本篇文章1751字，读完约4分钟
英特尔中国研究院前院长、时宇科技首席执行官吴甘沙在英伟达gtc大会上发表了演讲
吴甘沙成为时宇科技首席执行官后，也成为各种自动驾驶论坛的常客。英伟达在北京召开的这次gpu技术会议上发表了主旨演讲。从现场幻灯片来看，总体内容与过去相比没有太大变化，但有一些小的更新。让我们回顾一下。
与业内大多数人的观点一致，吴甘沙认为人工智能是未来的一大趋势。2016年的人工智能相当于1996年的互联网和1976年的个人电脑。后两者分别引领数字化和网络化20年，未来20年将是人工智能辉煌的20年。
决定智能驾驶的未来
智能驾驶发展▼在吴干沙看来，未来5-10年，智能驾驶的市场辐射规模将最大，社会效应将最为突出。因为在2020年的重要时刻，大多数汽车制造商将推出新车型，这将推动激光雷达的订单增长，从而将单价从75，000美元降至500美元以下，并促进自主汽车的大规模生产。
在过去的多次演讲中，吴干沙阐述了他对智能驾驶发展阶段的定义:
在吴干沙眼中的智能驾驶发展阶段，这一次他没有提到203x年(制表:雷锋。搜索“雷锋”。com "公共号码注意")
目前，我们只经历了前两个阶段:从驾驶辅助到辅助驾驶。他们的技术要求也大不相同。
1.驾驶辅助最重要的是虚警率要低，而虚警率并不重要。
2.辅助驾驶的假阴性率必须为0，假阳性率也必须非常低。
因为漏报可能会导致车祸和死亡，而莫名其妙的紧急刹车会极大地影响体验，同时也是危险的。
1.驾驶辅助系统只需要视觉传感器来感知。
2.辅助驾驶需要视觉、毫米波/超声波雷达等多传感器融合来完成感知、规划、决策和控制等一系列动作。
更好的识别方案▼
如今，大多数制造商希望在辅助驾驶方面做得更好。
像往常一样，吴甘沙以特斯拉5月份的第一次自动驾驶撞车事故为例，说明了当前解决方案的一些缺陷:相机和激光雷达不可避免的缺陷(如无法清晰区分前方是车身还是桥梁)导致了悲剧。目前，特斯拉正在不断升级其辅助驾驶系统。
对此，吴干沙的计划是:
1.通过深度学习算法，可以进行车辆识别、行人识别、标志识别和车道线识别，而不管距离、类型、角度或遮挡，并且感知环境的能力更强。然而，当其他车辆从车辆的侧面和后面出现时，很难识别它们。这时，深度学习算法也有缺陷。
2.基于立体视觉算法，利用立体摄像机捕捉和识别车辆可以弥补深度学习算法的不足。并且还可以识别不平的路面。
三维相机(左、中、右三个相机)
3.建立多任务识别网络，将深度学习算法与立体视觉算法相结合，系统识别行人、车辆、标志、车道线等。
此外，他正在构建一个全面的世界模型，可以识别不同国家和地区道路上的意外情况(例如，澳大利亚袋鼠在道路上跳跃，中东的骆驼闯入道路等)。)，同时，他集成了深度学习算法，使辅助驾驶表现更好。
综合世界模型
除了上述路面检测之外，还有可行驶区域(道路的可行驶区域)和非结构化道路(下雪天掩埋的道路边界)的检测。此时，还需要深度学习算法来使检测更加准确。
定位和地图▼
给出识别和检测方案后，下一步要解决的是定位和测绘问题:可以达到分米甚至厘米的精度。
定位方案
目前，许多制造商使用惯性导航系统和gps rtk(高精度gps)作为解决方案，可以提供精确的定位信息。但目前惯性导航系统非常昂贵，不是最佳解决方案。
吴甘沙认为，用视觉里程表代替惯性导航系统也可以达到高精度的良好效果。目前，他的团队正在做这件事。
地图方案
与谷歌等地图制造商的高精度地图不同，吴干沙给出的当前地图方案是:
1.基于地标(即路标:道路两侧的标志)；
2.基于巷道标记(从上帝的角度看鸟瞰路面的标记线)，精度达到10厘米。
在该方案中，地图采集设备价格低，定位设备价格低，并且实时更新。这是一张专门为自动驾驶制作的地图。
创新相机▼
吴甘沙还提到，相机还有很多创新的机会，可以借鉴自然界一些不可思议的创造，比如苍蝇的肚皮眼睛，老鹰的超远距离眼睛，变色龙的360度眼睛，哈士奇的夜视眼睛。
未来，汽车车身将拥有6-8个分辨率超过750万像素的高精度摄像头，更好地与毫米波/激光雷达融合，更好地做好异质视觉融合，服务于自动驾驶甚至无人驾驶。
最后，他认为不是最好的深度学习算法才是最好的解决方案，而且软件和硬件都应该适应这个问题。
