港科大劉明：低速無人駕駛系統的應用關鍵要素｜CCF-GAIR 2019

新智駕按：2019 第四屆全球人工智慧與機器人峰會（CCF-GAIR 2019）於深圳正式召開。峰會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦，深圳市人工智慧與機器人研究院協辦，得到了深圳市政府的大力指導，是國內人工智慧和機器人學術界、工業界及投資界三大領域的頂級交流博覽盛會，旨在打造國內人工智慧領域極具實力的跨界交流合作平台。

越來越多的玩家正在擠進自動駕駛的賽道，在業內玩家積極探索自動駕駛的商業化落地的同時，產學研自動駕駛團隊也在蓄勢發力。

香港科技大學自主駕駛中心主任劉明認為，自主物流是無人駕駛領域最容易落地的行業，進一步細化包括最後一公里的遞送、監控、和倉內的點到點運輸。

劉明及其團隊選擇了以深度強化學習為框架，工程模塊化系統作為輔助的無人駕駛技術路線；在原型車上，採用了二類商用車底盤的配置。劉明認為，一台好車應該是「無人駕駛二類商用車底盤 + 完整的可量產無人車解決方案」的組合。

本屆的CCF-GAIR智能交通專場，雷鋒網邀請港科大自主駕駛中心主任劉明發表演講。以下為劉明演講全文，雷鋒網新智駕進行了不改變原意的編輯：

今天我演講的內容是低速無人駕駛系統的應用關鍵要素，同時也分享一下團隊近期的技術發展和量產方面的合作進展。

過去十餘年裡，我們的團隊參與了歐洲首部無人駕駛車、中國首部無人駕駛公交車的研發工作，領導了香港首部無人車的落地。

我分析了無人駕駛行業的近幾年發展，同時也不斷接觸了無人駕駛的實際應用。從落地角度來看，我認為自主物流是最容易直接落地的場景。自主物流進一步細化包括最後一公里遞送、監控和倉內的點到點運輸。國內大部分行業領導者與巨頭企業都這對些落地場景做了基本肯定。

現在物流行業有一個基本的共識：未來三到五年，可能每天都會達到「雙十一」期間的物流量，每天有十億隻包裹。但物流行業面臨的問題是什麼？面臨著中國勞動力人口急劇下降的問題，人口紅利從2016年就開始消失了。與此同時，包括農批市場、工業生產在內的勞作場景仍採用人力消耗的方式來做運輸。

需求越來越多，人力越來越少，唯一的解決方案是無人系統，只有無人系統才能解決人越來越少的問題。想要找到答案，就要嘗試不同的路徑和過程。

無人系統有什麼核心需求？提起園區內低速的無人駕駛系統，往往會讓人聯想到單一場景。其實不盡然。我們在某個園區實際場景的無人駕駛已運行半年，園區里有行人、自行車、貨車，還有外來的轎車等複雜因素。我們能做的是，在高精度地圖的基礎上，利用5G或4G網路提供平台層的的調度，通過車體自身的智能實現無人車點到點或者線到線的控制。

但園區內外的運輸都面臨著挑戰，其中之一是場景的複雜性，如無引導的左轉。我們的園區住著十幾萬的廠工，遇到上下班高峰時，無人駕駛車會淹沒在人群和自行車群中。車不僅要開動，還要負責左轉的複雜場景。這種情況每天都在發生，半年裡我們接受了眾多的考驗。另一個挑戰是無人駕駛在公開路面是否能出行？因為最後一公里的遞送過程會涉及部分的公共路面。

面對這些挑戰，低速無人駕駛應該選擇怎樣的技術路線？目前無人駕駛的技術分為兩大類，一類是以端到端深度強化學習為主的模式，是偏高速車的常用方案；另一類是比較傳統的工程模塊化系統。我是學汽車出身，有五年汽車研究和十年無人駕駛研究的經驗，很多時候傾向用工程模塊化系統解決具體問題。

事實上，這兩種技術路線各有優劣勢。端到端深度強化學習的優勢在於容易做出working demo，劣勢則是場景遷移能力比較弱，對樣本的數量和質量都有較高要求。工程模塊化系統的優勢在於完成決策系統後，其他地方不會有太大紕漏，劣勢在於實現精準的系統定位、障礙檢測、決策、控制，需要大量的技術積累。

所以我們選擇了以工程模塊化為框架，深度強化學習作為輔助的模式，大致定義了一套從運營邏輯及數據介面、到無人系統核心技術模塊、再到核心支撐技術的路線。簡單來說包括感知系統、決策與預測系統，規劃與控制以及相應的支撐技術六方面。

在感知系統方面，我們利用三維感知建圖與定位，多視覺慣導融合系統、單個實時雷達來獲取場景。得到三維場景之後，我們會進行實時的三維幾何場景分析、三維語義場景分析、視覺場景語義分析，然後利用嵌入式平台實現基於像素點的語義分割。在三維激光場景上，可以實現實時的激光場景語義分析、手持及車載大範圍實時建圖，路面環境可行區域檢測等技術。各位有興趣可以到我們實驗室的網站ram-lab.com做進一步了解。在感知方面，我們可以說是世界級水平。

得到三維模型的下一步是決策預測，決策預測系統包括了實時多車間協調控制、多信息的融合等技術。車輛模型輔助動態決策利用視覺和激光檢測的結果，對動態物體運動行為進行預測，結合車身的動力學模型，實現控制路徑的決策和規劃。

近幾年行業在深度強化學習點到點導航、環境探索、多機器人任務分配方面投入比較多。但我們很早就建立了機器人感知實驗室，是國內最早將深度強化學習應用到真實機器人上的機構。我們在2015年IROS上（International Conference on Intelligent Robots and Systems，國際智能機器人與系統大會）發表了文章，相關論文工作取得一些成績。

除了決策預測，如何實現三維場景下的路徑規劃、基於遷移學習的強化學習、對複雜控制系統（如無人船、無人車）的控制都是需要解決的問題。

以上的內容都屬於演算法類型，與每個演算法相對應的是後台的硬體或平台支撐。與感知系統對應的是感測器技術。我們目前有一款包含激光、視覺、慣性導航等七個感測器在內的集成硬體同步觸發產品，並在產品基礎之上開發了相當數量的演算法，涵蓋了姿態估計、建圖、定位、識別、跟蹤等，這套多感知內容獲得了IEEE IROS最佳學生論文獎提名。

在算力方面，除了傳統的CPU、GPU模式，我們也立項了FPGA模式來作為演算法方案。近年來在演算法方面，我們獲獎20餘項，包括中國人工智慧最高獎吳文俊科技進步獎、和IEEE相關論文獎項12篇。

但最重要的是，無人車技術要落實到車輛上。演算法就算再前沿，車本身才是決定量產的關鍵。我們做了一款近乎量產的車型。該車型可以安裝36個10號國標周轉箱，整體載重最高達1.5噸，目前在各個園區做相關推廣以及部署嘗試。我們會根據實際應用場景的需求來做配合工作，比如客戶提出不同的標準箱要求，我們會進行箱體數量的排列、優化箱體設計與配重設計，電池換電、轉向系統等一系列工作。在初始階段，我們會採用標準商用車底盤將原型車先做出來，然後以量產件實現交付。

劉明團隊研發的無人車

基於以上內容，我們將這些技術用到了實際場景，涵蓋從生產廠機到倉儲企業，物流企業，碼頭，油田等各種場景。結合5G發展的大趨勢，我們6月份參加了工信部的5G峰會，在現場提供了遠程駕駛、無人駕駛等等觀眾體驗平台。觀眾可以在數公里之外做到實時操控。

我們的無人駕駛車輛在某大型物流華東總部已經運行了一段時間。以前需要人力的運貨使用無人車後，可以實現倉到倉的轉運。從技術來看，無人車可以在有人的橫道線前停車，其行駛速度跟一般園區行駛的物流車速度是接近的。我們將其控制在20-40km/h左右，這是無人車在無人駕駛模式下可以達到的真實速度。從效率上講，無人車的效率與麵包型物流車接近，還可以實現完全一致的載貨量。

此外，我們跟韓國郵政協會達成了初步的三方戰略協議，為其提供兩台用於韓國郵政物流的無人車，這是韓國的首例無人貨運車。我們也和台灣的中華郵政達成合作，20多位專家前來了解我們無人車的部署方式，希望共同解決台北物流園的最後一公里的問題。

最後一公里是無人車將貨運到樓下，那最後一百米如何解決？沒有電梯的情況下，貨物如何上樓？我們的解決方案是相對小巧的爬樓機，其整體寬度在65-70cm，載重超100kg，它可以自己上樓。我們將最後一公里和最後一百米連接起來，形成了相對完整的解決方案。

有了技術、原型車、場景之後，下一步是什麼？我本身職業是香港科技大學教授，可能無法完全從工廠或設備的角度來做無人車的開發工作。但我認為，實現無人車最重要的理念是，首先要有一部好車。最好的車就是標準的商用車。我們選用的是無人駕駛的二類商用車底盤，包括夸父系列，裡面的ABS（防抱死制動系統）、EPS（電動轉向系統）、ESP（車身電子穩定控制系統）、iBooster（線控制動系統）、EPB（電子駐車制動系統）及電池管理系統胎壓檢測等配置都和一般商用車差別不大，甚至很多配置只有在高端商用車上才能見到。

目前我們跟各地政府在展開合作。下一步計劃是在某地建立廠區。廠區大約佔地300畝，從包括激光感測器、BMS和車載電子部分在內的關鍵零部件、到場景測試、性能測試、焊塗總裝、動力轉向、低溫可使用電池以及研究院。傳統車下線之後會有一完整的檢驗檢測設備，包括四輪定位、側滑、車速、淋雨線等。無人車需要在傳統車的基礎上增加激光、編碼器、AR/VR及遠程控制中心。

廠區還可以進行無人駕駛應用的研究工作。整個廠區都會在華為的支持下進行5G全覆蓋，在無人車路線、車站上都做了詳細的部署。政府對我們整體的投資力度較大，我們主要是解決技術問題和與當地車廠一起解決量產工藝問題。廠區年底應該能夠建完。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！