代替人处理视觉信息的能力及效率。赛事设立交 / 高架桥、匝道及辅路进出、校园进出、交叉路口通行、执行 U-TURN 、特殊路段通行以及一定交通流下的动态自主路径规划等考核内容。来自国内不同研发单位的 22 辆无人驾驶智能车辆参加了为期两天的比赛。上面这辆无人车就是高德公司赞助的。比赛中，无人驾驶车辆利用传感器进行环境感知，应用感知信息处理、信息决策和执行控制等过程实施车辆自主行驶。无人驾驶车辆的智能技术可以降低道路交通死亡率和提高交通系统效率与安全性，也可为国防安全领域相关研究与应用提供关键技术。近年来，无人驾驶车辆已成为欧美日等发达国家研究的热点，各知名汽车公司和大学研发的各种类型无人驾驶车辆及相关技术也受到了人们的广泛关注和热议。特别是在互联网环境下的无人驾驶车辆和智能系统的研究更是成为推动当前信息技术、传感器技术和认知科学相结合的发展引擎。最近，美欧等国家也已开始建设真实道路环境来推动无人驾驶车辆的实际应用。根据光明网的报道，中国工程院院士、重大研究计划指导专家组组长郑南宁介绍，智能车是为人服务的，它要把实验室的研究成果走向真实世界，一定要在真实的交通环境下进行检测。今年在道路的选择，还有整体比赛的内容和交通的状况上，比去年都更复杂，更接近真实的交通场景。所以本届比赛将是历年来难度最高、规模最大的一次。共进行“城区道路特定行驶任务”和“综合道路行驶任务”两大部分测试，其中综合道路部分在去年城郊道路的基础上，添加了高速公路路段的模拟测试。下午比赛还在继续，我在起点也见到了郑南宁院士。而清华大学智能车一出发也抛锚了，车队的主管跟郑南宁老师解释说原因是数据丢包。在后面的赛程中，还传来了这辆车半途撞树，发动机盖也被撞瘪的惨烈图片。面对身边几个启动时有停顿和犹豫，出发后跑偏甚至抛锚，碰撞裁判和电线杆的“智能”车，我也多少有些怀疑让无人驾驶车在 10 年内上路，甚至到 2020 年代，无人车成为交通运输主流的愿景有些过于理想化。于是我满心疑虑地向郑南宁院士提问：“您这么多年一直参加大赛，这些无人车的水平有提高么？” 没想到郑南宁院士对我说：“ 那进步可大了。第一次比赛的时候，我们是跟在车后面走；第二次是跟在车后面小跑，一小时 7 公里大概的速度。现在已经肯定以百米冲刺的速度也追不上了。 ”他回忆道：“ 第一次比赛只有 7 辆车，其中一辆是邀请来的国外表演车 , 国内有两部还不能动 , 没有比赛。赛场是酒店的一个场地，外加野外 3 公里赛道。今年是第六届，已经是 22 个车队，除九宫格城市道路外，综合赛道长达 14.5 公里。” 的确，第二天的九宫格城市道路比赛，还有假人过马路，有人车辆穿插行驶等复杂道路环境下的新挑战，在最后的决战中比赛难度更高。与李德毅院士和刘玉超交谈得知，智能车挑战赛是基金委的一个项目，国家在十二五期间出两个亿经费， 6-7 个大学和科研单位在此期间研发无人车，挑战赛则作为成果的展示。作为国家自然科学基金委员会重大研究计划的重要组成部分，“中国智能车未来挑战赛”创办于 2009 年，其目的是通过真实物理环境中的比赛来交流和验证我国“视听觉信息的认知计算”研究进展和成果，搭建具有自然环境感知与智能行为决策能力的无人驾驶车辆验证平台，从而产生能满足国家重大需求并具有原创性的重大研究成果。但体制的弊端体现在研发团队少，规模小，延续性差。有些老师申请了项目后，就带着几个学生做，过几年学生毕业，团队就散了。而且，这个项目大多是计算机领域的学者研究，机电和汽车的领域参与少，缺少不同专业之间的交叉碰撞，大家往往招手多握手少。我们坐在比赛现场搭设的直播大屏幕对面观看比赛，军事交通学院的军交猛狮 2 号最后登场。这辆红色的猛狮才是李德毅院士联盟车队里的一号“种子”选手，据说上午那辆蓝色的猛狮是它的“备份”，也就是 2 号种子选手。看到“红色猛狮”启动时的霸气和流畅，我忙着押注到它的身上：“我打赌它一定能拿冠军！”李德毅院士也兴奋地说：“我也押它！” 这辆红色猛狮如此有王者之风，秘密何在呢？刘玉超介绍说：“ 跨界融合真的很重要，我们的车算法、传感器都不是最强，可是我们有 10 个课题组。机械、电子电气、架构，雷达、图像、导航，决策、控制，交互、试验。每辆车都有车长，车长一定要由架构组长担任。 ”他说：“ 我们国家从事无人系统研究已有很多年了，已经积累了很多技术经验。” 我们都紧张地盯着大屏幕，这辆红色猛狮在拐弯时表现非常出色，在锥形路标设置的路障面前略有一点犹豫，但还是顺利通过。军交猛狮 2 号是今天比赛最后出场的赛车，天色已经阴沉了下来。一辆又一辆赛车抵达了比赛的终点，我们看好的“红色猛狮”也终于回来了！它行驶 14.5 公里的全程只用了二十几分钟！只见这辆“红色猛狮”缓缓地在停车线前面减速，它已经看到了今天比赛的“终点”。它在慢慢地靠近停车线，我们都站起身来为它加油！前面的车有越线的，有停错车道的，但军交猛狮 2 号显然更沉着更有智能。它稳稳地停在了终点线前面，给今天的比赛划上完美的休止符。只见裁判们飞快地跑到它跟前，测量车轮到停车线的间距（作为评分依据）。今天得到的最终成绩，红色猛狮总成绩 377 分，获得 2014 年中国智能车未来挑战赛冠军！蓝色猛狮总成绩 355 分，稳居亚军。而北京联合大学的京龙二号和京龙一号以 207 和 204 的总分获第三与第四名。红色猛狮果然称雄！我们离开了赛场，还在回味着今天比赛中众多惊心动魄的画面。虽然还是有不那么“智能”的赛车上演撞树、撞裁判、撞路障等惊险戏码，但也让“红色猛狮”这样的“王者”脱颖而出。而且，正是因为郑南宁、李德毅、王飞跃这些中国智能车研发的先驱，有跟在“无人车”后面走，跟在赛车后面跑，不怕车撞的科学探索与创新冒险精神，有无人车研发者的不懈努力与追求，才让中国的智能在短短 6 年间发展到了可以在常熟赛场“上路”的水平。我想，总有一天，更加智能的无人车将安全、高效地行驶在我们身边。而“中国智能车未来挑战赛”将成为能与一级方程式那样让世人瞩目的赛事！那时，奇点就真的来临了。; 个人分类: 科研记事|12760 次阅读|21 个评论

祝贺"老朋友"的成就: 王飞跃 2013-11-24 00:01; 认识MT十余年，2005年Las Vegas 的IEEE IV的Keynote Speech使他进入ITSS，后又邀他做T-ITS的AE，十年的交往可成一本书。祝贺Mohan 获IEEE ITS Outstanding Research Award! Dear Fei-Yue, Please accept my sincere thanks for your friendship and support..mohan 11/5/13 Pioneer in Smart Car Revolution Honored by IEEE Society University of California, San Diego electrical and computer engineering professor Mohan Trivedi is the recipient of the 2013 Outstanding Research Award from the IEEE Intelligent Transportation Systems (ITS) Society. The award is given annually to recognize outstanding contributions to research in intelligent transportation as well as contributions to the ITS community. Professor Trivedi was cited for his “contributions to machine vision and learning for intelligent vehicles, and driver assistance and transportation systems.” He was honored with the award at the 16th International IEEE Conference on Intelligent Transport Systems in the Dutch capital, The Hague. Full Story Pioneer in Smart Car Revolution Honored by IEEE Society San Diego, Calif., Nov. 5, 2013 -- University of California, San Diego electrical and computer engineering professor Mohan Trivedi is the recipient of the 2013 Outstanding Research Award from the IEEE Intelligent Transportation Systems (ITS) Society. The award is given annually to recognize outstanding contributions to research in intelligent transportation as well as contributions to the ITS community. UCSD's Mohan Trivedi (center) accepts the 2013 Outstanding Research Award from Intelligent Transportation Systems Society President Christoph Stiller (left) and ITS Society awards chair Jason Geng. Courtesy: Javier Sanchez Medina, Universidad de Las Palmas de Gran Canaria Professor Trivedi was cited for his “contributions to machine vision and learning for intelligent vehicles, and driver assistance and transportation systems.” He was honored with the award at the 16th International IEEE Conference on Intelligent Transport Systems in the Dutch capital, The Hague. The director of UC San Diego’s Laboratory for Intelligent and Safe Automobiles (LISA) received his award from the current President of the ITS Society, Christoph Stiller (pictured, at left), a professor from Germany’s Karlsruhe Institute of Technology. According to UC Riverside professor Matthew Barth, who will take over as President of the ITS Society in January, Trivedi has been a pioneering contributor to the ITS Society. “Not only has he helped guide it through a rapid growth stage, but he has served as an unofficial mentor to many of the younger members of the society, including myself,” said Barth. “He is very friendly, collaborative, and always looking for ways of bringing different people together to promote new research. In addition, his computer-vision research applied to the transportation arena has been very valuable in terms of improving safety, mobility, and the environment. He is a great collaborator and friend.” “Professor Trivedi is the author or co-author of numerous papers on traffic systems and vehicle control, including in particular, applications of machine vision,” said Berthold K.P. Horn, a leading researcher at MIT. “He has done much to push the field ahead both in his home institution and worldwide. His Laboratory for Intelligent and Safe Automobiles is well known and widely respected – and I just assigned one of his recent papers as required reading to students involved in one of our own projects.” Horn is also a member of MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL). Trivedi delivers his acceptance talk, focusing on holistic perception for active safety in intelligent vehicles. Click here to watch the presentation . In addition to accepting the award at the official dinner, Trivedi gave a formal presentation the following morning. In it, he observed that cars are getting smarter, but he does not expect autonomous vehicles to take over roadways anytime soon. He raised a question that he called “the elephant in the room”: What happens if drivers do not want to hand over the driver’s seat to fully autonomous systems? Added Trivedi: “Do we really think they want to hand over all the responsibility to a robot?” While the idea of autonomous vehicles continues to capture the imagination of the news media, Trivedi has focused instead on what he calls a driver-centered, holistic approach to tomorrow’s intelligent vehicles. “Understanding human behavior is very important for humans, and I would suggest that this is part of the intelligence that has evolved in us to give us better understanding of each other and various situations,” said Trivedi. “Understanding human behavior may be essential for robotic systems too. So we may want to think about these two systems not as ones that will fight with each other, but as a distributed, cognitive, intelligent system, where they share what they perceive and control in a very harmonious manner.” For more than a decade, researchers in Trivedi’s lab have developed technologies that capture and integrate visual and other information about the driver, the vehicle, and the area surrounding the vehicle. “What impresses me is his focus on making road traffic safer through what he calls an holistic approach to systems, combining development of models for the driver, vehicle, and the vehicle’s surroundings as well as the various activities associated with the complex task of safe driving,” said UC Berkeley Professor Pravin Varaiya, winner of the 2009 IEEE Intelligent Transportation Systems Society Outstanding Research Award. “This research has led to an accumulation of new insights and algorithms for capturing the dynamic environment of the vehicle and the state, intent and activity patterns of drivers.” Ever since 2001, when Trivedi’s team deployed a crude model from Mercedes with a system of then-bulky cameras to test computer-vision algorithms, the researchers have undertaken research projects funded by wother auto manufacturers, including Nissan, Toyota, Volkswagen and Audi, as well as various federal and California funding programs. In a short period, carmakers have implemented computer vision systems that have already gone a long way toward what Trivedi calls LiLo – “looking in and looking out” vision. LISA researchers have demonstrated the ability to predict that a driver will change lanes a full two seconds before the driver does so. Similarly predictive systems can tell in advance whether a driver plans to turn left or right. In his latest, three-year project with Audi – part of the Audi Intelligent Urban Assist program – Trivedi’s team developed systems to assist drivers in large metropolitan areas. The UC San Diego engineers developed a way to tell the driver when it’s safe to merge into another lane. The car can also recommend the best speed at which to merge into the designated lane, based on the distances and speeds of cars in surrounding lanes. Another technology developed with Audi makes it possible for the car to brake automatically if the car’s computer detects that the driver is not alert to an impending danger. Trivedi talks about his looking in and looking out approach to computer vision for automotive safety. Click here to watch a 5-minute video retrospective about the efforts of LISA researchers, including on the latest Audi project. Looking to the future, Trivedi told his fellow Intelligent Transportation Systems researchers that there is still a lot to learn from looking in and looking out of the vehicle. Current predictive cues are generally gathered from the face, but hand and foot movements also offer valuable cues. Meanwhile, Trivedi is convinced that people will remain in the driver’s seat for the foreseeable future, but with much more assistance from their cars’ cameras and computers. “Prediction is very difficult but I really believe that several billion of us will not, one fine morning five years from now, decide that we don’t want to have anything to do with cars,” Trivedi told the audience in The Hague. “We really want to live in a world where both of us distribute our cognitive intelligent capabilities – and co-exist.” Media Contacts Doug Ramsey Jacobs School of Engineering Phone: 858-822-5825 dramsey@ucsd.edu Related Links IEEE Intelligent Transportation Systems Society » 16th International IEEE Conference on Intelligent Transport Systems » Video: Mohan Trivedi: Holistic Perception for Active Safety in Intelligent » Video: IEEE ITS Society Outstanding Research Award » Laboratory for Intelligent and Safe Automobiles (LISA) » LISA Google Scholar Publications » Jacobs School of Engineering » Electrical and Computer Engineering » Qualcomm Institute of Calit2 » Youtube1: ITSC 2013 获奖报告 Youtube2: 项目讲座; 个人分类: 学海泛舟|11366 次阅读|0 个评论

更多...

帐号		自动登录	找回密码
密码			注册

关闭 安全验证

标签: 智能车

相关帖子

相关日志

关闭安全验证