1
| 本文作者： 張偉 | 2016-09-14 09:00 | 專題：GPU引爆中國新興企業——GTC CHINA2016大會專題 |
前英特爾中國研究院院長、馭勢科技CEO吳甘沙在Nvidia GTC大會上演講
當吳甘沙的身份變成馭勢科技CEO之后，他也成為各類自動駕駛論壇的常客，此次Nvidia在京舉辦的GPU技術大會，便有他的主題演講。從現場的幻燈片來看，大致內容與以往相比無太大變化，有一些小更新，我們來回顧一下。
與業界多數人觀點一致，吳甘沙認為人工智能是未來大趨勢，2016年的人工智能相當于1996年的互聯網和1976年的PC，后兩者分別引領了20年的數字化和網絡化，接下來的20年將是人工智能波瀾壯闊的20年。
篤定智能駕駛的未來
在吳甘沙看來，未來5到10年，智能駕駛的市場輻射規模將是最大的，而且社會效應也會最卓著。因為在2020這個重要的時間節點，多數車廠都會推出新的車型，帶動激光雷達的訂單增長，從而將單價從75000美元壓縮到500美元以內，推動自動駕駛汽車的量產。
在過往的多次演講中，吳甘沙已經闡述了其對智能駕駛發展階段的界定：
吳甘沙眼中的智能駕駛發展階段，這一次他沒提203X年（制表：雷鋒網）
目前我們還只經歷了前兩個階段：從駕駛輔助到輔助駕駛。二者的技術要求也有很大不同。
1、駕駛輔助重要的是誤報率要低，而漏報率則并沒有那么重要。
2、輔助駕駛漏報率必須是0，同時其誤報率也必須非常低。
因為一次漏報就可能車毀人亡，而莫名其妙緊急剎車則非常影響體驗，同時很危險。
1、駕駛輔助只需要視覺傳感器來做感知。
2、輔助駕駛需要視覺、毫米波/超聲波雷達等多傳感器融合來做感知、規劃、決策及控制等一系列動作。
▼
如今，多數廠商都想在輔助駕駛上做得更好。
吳甘沙照例以特斯拉在5月份的首起自動駕駛撞車事故為例闡述了目前解決方案的一些弊端：因為攝像頭和激光雷達存在不可避免的缺陷（比如不能清晰辨別出前方是車身還是橋梁）而釀成悲劇。目前特斯拉也正在不斷升級其輔助駕駛系統。
針對此，吳甘沙給出的方案是：
1、通過深度學習算法，進行車輛識別、行人識別、標識牌識別以及車道線識別，無論遠近、類型、角度還是有無遮擋都能識別，感知環境能力更強。但是當其他車輛從本車的側后方出現時，很難識別出來，這個時候，深度學習算法也是有缺陷的。
2、基于立體視覺的算法，通過立體攝像頭進行車輛捕捉和識別，深度學習算法的缺陷就被彌補了。并且還能識別出不平整的道路表面。
三目立體攝像頭（左中右三個攝像頭）
3、建立一個多任務的識別網絡，將深度學習算法和立體視覺算法組合在一起，系統性對行人、車輛、標示、車道線等進行識別。
而且，他正在建立一個全面的世界模型，可以識別不同國家、地區道路上的突發狀況（例如澳大利亞袋鼠跳到路上、中東地區的駱駝闖入道路等），同時將深度學習算法融合進去，令輔助駕駛表現得更好。
全面世界模型
除去以上路面檢測部分，還有可行駛區域（道路的可行駛范圍）以及非結構化道路（雪天的道路邊界被掩埋）的檢測，這個時候也需要深度學習算法來讓檢測更加精確。
▼
識別與檢測方案給出后，接下來要解決定位與地圖的問題：達到分米甚至厘米的精度。
定位方案
目前很多廠商使用慣性導航系統與GPS RTK（高精度GPS）作為解決方案，可以給出準確的定位信息。但是目前慣導系統基本上價格非常昂貴，并不是最優解。
吳甘沙認為，使用視覺里程計代替慣性導航系統，也能實現不錯的效果，準確率很高。目前他的團隊正在做這件事。
地圖方案
區別于Google和其他地圖廠商的高精度地圖，目前吳甘沙給出的地圖方案是：
1、基于Landmark（即道路標識：道路兩旁的標牌）；
2、基于Lanemark（上帝視角鳥瞰“Bird View”道路表面的標線），精度達到10cm的級別。
這種方案的地圖采集設備價格較低、定位設備價格較低且實時更新，是為自動駕駛專門制作的地圖。
▼
吳甘沙還提到，目前攝像頭還有很多創新的機會，可以借鑒自然界一些鬼斧神工的創造比如：蒼蠅的腹眼、老鷹的超遠距離眼、變色龍的360度環視眼、哈士奇的夜視眼。
未來，一輛車身上將有6-8個高精度攝像頭，分辨率超過750萬像素，與毫米波/激光雷達更好地進行融合，在異構視覺融合方面做得更出色，服務于自動駕駛甚至無人駕駛。
最后，他認為，并不是最好的深度學習算法就是最適合解決問題的（方案），軟件和硬件要針對問題進行適配。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
