澳门大学须成忠：「保守」无法推动智能驾驶行业进步|第四届全球智能驾驶峰会

2021 年 12 月 10 日，由雷峰网 & 新智驾主办的第四届「全球智能驾驶峰会」在深圳正式召开。

这一次，雷峰网新智驾以「智能驾驶鏖战时刻 」为主题，将话筒递给业内 19 家标杆企业，辐射 13 大技术/场景，覆盖智能驾驶算法、芯片、感知、落地等多个维度，每个领域只筛选最具代表性的一家企业。

遵循“基础理论技术创新”和“行业解决方案落地”两项黄金标准，演讲嘉宾向行业分享他们对过去经验的总结回顾、对未来趋势的预测以及行之有效的模式的分享。

峰会之上，澳门大学科技学院院长须成忠带来了题为「车路协同下的无人驾驶研究与展望」的精彩演讲。

须成忠在会上指出，智能驾驶催生了新的经济、新的时代，所以对人们的生活、社会将产生重大的影响。

相对于国外的市场环境，国内对智能驾驶事故的容忍度很低，所以业界玩家谨小慎微。但大家应该知道，在保守的策略下，事故少不代表技术好，同时大家也应该牢记，失败是成功之母。

为此，须成忠还向业界呼吁，要大胆地测试，如果永远秉持保守的策略，技术很难有实质性的进步。

至于如何推动技术创新，须成忠也强调了诸多要点。比如，现阶段智能驾驶的实现很大程度上依赖于深度学习，但深度学习没法完全保证系统可靠性的问题，应该利用多个信息源，构建可信环境的全息感知。

目前，须成忠已经带领团队搭建了一个自动驾驶测试巴士平台，经过不断调整、改造，自动驾驶巴士的稳定性、安全性也得到了迅速提升，正在澳门大学校园里的公共开放道路进行试运营。

另外，须成忠的团队还打造了一个面向未来交通的增强模拟实验平台，涵盖了自动驾驶中大部分场景场景以及边缘场景、能够实现自动驾驶算法测试、有人/无人驾驶混行、基于数字孪生的协同控制、自动驾驶算法挑战赛等功能。

以下是须成忠演讲全文，雷峰网新智驾做了不改变原意的整理与编辑：

大家上午好！非常惭愧，刚才主持人说我是业界的领军（人物），但是我不敢当。我看了一下今天上午的演讲嘉宾，我是唯一一个来自学界的，又是开场嘉宾，所以会给大家多讲一点技术，演讲的题目是「车路协同下的智能驾驶技术研究与展望」。

我来自澳门大学，澳门大学有一个科技部智慧城市物联网国家重点实验室，我负责智慧交通，而智慧交通又包含了智能驾驶。

大家现在谈智慧城市、智慧交通、智慧出行，这几个热门赛道非常重要的趋势就是网联化、自动化、共享化、电动化。我们今天谈的是网联化和自动化，汽车怎么自动驾驶，以及自动驾驶怎么逐渐和车路协同结合起来，这些会对人们的日常生活、社会经济、道路安全等多个方面产生影响。

先给大家稍微科普一下自动驾驶的历史。事实上，在汽车诞生之初，人们就已经憧憬过汽车的自动驾驶功能，但直到2004 年的 DARPA 挑战赛才开始萌芽，开始自动驾驶的新纪元。

不过，2004 年并没有任何一个参赛车队顺利完成比赛；2005 年有了进步，五个自动驾驶车队达到了终点；2007 年，DARPA 挑战赛将赛场从沙漠拓展到了城市道路，当时有两个车队分别在两个场景下获得冠军，随后 Google 将两支车队收入囊中，开创了今天意义上的智能驾驶时代。

随后，各路智能驾驶玩家出现，各种技术路线风起云涌。在国内，百度于 2013 年启动自动驾驶的研究，包括今天在座的很多业界翘楚都在做智能驾驶，都在无人配送、无人出租车、无人货运、无人巴士等细分领域深耕。这一切的核心是基于数据驱动的智能驾驶。

有调研报道，2023 年所有汽车或多或少都有会具有自动驾驶功能，从自动泊车，到辅助驾驶，再到智能驾驶甚至是无人驾驶，这是回避不了的趋势。2021 年也有许多市场调研报告表明智能驾驶方兴未艾、非常火爆，尽管它之前经历了一轮的高峰走向低谷。

实际上，新技术的诞生都会有这样那样的坎坷经历，从最早的 Waymo、Uber，到现在的特斯拉等车企，媒体不断地追踪报导与自动驾驶相关的事故。Waymo 是在实验室做测试，而特斯拉采取的策略是是让用户帮忙做测试。

我在这里要说的是，中国市场没有出现这样的事故，并不是说我们的技术做得多好、多牛，而是我们的文化，很难容忍智能驾驶事故。但我们应该知道失败是成功之母，没有失败就没有成功。

今天有很多业界的朋友在这里，所以我要呼吁一下：要大胆地测试，如果永远秉持一种保守的策略，我们的技术很难进步。这是我个人的理解！

关于智能驾驶，澳门正在进行一个叫做“MoCAD”（Mocau Connected and Automative Driviving）的智能驾驶技术研究项目，目前是我在负责。我们团队有一个愿景，即打造高可靠、高可信的无人驾驶核心关键技术，解决无人驾驶推广应用中存在的技术问题。同时打造智能驾驶车载平台和车路协同智能驾驶实验基地；目标就是要解决三个问题：如何帮助智能驾驶从封闭场景走向开放场景、如何帮助单车智能实现协同智能、如何利用“云端”智能实现自动驾驶的超智能。

下面我给大家简单介绍一下我们正在做的一些工作。首先我们搭建了一个智能驾驶巴士测试和研发平台，经过不断调整、改造，基于该平台打造的智能驾驶巴士的稳定性、安全性都得到了迅速提升，能够很好地应对突发性事件。目前，车辆在澳门大学内进行测试运营，校园里基本都是公共开放道路。

不仅如此，我们还打造了一个面向未来城市交通的增强模拟实验平台，基于数字孪生，涵盖智能驾驶过程中常见场景以及边缘场景，实现自动驾驶算法测试以及有人/无人驾驶的混行。

同时，我们还在校园里部署了基于 V2X 车联网的车路云协同技术，即澳门自动驾驶车路协同平台。

在一些关键技术上，我们也进行了探索创新。对于智能驾驶来说，感知是必不可少的一环，我们希望车辆对环境的感知能够通过 AI 技术来进行融合，从而实现正确的认知、规划以及控制。另一个关键技术关于车联网和边缘计算，这两者怎么辅助车路感知、怎么实现协同认知、怎么最好决策与规划，我们也在探索。

目前，从感知智能到认知智能到规划智能，可以看作是基于数据驱动的横向发展，那么纵向发展就是基于深度学习的模型训练、模型推理、及边缘智能。

首先是可信环境全息感知。单个传感器总是有不确定性、不可靠性，我们要学会利用多个信息源，融合各个传感器的优点提升信息感知的可靠性。譬如，很多时候摄像头无法抵御外界的扰动（雨雪天气或是人为破坏），可能会出现“南辕北辙”的识别结果，从而导致系统可靠性的出现问题。

我们针对此我们提出的基于对攻防御的方法在人工智能顶会 CVPR’2021 以会议最高宣读形式发表；同时也参加了 CVPR 的安全挑战赛，获得亚军的成绩。

除了多传感器融合，还要解决在未知场景中的精确定位认知问题。现在业界的智能驾驶车辆，上路前都会将道路数据收集好、搭建高精地图，也就是所谓的预先性。那么，在未知场景中，车辆怎么进行自学习？自学习功能怎么训练？怎么提升整个系统的能力？这些都需要大家去思考。

还有就是地图导航，现在业界对地图的使用非常广泛，包括数据的采集以及拼接等。那么，我们怎么利用边缘计算以及云计算来进行高精度定位？怎么在未知场景下，通过自有探索方法来建图？ 传统的地图是２Ｄ的，自动驾驶需要３D地图以更好适应路况的变化。比如如何基于点云构造三维高精地图？因为点云存储量较大，但智能驾驶车辆的存储空间非常有限。高精地图如何表示才能使得相关工作的存储表达更加高效？针对所有这些问题，我们提出了一系列有针对性的高效方法，相关论文在自动驾驶会议 IROS和ICRA上。

在智能决策与规划方面，宏观的导航问题已经基本解决，微观的实时控制也随着线控技术的发展变得越来越成熟。相比之下中观的决策规划更有挑战性。在道路空旷路段，要做好静态物体的实时检测避障、交通标记的识别并满足交通规则等；在有其他交通参与者的时候，更要检测动态物体并解决道路共享问题。传统的方法是基于规则，但适应性较差。最新的思路是基于模型训练的深度学习方法。

当我们把训练好的模型放到应用到车辆上，还涉及到一个规划决策实时性的问题。这也与车辆的允许速度密切相关。之前跟业界交流，大家也都普遍认为高速驾驶挑战较大，因为既要在确保精度的同时，又要保障实时性。

我们怎么在软硬件计算资源非常有限的情况下做好这样的工作？模型压缩，通过模型压缩降低精度来获取决策的速度。有关这些问题，我们也总结了一些方法，首先就是把编码进行压缩/裁剪，对有用的信息做加权、对无用的信息做裁剪，即 Feature Boosting 方法和硬件实现，论文也发表在人工智能顶尖年会 ICLR’2019和NeurIP’2020上。

我们非常自豪做了许多关于智能驾驶技术的研究，发表了不少相关的论文，也非常希望能够给这个领域带来一些影响和启示。因为时间关系今天就不具体谈了。

智能驾驶必将带来一场深刻的出行革命，基于 AI 技术我们会进一步推动智能驾驶的技术落地。但我们的文化对失败的包容性不够，大家做智能驾驶都是谨小慎微，所以我们希望社会对业界积极探索可能带来的问题能够有更多的包容。

谢谢大家！