浙江大学钱炜，无人驾驶中的人工智能挑战

浙江大学钱炜，无人驾驶中的人工智能挑战 ｜ AI 研习社第 86 期大讲堂

雷锋网 AI 科技评论编者按：随着人工智能技术的发展，无人驾驶逐渐变得可能。虽然人工智能发展给无人驾驶带来了诸多红利，但是该领域依旧存在着一些人工智能技术挑战。

地面交通工具在不断革新，我们希望无人驾驶汽车能为大家提供一个更安全的环境，将司机从疲劳驾驶的潜在危险中解脱出来。为此 Google 从 2009 年就开始研发无人驾驶汽车，近几年，业界对无人驾驶汽车的投入也越发庞大，大家也觉得无人驾驶技术的落地越来越近了。

为此，研究人员构建了 SIFT 、SURF 等优秀的人工特征，这些特征在 2012 年前确实表现非常好，但不如深度学习的表现。2006 年，Hinton 等人提出深度学习的概念，建立起人脑一样具有深层结构的神经网络，人脑神经元是有层次的，信号一层一层向前传递。比如在图像任务中，深度学习会直接输入原始图像而不是人工构造好的特征，然后模型有层次地抽象特征和表达，最后的高级特征和模型输出会高度相关，能够得到很好的效果。

相较于深层学习，我们将传统的机器学习叫做浅层学习。与浅层学习不同，深度学习能有效利用海量数据，随着训练数据数量的提升，深度学习方法能达到更高的准确率。

为此我们也设计了功耗低于 10w，能满足车载模型所需算力的芯片，来加速无人驾驶汽车的落地。我们首创了深度学习专用 MPV 架构，其除了集成超过 13 亿（全中国人口）纳米级晶体管 (人类头发的 1/3000)，能高度并行的数据读写、计算外，还为无人驾驶定制了大型计算模块 。

尽管人工智能的发展带来了很多帮助，但是无人驾驶中仍然存在很多挑战。我讲一个和大家关系比较紧密但是容易被忽视的问题——对于问题的理解。

传统 SLAM 一般使用基于特征点的模式（feature-based），但这种模式并不能很好地适用于无人驾驶场景。