王健美 鄧明榮 胥彥玲

（北京市科學技術情報研究所，北京 100044）

主題詞：無人駕駛 智能汽車 IEEE IV 技術創(chuàng)新 技術應用 最新進展

1 引言

隨著信息通信、互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、人工智能等新技術在汽車領域廣泛應用，汽車正加速向智能化轉(zhuǎn)變，智能汽車已成為未來汽車工業(yè)乃至人工智能產(chǎn)業(yè)的戰(zhàn)略發(fā)展方向。

2015年，國務院印發(fā)《中國制造2025》，明確將無人駕駛作為汽車產(chǎn)業(yè)未來轉(zhuǎn)型升級的重要方向，“電動化、智能化、網(wǎng)聯(lián)化、共享化”成為汽車產(chǎn)業(yè)發(fā)展的新趨勢[1]。2017年4月，工信部、國家發(fā)改委、科技部發(fā)布《汽車產(chǎn)業(yè)中長期發(fā)展規(guī)劃》，提出到2020年，汽車DA（駕駛輔助）、PA（部分自動駕駛）、CA（有條件自動駕駛）系統(tǒng)新車裝配率超過50%，網(wǎng)聯(lián)式駕駛輔助系統(tǒng)裝配率達到10%，滿足智慧交通城市建設需求。到2025年，汽車DA、PA、CA新車裝配率達80%，其中PA、CA級新車裝配率達25%，高度和完全自動駕駛汽車開始進入市場[2]。2018年1月，國家發(fā)改委發(fā)布了《智能汽車創(chuàng)新發(fā)展戰(zhàn)略》（征求意見稿），提出到2020年我國智能汽車新車占比達50%，到2035年中國將在全球范圍內(nèi)率先建成智能汽車強國，全民共享“安全、高效、綠色、文明”的智能汽車社會[3]。

在此背景下，由IEEE智能交通系統(tǒng)協(xié)會主辦，中國自動化學會等機構承辦的第29屆IEEE國際智能車大會（IEEE IV 2018）于2018年6月底在江蘇常熟召開。大會同期還舉辦了“智能汽車跨界融合高峰論壇”和“智能汽車產(chǎn)業(yè)展（IEEE IV 2018產(chǎn)業(yè)展）”。匯集了來自整車、零部件、互聯(lián)網(wǎng)通信、投資機構、科研院所、政府單位等數(shù)百位智能汽車相關領域從業(yè)者開展深入研討、跨界交流，以及數(shù)百家智能汽車及零部件企業(yè)，分享最新產(chǎn)業(yè)成果、展望未來產(chǎn)業(yè)動向。

本屆大會共邀請了6位學術屆和產(chǎn)業(yè)界專家，設置了6場主旨報告。報告內(nèi)容如下：

國防科技大學徐昕教授提出增強學習能夠很好地幫助智能車在決策及控制部分實現(xiàn)自我學習，其面臨的挑戰(zhàn)主要是進行多目標學習和在線學習的效率問題。而新的特征表示方法和滾動優(yōu)化策略能夠比較好地提升學習效率[4]。

慧拓智能機器有限公司CEO陳龍認為平行駕駛的首要概念是平行學習，將其運用于自動駕駛車輛上時，智能汽車就會有一個“影子”，獨立于實際的車輛對各種情況進行預測，而自動駕駛系統(tǒng)能夠整合智能車本身和影子系統(tǒng)的反饋，找出自動駕駛過程中的最優(yōu)解[5]。

英特爾自動駕駛解決方案專家Jack Weast講述了Intel與Mobileye聯(lián)手之后圍繞自動駕駛安全展開思考，提出 Responsibility-Sensitive Safety（RSS）事故責任安全性模型，RSS希望模擬人類的判斷，也會考慮到非常復雜的工況進行決策。Intel希望以RSS的解決方案作為起點，提供一個開放的對話機制，大家共同去運作并進行相應的修證，形成一種綜合的技術解決方案[6]。

豐田北美研究中心CEO、研究員Gill Pratt從一個更加宏觀的角度，提出了“我們?yōu)槭裁匆苿訜o人駕駛？”的問題，并從安全、交通、能耗、收益、方便性、有效性、娛樂性等多個角度，闡述了自動駕駛將為人類生活和社會發(fā)展帶來的改善。隨后，Gill認為我們距離無人駕駛還有相當一段距離，且從環(huán)境感知、場景認知、行為預測等技術發(fā)展的角度進行了闡述[7]。

吉利集團張曉東研究員介紹了吉利的戰(zhàn)略路線與發(fā)展愿景，以及在智能車領域的布局，隨后重點講解了吉利近來在智能汽車的驗證與測試方面的工作。據(jù)介紹，吉利已經(jīng)發(fā)布了其未來10年將要關注的核心戰(zhàn)略，即智能互聯(lián)、智能駕駛，并發(fā)布了G-POW?ER、G-SAFETY、G-PILOT、G-NETLINK和G-Blue共5項舉措來保障這一戰(zhàn)略的實施[8]。

格里菲斯大學Ljubo Vlacic教授講解了智能汽車與智能交通、系統(tǒng)和車輛的關系，以及車輛在系統(tǒng)中以怎樣的角色去傳輸智能駕駛技術。隨后分析了L1到L5等級的車輛自動化所面臨的主要問題。Ljubo認為從實踐的角度無法保證人類不干預智能汽車的自動駕駛。此外，為推動無人駕駛最終實施，車廠還需要為用戶解釋智能汽車內(nèi)部決策邏輯等問題。最后從消費者角度分析，人們想購買什么樣的無人駕駛車，為智能車輛研發(fā)團隊提供了新思路[9]。

除了以上六位主旨報告人的精彩分享，大會還分別進行了專題研討會和教程報告、口頭報告、海報展示等智能車論文交流的平臺。筆者對本次大會口頭報告進行研讀，并按主題分類綜述，讓廣大業(yè)內(nèi)外人士更清晰地了解智能汽車領域研究熱點和發(fā)展趨勢，知悉行業(yè)最新動態(tài)，把握市場發(fā)展脈絡，促進產(chǎn)業(yè)快速發(fā)展。

2 智能駕駛核心技術

本屆會議共收到來自34個國家的603篇論文，確認接收的論文346篇，錄用率57.4%。其中276篇Con?tributed paper，20篇Special Session Paper，50篇Work?shops paper。主會議論文投稿中有153篇（錄用69篇）來自中國，83篇（錄用64篇）來自德國，58篇（錄用46篇）來自美國，這三個國家的投稿量占了近三分之一。美國是自動駕駛的發(fā)源地，其技術一直處于世界領先水平，論文錄用比例高達79%。德國是汽車技術強國，盡管相比論文他們更看重專利，但本屆大會他們也投了很多高質(zhì)量的文章。近年來，隨著國家對智能汽車技術的關注，國內(nèi)迎來了智能汽車研究熱潮，收錄的國內(nèi)學者論文數(shù)量排名第一，其中不乏一些國際領先的技術研究[10]。大會從錄用的346篇論文中選取了評價最高的33篇論文組成口頭報告環(huán)節(jié)。大會頒發(fā)的“最佳論文獎”、“最佳學生論文獎”以及“最佳應用獎”均從口頭報告中選出?？陬^報告以智能汽車六大核心技術為主題，分為視覺傳感與感知、車輛運動規(guī)劃與測試、高級駕駛輔助系統(tǒng)（ADAS）、地圖構建和定位、傳感器和數(shù)據(jù)融合、決策和控制6個板塊，從一定程度上反映出智能汽車領域新理論、新觀點、新方法、新技術及應用。

2.1 視覺傳感與感知

智能汽車是一個集環(huán)境感知、規(guī)劃決策、多等級輔助駕駛等功能于一體的綜合系統(tǒng)。智能車輛運動控制包括感知、動作、行為3部分。感知主要通過車的“眼耳”認知周圍環(huán)境，實現(xiàn)對環(huán)境的精確建模，并將車輛位置、障礙物等信息傳輸給車輛“大腦”——車輛內(nèi)部的高性能計算機進行分析和計算，以控制車輛的速度和轉(zhuǎn)向，從而使車輛在遵守交通規(guī)則的前提下能夠安全、可靠地在道路上自主行駛。

視覺傳感與感知是歷屆會議關注的主題之一。比利時魯汶大學Davy Neven介紹了一種以50幀/秒進行端到端車道檢測方法，可處理不同數(shù)量的車道并應對車道變化。該方法擺脫了傳統(tǒng)車道檢測方法對專業(yè)化手工標注的依賴，也解決了利用深度學習模型進行車道分割訓練需預定義固定數(shù)量的車道的缺陷[11]。

戴姆勒集團Jonas Uhrig提出了一種可以在Cityscapes和KITTI數(shù)據(jù)集上獲得競爭性結果，且速率是現(xiàn)有方法兩倍的語義實例分割方法。該方法依賴于單個完全卷積網(wǎng)絡（FCN）預測對象邊界框，以及像素方式語義對象類和指向相應對象中心的偏移向量。使用這些輸出，提供一種有效的后處理，從而實現(xiàn)實時速率獲得的實例分割[12]。

羅馬尼亞克盧日·納波卡技術大學Vlad-Cristian Miclea提出一種新的基于卷積神經(jīng)網(wǎng)絡（CNN）的實時深度采樣方法，該方法使用語義信息提供的局部上下文，引入了兩種基于卷積網(wǎng)絡的解決方案，根據(jù)深度傳感器給出的稀疏程度進行建模。從Kitti數(shù)據(jù)集中進行的實驗，顯示出該方法在常規(guī)GPU上實時運行的性能[13]。

加州大學伯克利分校Yeping Hu博士提出一種基于語義的意圖和運動預測（SIMP）方法，可以通過使用語義定義的車輛行為來適應任何駕駛場景。它利用基于深度神經(jīng)網(wǎng)絡的概率框架來估計周圍車輛的意圖、最終位置和相應時間信息[14]。

西安交通大學Zhongxing Tao介紹了一種在無GPS信號環(huán)境中提高車輛定位精度的方法。針對地下車庫特征，提出一種基于局部表面的描述子Cy?RoPS，其具有旋轉(zhuǎn)不變、計算快速、對噪聲魯棒等多種優(yōu)點，可準確選出車庫中常見靜態(tài)物體。還提出一種基于點云匹配的定位框架，定位穩(wěn)定、結果準確，滿足無人駕駛導航要求[15]。

2.2 車輛運動規(guī)劃與測試

運動規(guī)劃作為移動機器人的一個重要研究分支，近年來，大量的路徑規(guī)劃與測試技術遷移到自動駕駛領域，并根據(jù)所面臨的道路網(wǎng)絡與駕駛規(guī)則要求得以改進。

智能車輛的認知能力評估通常運用經(jīng)典自動駕駛數(shù)據(jù)集進行評估，缺乏對駕駛難度的綜合考量。西安交通大學Chi Zhang建議使用提出的“級聯(lián)坦克模型”對駕駛難度進行基準測試，并根據(jù)語義描述符獲得每段難度的細分等級。通過分級離線評估（GOE）框架，證明無論數(shù)據(jù)集選擇如何，智能車輛認知能力的離線驗證更加一致[16]。

運動規(guī)劃是自動駕駛的主要挑戰(zhàn)之一，它需要實時求解兩點邊值問題（BVP），同時考慮車輛的非完整約束和非凸環(huán)境中的障礙。德國Robert Bosch公司Holger Banzhaf介紹了混合曲率（HCR）和連續(xù)曲率（CCR）轉(zhuǎn)向：兩種新型的轉(zhuǎn)向功能，用于計算類汽車機器人兩點BVP的曲率連續(xù)解[17]。

西安理工大學Bai Li提出一種多車協(xié)同車道變換運動規(guī)劃的逐步計算框架，通過連接的自動控制系統(tǒng)，協(xié)調(diào)車輛通信和自動車輛的控制，以改善交通系統(tǒng)的移動性、安全性和可持續(xù)性[18]。

北京大學Xu He通過學習自然駕駛數(shù)據(jù)，提出一種人性化的軌跡規(guī)劃方法。通過參考人類駕駛員的車道變換決策，不僅包括舒適性、效率和安全性，還包括車道激勵，從而制定成本函數(shù)。并使用北京高速路上人類駕駛員的自然數(shù)據(jù)開發(fā)數(shù)據(jù)集[19]。

瑞典林科斯大學Kristoffer Bergman提出一種使用數(shù)值最優(yōu)控制技術計算非凸環(huán)境中運動規(guī)劃問題的局部解的方法。作者將順序二次規(guī)劃（SQP）方法與同倫方法相結合，逐步將問題從松弛的方法轉(zhuǎn)換為原始問題，可以計算出與運動規(guī)劃問題相關的局部最優(yōu)解[20]。

測距是智能車輛設計中的一項重要任務，智能交通系統(tǒng)中有多種傳感器，因此，需要多個測距傳感器融合方法。量化車輛中使用的傳感器的不確定性對于利用有效的融合系統(tǒng)是必不可少的。埃及艾因·夏姆斯大學Mostafa Osman介紹了一種在線自適應協(xié)方差估計方法，并選擇了三種情景進行了實驗，在自適應協(xié)方差和基于真實方差的幾個常數(shù)協(xié)方差之間進行了比較研究。從平移和方位均值誤差的四個評估指標來看，實驗結果表明該方法具有高性能[21]。

2.3 高級駕駛輔助系統(tǒng)

高級駕駛輔助系統(tǒng)是輔助駕駛人進行汽車駕駛的系統(tǒng)，可增加車輛和道路的安全性。利用安裝于車上的各種感應器，在第一時間收集車內(nèi)外的環(huán)境狀況信息，進行靜、動態(tài)物體的辨識、偵測追蹤等處理，在最短時間內(nèi)提醒駕駛人注意可能發(fā)生的情況。

車輛預警系統(tǒng)對于最大限度地避免碰撞非常重要。日本電裝公司Ikuro Sato研究一種可以使用單眼前視攝像機預測真實的自我車輛運動的方法，便于預警?；谟^察到車輛的幾個未來位置的非確定性，利用機器學習模擬人類駕駛行為，從數(shù)據(jù)預測多個可能的路徑。KITTI數(shù)據(jù)集的實驗表明，該方法可滿足4秒的早期預警[22]。

對于無人駕駛汽車來講，雨天會給視覺識別帶來很大的麻煩。德國圖賓根大學Alexander von Bernuth提出了一種新的方法來渲染這些雨滴，使用連續(xù)最近鄰R*樹搜索算法。3D場景是由攝像頭生成的立體圖像，雨滴下落過程遵循物理定律，所得到的圖像可用于擴展機器學習的訓練數(shù)據(jù)集，而不必強制獲得新的真實圖像[23]。

法國高等科技學院Moad Kissai研究了控制集成底盤系統(tǒng)對車輛行為的影響。固定的模型預測控制用于軌跡跟蹤，而可調(diào)諧車輛運動控制用于提供不同的運動感知。結果表明，可以以不同的方式遵循特定的軌跡[24]。

對周圍交通參與者的準確跟蹤在自動駕駛中起著重要作用。加州大學伯克利分校Jiachen Li提出一種基于改進混合粒子濾波器的通用車輛跟蹤框架，可使跟蹤目標的數(shù)量適應于實時觀測，并在統(tǒng)一的架構中同時跟蹤傳感器范圍內(nèi)的所有車輛，而無需明確的數(shù)據(jù)關聯(lián)[25]。

在高速公路上，人類駕駛員不斷做出適應駕駛行為的決定。在自動駕駛車輛上，系統(tǒng)應做出這個決定。德國寶馬集團Cristina Menendez-Romero提出一種自動適應駕駛行為，整合其他車輛合并意圖的方法。該方法的靈活性能將其集成到不同系統(tǒng)中，能夠向其他車輛提供禮讓行為，從而提高集體的舒適度和安全性[26]。

2.4 地圖構建和定位

自動駕駛汽車的基礎是精準導航，地圖構建與定位系統(tǒng)是定位技術、地理信息、電子地圖、地圖匹配、路徑規(guī)劃和路徑跟蹤的綜合體。

西安交通大學Yu Chen提出一種新的環(huán)路硬件仿真平臺（HiL）。平臺實現(xiàn)了多種功能：可以構建和模擬運動車輛模型；對場景感知、路徑規(guī)劃、決策和車輛控制算法進行閉環(huán)評估，還具有多智能體交互系統(tǒng)；實現(xiàn)控制和決策算法從虛擬環(huán)境到自動駕駛汽車的快速遷移[27]。

德國歌德大學Nolang Fanani提出一種用于從安裝在車輛上的單目攝像頭中檢測獨立移動物體（IMO）的方法。該方法采用一個基于CNN的分類器，來生成IMO備選補丁，通過這些補丁中軌跡上的關鍵點來檢測幾何標準。然后使用IMO備選補丁的運動信息和基于外觀的信息獲得運動標簽[28]。

為了解決智能車輛“我在哪里？”和“我身邊有什么”的問題，大連理工大學Linhui Li提出一種密集的三維同步定位與地圖構建（SLAM）系統(tǒng)來評估智能車輛的姿態(tài)并構建密集的3D語義地圖[29]。

日本金澤大學Keisuke Yoneda介紹了基于76 GHz MWR（毫米波雷達）在下雪時的自動駕駛自定位方法。作者通過對誤差傳播的不確定性進行建模，開發(fā)了基于MWR的地圖生成和實時定位方法[30]。

基于立體相機的重建存在兩個特殊的挑戰(zhàn)。一是以有效方式呈現(xiàn)和壓縮數(shù)據(jù)的需要，二是盡可能多地保留可用信息，且確保足夠的準確性。為克服這些問題，慧拓智能機器有限公司Lei Fan提出一種新的3D表示方法，從深度輔助圖像分割中提取平面度，然后直接將這些深度平面投影到3D世界中[31]。

美國德克薩斯A&M大學Swaminathan Gopalswa?my提出一種新的自動駕駛方法，該方法將重新平衡傳統(tǒng)汽車制造商，私人基礎設施運營商和第三方運營商之間的自動駕駛相關的責任，且提出了一個基于貝葉斯網(wǎng)絡模型的框架，用于評估其風險收益[32]。

2.5 傳感器和數(shù)據(jù)融合

目前大多數(shù)車輛內(nèi)的ADAS都是獨立工作的，這意味著它們彼此之間幾乎不交換信息，只有把多個傳感器信息融合起來，才是實現(xiàn)自動駕駛的關鍵。

清華大學Chijung Cheng提出一種用于非信號交叉口避碰的速度引導驅(qū)動模型?；谥貜筒┺恼?，利潤函數(shù)包括安全性、快速性，控制指標被重新定義。采用帕累托最優(yōu)性來獲得最大化利潤的策略[33]。

韓國首爾漢陽大學Jaekyum Kim介紹了一種新的相機和激光雷達傳感器融合的深度學習架構。方案使用RGB相機圖像以及通過將3D激光雷達點云投影到相機圖像平面中而生成的深度、高度和強度圖像來執(zhí)行2D對象檢測[34]。

英國克蘭菲爾德大學Yang Xing提出一種端到端駕駛相關的任務識別系統(tǒng)。識別七種常見的駕駛活動，即正常駕駛、右鏡檢查、后視鏡檢查、左鏡檢查、使用車載視頻設備、發(fā)短信和接聽移動電話[35]。

寶馬集團Koyel Banerjee改進了Levinson和Thrun的激光雷達和相機融合方法。依靠強度不連續(xù)性以及邊緣圖像的侵蝕和膨脹來增強對陰影和視覺圖案的魯棒性，作者還使用無梯度優(yōu)化器進行外部校準。該方法能在汽車的計算機上實時運行[36]。

英國倫敦藍色視覺實驗室Suraj M S準確預測城市密集環(huán)境中車輛的未來軌跡。作者為大批汽車配備了攝像頭，并進行了城市級規(guī)模的運動布局，精確重建了超過1000小時駕駛軌跡。通過將觀察到的汽車的當前位置與該區(qū)域中先前運動的大數(shù)據(jù)集相關聯(lián)，可對其未來位置做出預測[37]。

2.6 決策和控制

智能汽車的決策和控制分為行為決策與控制執(zhí)行兩方面。行為決策是依據(jù)環(huán)境感知和導航子系統(tǒng)輸出信息，通過特定的約束條件，在起止點多條可選安全路徑中選取一條最優(yōu)路徑作為車輛行駛軌跡?？刂茍?zhí)行系統(tǒng)包括車輛的縱向控制和橫向控制。

奧地利虛擬車輛研究中心Markus Schratter提出一種將事故數(shù)據(jù)直接用于制定自動緊急制動系統(tǒng)的制動策略。未來車輛將配備相關技術，可記錄危急情況的詳細信息。如果有足夠的記錄數(shù)據(jù)，則可使用此類數(shù)據(jù)來改進主動安全系統(tǒng)[38]。

目前自動駕駛在不確定和交互式環(huán)境下的各種不同場景的決策仍然存在挑戰(zhàn)。加州大學伯克利分校Jianyu Chen提出連續(xù)決策（CDM）框架，該框架包含最大交互防御策略（MIDP），其計算在保證安全的同時與隨機移動障礙交互的最佳動作[39]。

新加坡高性能計算研究所Bo Yang構建了無人駕駛出租車智能操縱協(xié)議，目的是優(yōu)化出租車系統(tǒng)的效率。根據(jù)通勤者的來源和目的地分布的歷史模式，為任何地點的出租車提供最佳的選擇[40]。

斯坦福大學Xiaobai Ma為提高效率并減少智能汽車的故障，開發(fā)了考慮到環(huán)境干擾的學習方法。作者研究了兩種不同的算法，魯棒對抗強化學習算法和神經(jīng)虛擬自我算法，并比較自動駕駛場景的表現(xiàn)[41]。

韓國首爾漢陽大學Seong Hyeon Park提出一種基于深度學習的車輛軌跡預測技術，可實時生成周圍車輛的未來軌跡序列。作者采用編碼器-解碼器架構，利用長時記憶編碼（LSTM）對過去軌跡中的模式進行分析，并利用基于LSTM的解碼器生成未來的軌跡序列[42]。

隨著攝像機在智能車輛中的普遍應用，視覺位置識別已成為智能車輛定位的主要問題。中國科學院大學Jianliang Zhu將圖像放在預先訓練好的網(wǎng)絡模型中得到自動學習的圖像描述符，并通過融合和二值化對其進行優(yōu)化，然后根據(jù)位置序列的漢明距離給出位置識別的相似性結果[43]。

另外大會選出Workshop論文共50篇，開展了19個專題研討會和教程報告。場景理解、自動駕駛車輛的決策與控制、車載傳感器、多傳感器融合、目標跟蹤等專題研討受到與會人員廣泛關注，這或許正是智能汽車未來急需突破的幾個方向。

3 當前智能汽車發(fā)展的特點及趨勢

IEEE IV是國際智能汽車領域的頂級大會，其內(nèi)容理所當然地反映著智能汽車理論研究的前沿、熱點和技術應用的最新進展和趨勢。

3.1 學術研究和產(chǎn)業(yè)研發(fā)高速發(fā)展，技術和配套尚不完善

智能汽車已經(jīng)成為世界車輛工程領域的研究熱點和汽車工業(yè)增長的新動力，許多發(fā)達國家都將其納入到重點發(fā)展的技術領域。本屆國際智能車大會匯集了來自全球30多個國家的數(shù)百所著名機構的近千名頂尖專家學者，圍繞智能汽車技術的最新研究成果開展學術交流，展示最新產(chǎn)業(yè)進展，全方位推進國際智能車和網(wǎng)聯(lián)駕駛學術與產(chǎn)業(yè)的交流合作。參會人員和收錄論文數(shù)量均創(chuàng)新高，會議圍繞智能汽車的感知識別、虛擬測試、ADAS、導航定位、傳感器與數(shù)據(jù)融合、決策控制、場景理解、人機交互等多個相關主題進行深入交流，反映了當前智能汽車領域產(chǎn)業(yè)研發(fā)和學術研究的蓬勃發(fā)展。

但同時多位與會專家表示，不僅僅是技術層面（安全性、可靠性），還有交通基礎設施、法律、倫理、數(shù)據(jù)隱私等各個層面的因素，距離實現(xiàn)真正的無人駕駛還有很長的路要走。

3.2 出于技術和商業(yè)因素，開放合作成為業(yè)界共識

本屆會議上，筆者了解到眾多車企和科技公司開展合作成為研發(fā)趨勢，如寶馬、Intel和Mobileye三方的合作；Waymo（谷歌自動駕駛項目獨立子公司）和本田的合作；國內(nèi)百度Apollo產(chǎn)業(yè)生態(tài)等。

自動駕駛技術深度介入傳統(tǒng)汽車的全球化產(chǎn)業(yè)鏈，進一步拉伸了產(chǎn)業(yè)鏈的縱深，任何一家企業(yè)都難以憑一己之力完成技術躍遷。自動駕駛是一次顛覆性技術的產(chǎn)業(yè)整合，研發(fā)難度可想而知，因此，合作亦成為業(yè)內(nèi)共識。另外，自動駕駛是以人工智能驅(qū)動，而其中最重要的養(yǎng)料是數(shù)據(jù)。考慮到自動駕駛的安全性，理論上需要比智能手機更流暢的數(shù)據(jù)共享，所以，開放合作在很大程度上可以通過人工智能的收益遞增原則獲得規(guī)模效應[44]。

此外，業(yè)內(nèi)玩家選擇合作，還有商業(yè)上的現(xiàn)實原因。自動駕駛無法在短期能迎來利潤回報，合作共擔無疑是分擔研發(fā)成本、縮短研發(fā)時間、降低投資風險的最佳選擇。

3.3 市場前景看好，融資火爆，會在多個場景率先落地

作為下一個可預見的風口，無人駕駛的前景是誘人的。據(jù)統(tǒng)計，2014年至今，全球范圍內(nèi)與自動駕駛技術相關的投資、并購多達200多項，涉及總金額高達1,000億美元[45]。

在與本屆IEEE IV同期舉辦的“智能汽車跨界融合高峰論壇”上，筆者了解到：智能駕駛領域已逐步形成“主機廠+供應商+自動駕駛技術+交通服務+商用運營”的新行業(yè)格局；場景數(shù)據(jù)是智能駕駛企業(yè)制勝根本；多傳感器融合技術成為業(yè)界共識；隨著傳感器配置的趨同化，未來的競爭更多聚焦在決策環(huán)節(jié)，決策算法將成為核心；“單車智能+網(wǎng)聯(lián)智能”實現(xiàn)終極自動駕駛；自動駕駛創(chuàng)業(yè)上游化，單點技術仍有較大的市場機會。行業(yè)在風口，但也處處存在泡沫。

雖然實現(xiàn)真正的無人駕駛還任重道遠，但與會專家們認為，自動駕駛會在礦區(qū)物流、無人駕駛清潔環(huán)衛(wèi)、快遞、公共交通等多個垂直領域率先落地。如慧拓智能CSO王健提出礦山無人化機械將是自動駕駛在礦區(qū)落地的一個最佳應用場景。Autowise.ai聯(lián)合創(chuàng)始人葉青認為無人駕駛技術在環(huán)衛(wèi)領域率先“跑起來”，將極大地惠及社會服務性工作者。清華大學鄧志東教授認為從AGV（Automated Guided Vehicle）到室外無人貨運，最后一公里的無人配送機器人與無人長途貨運卡車，有望成為最早落地的自動駕駛汽車產(chǎn)品。此外，本屆會議同期舉辦的IEEE IV 2018產(chǎn)業(yè)展上，美團展示了其在即時配送上的研發(fā)成果及應用，體現(xiàn)了自動駕駛在快遞配送上的落地場景。最后，無人駕駛公交、出租車和共享出行車輛也是本屆會議上業(yè)內(nèi)專家提出的自動駕駛將率先落地的幾個應用場景之一。

3.4 中國在多個領域取得突破，但同時面臨多重挑戰(zhàn)

從本屆大會論文收錄情況來看，來自中國的研究論文排名第一。中國近年來在智能汽車領域掀起了研發(fā)熱潮，很多研究成果與國外相比差距不大、甚至領先。

本屆大會期間成立了國際平行駕駛聯(lián)盟（iPDA），平行駕駛的創(chuàng)新理念是由國內(nèi)研究人員率先提出，平行駕駛的概念源于中科院自動化所王飛躍教授提出的基于ACP方法的“平行智能”理論。其次，無人智能駕駛場景，將在中國落地。王飛躍教授認為：“以挖掘、裝載和運輸為主的采礦作業(yè)自動化，是無人車技術最合適、最靠譜的一個應用領域”。且通過會議了解到，慧拓智能的礦山場景應用將在2019年下半年成為現(xiàn)實。此外，在技術上，如對復雜交通環(huán)境的感知、行駛目標物的識別、駕駛員特性的建模、復雜的車輛動力性建模、車輛控制算法等，國內(nèi)都已經(jīng)做了很深入的研究，均取得了階段性成果。

另一方面，國內(nèi)智能汽車產(chǎn)業(yè)發(fā)展面臨諸多挑戰(zhàn)。其中最大的挑戰(zhàn)是如何促進自主品牌企業(yè)的快速、高質(zhì)量的發(fā)展。面對高新技術領域的技術封鎖，國內(nèi)企業(yè)必須努力夯實整車技術（尤其是智能駕駛技術）的集成能力，不僅要跟國外供應商合作，還需要加強國內(nèi)研發(fā)機構的合作，培育可長線合作的自主品牌供應商。此外，智能汽車產(chǎn)業(yè)鏈不完整、技術標準體系滯后以及技術積累不足等，都將成為國內(nèi)智能汽車產(chǎn)業(yè)發(fā)展的制約因素。

4 結語

本文從智能汽車領域的重要國際會議IEEE IV 2018角度，分析了當前智能汽車研發(fā)的熱點和趨勢，認為當前國際上智能汽車領域的研發(fā)，無論是理論研究，還是技術開發(fā)與應用都已取得了非常多的成果，而感知識別、虛擬測試、導航定位、傳感器與數(shù)據(jù)融合、決策控制等將是未來智能汽車研發(fā)的主要方向。

另外，面對自動駕駛領域的蓬勃發(fā)展態(tài)勢，本屆大會程序主席鄭南寧院士表示，包括政府、學界、公眾和投資者，都要保持理性和冷靜，要腳踏實地地開展基礎研究和應用實踐。