“【2021世界智能网联汽车大会】聂再清：数据驱动的车路协同”

9月25日至28日，2021年世界ICV大赛在北京举行。 本届大会围绕产业重建、融合应用、共生三个章节展开，设有开幕式、主论坛和7个主题峰会、6个特色专题会场和2个闭门会议，设有图灵奖国际专家1人、国内外院士7人、近150人的国际国内ICV和ICC 以下是清华大学国强教授、清华大学(智能产业研究院(百度阿波罗智能交通联合研究中心管委会委员聂再清的演讲实录，供参考。

清华大学国强教授、清华大学(智能产业研究院) -百度阿波罗智能交通联合研究中心管理委员会委员聂再清

语音副本 :

大家好，各位领导，各位嘉宾，我今天和大家讨论的是数据驱动的道路合作。 首先，介绍车道协同自动驾驶的背景、挑战和机遇。

众所周知，现在自动驾驶面临着巨大的安全挑战，我们经常看到各种各样的信息。 长马尾会出现无法预测的情况。 信号的阻断、死角、前车的突然变道插入，都会给自动驾驶系统带来无法预测的事故。 我们认为，公路协同自动驾驶将成为我们未来的必由之路。 我们认为未来一定会有聪明的车。 而且，我们认为还有一条智慧的道路。 智慧之路我们可以得到路边的辅助新闻。 并且，车与车之间如何共同决定和控制，可以在其中做很多基于城市智慧的交通相关工作。 我认为自动驾驶在最初阶段可能有聪明的道路和低级的自动驾驶。 第二阶段是智能化的道路和高水平的自动驾驶。

数据驱动的车路协同自动驾驶是什么意思？ 我们首先认为现有的自动驾驶程序以自行车智能为主。 我确信我们将来一定会走向车道合作。 所有的车都是自动驾驶在路上行驶的时候，我们的路一定是自动驾驶的车路。 车道协同大家可能有很多共识，但到底如何实现车道协同，有不同的方案。 例如，在以车侧感知为主、以路侧感知为辅的方案中，车可以自主控制，也可以得到道路辅助的决定信号，可以马上自己决定，但有一个能够很大程度处理死角问题的全局观点。

另一种形式是以路侧感知为主，车侧感知为辅。 以车头感知为主是徒劳的，每辆车都装有激光雷达，装有各种各样的感知器件，消耗着相同的能量。 碳中和的情况下，如果有感知信号的道路的话，车的传感器变少也是非常好的。 另一个好处是可以进行整体优化。 对道路上的所有车辆，在城市层面进行路径规划，减少大家的时间等待和交通堵塞，而且相对于能源消耗量，堵在道路上有很多能源消耗量的情况非常有帮助。

未来很可能汽车和道路都是动态决定的。 谁学好，车有时不稳定，有时道路不稳定。 我认为有冗余性的双方在一起，在困难的情况下互相帮助也是可能的。 在这种情况下，我们想知道未来要用多少辆车的信号，用多少辆车的信号，装多少辆车的传感器，装多少个传感器。 所有这些方案都需要有数据才能建立理论基础。

现在我们一个也没有，所以大家都说很多车路协同，但是其实还没有数据驱动的车路协同可以被大家实际做到的数据水平。 世界上没有这个。 大家能做的都是基于模拟。 处理方案正在增加的可能是工程性的处理方案。 我们其实必须在算法上进行创新。 到底用了多少辆车，用了多少辆公路激光雷达，我们实际上需要好的数据水平来处理学术界和业界的痛点。 在研究和产业落地上架起一座桥，真的要让政府知道我们在道路设备上需要建造多少传感器。 政府也想知道我们和路有没有那么重要，路上的车要建多少设备，有多少设备是完整的，这需要很多数据驱动，

我们有北京市高级水平的自动驾驶示范区和北京车网科技快速发展有限企业，还与百度阿波罗合作。 清华大学智能产业研究院与大家文芳阁布第一个车路协同自动驾驶公开数据水平，我们称之为dair-v2x。 我们也有网站。 大家可以在网站上知道越来越多这种数据级的新闻。 这个数据等级有车的新闻，也有路上的新闻。 我们非常慎重。 关于数据的安全性，包括数据水平的正确性，需要做特别多的准备，所以我们也特别慎重地进行了这些公开的动向。 第一步，邀请研究小组来测试我们的数据水平。 如果大家觉得好，就让全国所有的公开下载采用。 将来，国际上和世界上也许都可以采用。

现在，我将介绍dair-v2x数据级的总体设计。 主要可以通过车和道路的感知系统和设备获取传感器的感知数据。 包括图像、激光雷达的点云等。 另外，我们已经显示了大量的数据。 我们也用很多力量和资金致力于显示。 这也非常不容易。 必须标示车和路全部，脱敏，安全加密解决。 最后，希望逐渐开始被国内的大学、科学研究院和产业界录取。

dair-v2x车路协同数据级是属于首个车路协同智能驾驶研究的大规模、多模式、多视点数据级，所有数据均取自实际场景，包含2d和3d标注。 这个数据等级有72890帧的点云数据。 这里包含了车路协同的数据、路边的数据、车端的数据。 该数据级首次实现了车路协同空间的同步标注、时间、空间的同步标注。 这也有很大的挑战。 如何标注车与路的信号，我们的传感器类型非常丰富，包括车端摄像头、车端激光雷达、路边摄像头、路边激光雷达，障碍物等3d目标标注属性特别全面，路边第一次摄像头信号也用3d表示。 这是从北京市高级自动驾驶示范区采集的10公里城市道路、10公里高速公路和28个路口，涵盖晴天

下面是dair-v2x数据级的典型任务。 我们可以支持3d目标检测、点云3d目标检测、多模态3d目标检测、车道协同3d目标检测。 对车路协同的3d目标检测做一点详细的介绍。 这是因为毕竟大家没有做过基于这样的算法的事。 三维新闻在实际的三维世界中，我们的目标是三维的形式，长宽高，3d检测是自动驾驶的场景，由图像和点云提供物体的三维大小等指标，用于自动驾驶场景中的路径规划和控制。 车路协同的3d目标检测包含多模态的功能，包括多模态的特征、多视点的特征，还需要时间与空之间的同步。 中途还需要进行道路和车辆的通信。 因为道路的信号灯会送到车那里。 以道路为中心的话，要把车的信号灯送到道路上，还是很复杂的情况很多。

目前，车道协同3d目标检测的框架是这样的，希望能将路上的信号广播到车上。 路上的信号可能有图像、激光雷达、中间层的信号，也可能只有结果。 我们进行3d问题检测，首要有三个优化目标，首要目标是提高检测性能，提高3d目标检测的性能。 然后，研究一下是否本来就不使用路边的信号，很多信号的目标是不使用路边的信号，通过减少路边的信号可以减少通信的延迟，可以稍微保持适当的精度。 另一个目标是减少传感器的采用量。 可以减少汽车进站传感器的采用量。 可以减少入路传感器的采用量。 可以有各种各样的组合。 车上可以用摄像头，路上可以用激光雷达。 可以有各种各样的组合。 在这种情况下，我们如何减少价格，减少能源消耗，保持精度，制定统一的计划？

融合有几种情况。 一个是前端融合，用前端融合传感器的信号，然后是特殊水平的融合。 进行了中途的形状融合。 最后将结果分别生成结果，在结果水平上进行融合。 考虑到工程的便利性，目前的车路协同首先基于后融合，为了比较前融合、中融合、后融合有多大的好处，首先将车端3d的目标检测结果和路边3d的目标检测结果与虚拟坐标系对应，在虚拟世界坐标系中进行结果的融合。

dair-v2x数据水平对学术界和产业界都有非常大的影响。 我们在最初的汽车道路上与基于实际场景的数据水平进行了合作，填补了某个领域的空空白。 然后从实际场景出发，基于数据驱动，我们可以吸引很多科研人员到这里工作，工作结果可以指导产业落地。 谢谢你。

会议副本不断增加。 请点击以下链接查看。

网站: auto.gasgoo/newstopiclive/358

移动终端: m.gasgoo/news /主题直播/ 358