无人驾驶前沿~CCF-GAIR 2019--港科大自主驾驶中心主任刘明~《低速无人驾驶系统的应用关键要素》学习记录

演讲机构：香港科技大学智能驾驶中心

演讲题目：《低速自主驾驶的技术要素》

演讲人：刘明 香港科技大学智能驾驶中心主任、机器人与多感知实验室主任

刘明教授，博士毕业于瑞士苏黎世联邦理工学院（ETH），现任香港科技大学智能驾驶中心主任、机器人与多感知实验室主任，兼任多家知名科技公司首席科学家，香港科技大学电子与计算机工程学系助理教授；在机器人领域累计发表论文100余篇，近五年获得了12次国际会议最佳论文或提名奖，以及包括中国人工智能最高奖—— “吴文俊人工智能科学技术奖”在内的多项奖励。2018年10月， 刘明教授获得IROS Toshio Fukuda Young Professional Award,成为首位获得此奖项的华人。

刘明及其团队选择了以深度强化学习为框架，工程模块化系统作为辅助的无人驾驶技术路线；在原型车上，采用了二类商用车底盘的配置。刘明认为，一台好车应该是“无人驾驶二类商用车底盘 + 完整的可量产无人车解决方案”的组合。

目前无人驾驶的技术分为两大类：

一类是以端到端深度强化学习为主的模式，是偏高速车的常用方案；

另一类是比较传统的工程模块化系统。

事实上，这两种技术路线各有优劣势。端到端深度强化学习的优势在于容易做出working demo，劣势则是场景迁移能力比较弱，对样本的数量和质量都有较高要求。工程模块化系统的优势在于完成决策系统后，其他地方不会有太大纰漏，劣势在于实现精准的系统定位、障碍检测、决策、控制，需要大量的技术积累。

所以我们选择了以工程模块化为框架，深度强化学习作为辅助的模式，大致定义了一套从运营逻辑及数据接口、到无人系统核心技术模块、再到核心支撑技术的路线。简单来说包括感知系统、决策与预测系统，规划与控制以及相应的支撑技术六方面。

在感知系统方面，我们利用三维感知建图与定位，多视觉惯导融合系统、单个实时雷达来获取场景。得到三维场景之后，我们会进行实时的三维几何场景分析、三维语义场景分析、视觉场景语义分析，然后利用嵌入式平台实现基于像素点的语义分割。在三维激光场景上，可以实现实时的激光场景语义分析、手持及车载大范围实时建图，路面环境可行区域检测等技术。各位有兴趣可以到我们实验室的网站ram-lab.com做进一步了解。在感知方面，我们可以说是世界级水平。

得到三维模型的下一步是决策预测，决策预测系统包括了实时多车间协调控制、多信息的融合等技术。车辆模型辅助动态决策利用视觉和激光检测的结果，对动态物体运动行为进行预测，结合车身的动力学模型，实现控制路径的决策和规划。

近几年行业在深度强化学习点到点导航、环境探索、多机器人任务分配方面投入比较多。

除了决策预测，如何实现三维场景下的路径规划、基于迁移学习的强化学习、对复杂控制系统（如无人船、无人车）的控制都是需要解决的问题。

以上的内容都属于算法类型，与每个算法相对应的是后台的硬件或平台支撑。与感知系统对应的是传感器技术。我们目前有一款包含激光、视觉、惯性导航等七个传感器在内的集成硬件同步触发产品，并在产品基础之上开发了相当数量的算法，涵盖了姿态估计、建图、定位、识别、跟踪等，这套多感知内容获得了IEEE IROS最佳学生论文奖提名。

在算力方面，除了传统的CPU、GPU模式，我们也立项了FPGA模式来作为算法方案。

但最重要的是，无人车技术要落实到车辆上。算法就算再前沿，车本身才是决定量产的关键。我们做了一款近乎量产的车型。该车型可以安装36个10号国标周转箱，整体载重最高达1.5吨，目前在各个园区做相关推广以及部署尝试。我们会根据实际应用场景的需求来做配合工作，比如客户提出不同的标准箱要求，我们会进行箱体数量的排列、优化箱体设计与配重设计，电池换电、转向系统等一系列工作。在初始阶段，我们会采用标准商用车底盘将原型车先做出来，然后以量产件实现交付。

有了技术、原型车、场景之后，下一步是什么？我本身职业是香港科技大学教授，可能无法完全从工厂或设备的角度来做无人车的开发工作。但我认为，实现无人车最重要的理念是，首先要有一部好车。最好的车就是标准的商用车。我们选用的是无人驾驶的二类商用车底盘，包括夸父系列，里面的ABS（防抱死制动系统）、EPS（电动转向系统）、ESP（车身电子稳定控制系统）、iBooster（线控制动系统）、EPB（电子驻车制动系统）及电池管理系统胎压检测等配置都和一般商用车差别不大，甚至很多配置只有在高端商用车上才能见到。