中科院深圳先进技术研究院王鲁佳教授：机器人学视角下的自动驾驶与自动物流 | CCF-GAIR 2018

雷锋网按：2018 全球人工智能与机器人峰会（CCF-GAIR）在深圳召开，峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）承办，得到了宝安区政府的大力指导，是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流盛会，旨在打造国内人工智能领域最具实力的跨界交流合作平台。

雷锋网CCF-GAIR 2018 延续前两届的“顶尖”阵容，提供 1 个主会场和 11 个专场（仿生机器人专场，机器人行业应用专场，计算机视觉专场，智能安全专场，金融科技专场，智能驾驶专场，NLP 专场，AI+ 专场，AI 芯片专场，IoT 专场，投资人专场）的丰富平台，意欲给三界参会者从产学研多个维度，呈现出更富前瞻性与落地性相结合的会议内容与现场体验。

大会第二天的计算机视觉专场，中科院深圳先进技术研究院副研究员王鲁佳教授作为下午场的最后一位演讲嘉宾，发表了题为“从自动驾驶到自动物流的机器人学视角”的精彩演讲。

演讲中，王鲁佳教授从机器人的角度切入，向大家介绍了自动驾驶、自动物流的最新进展与关键技术，并对这一领域的发展做了总结与展望。

她总结道：一、目前低速无人驾驶正在由单一传感器朝多传感器融合转型；二、云计算与边缘计算结合可以降低无人驾驶系统的成本；三、机器人技术要与时俱进，从应用端、落地端提炼产业需求，为算法界和学术界引入有价值的研究课题。

以下是王鲁佳教授的全部演讲内容，雷锋网做了不改变原意的整理与编辑：

大家好，这个专场的主题是计算机视觉。从早上到现在，我们听了很多学术界泰斗和工业界大咖介绍的计算机视觉领域的最前沿进展和成果。

计算机视觉最终的载体是机器，其中最主要的载体就是机器人，所以接下来我会从机器人的角度，和大家聊聊自动驾驶和自动物流的发展。

首先做个自我介绍，我的研究领域包括机器人感知，数据处理、理解、计算与优化。我将从L3到L4无人驾驶移动机器人的关键技术切入今天的演讲。

移动机器人的无人驾驶涉及几个方面：

首先是环境感知，包括硬件、软件两方面。硬件方面主要包括传感器的校准和标定，软件方面指传感器数据的处理算法，具体包括图像特征和关键物体的识别、分类，以及点云数据的分解、感知与检测。

其次是环境的描述和理解，包括机器人视角的建图和定位。

最后是控制与决策。在对环境有一定的感知和理解后，机器人需要对“从哪儿来”、“到哪儿去”进行规划，并控制机器人本体执行。

下图展示了我们课题组现有的部分自主驾驶移动平台：

自主驾驶可以从几个维度进行分类，比如按环境可以分为陆地和水上，陆地又包括高速、低速场景，结构化场景、非结构化场景。结构化场景包括城区路面、高速路，非结构化场景主要指封闭园区。

下面我将从整车和解决方案的角度，为大家介绍低速自主无人驾驶。

我们团队和学术界开展了多方面深入合作，也得到了产业界的支持，在此基础上我们搭建了一个国际人才交流和产学研融合的平台。

下图展示了低速无人驾驶车辆。其中左下角展示了一个多线激光雷达构建的地图，包括环境中的障碍物和一些特征检测与标注。左上角是我们标记障碍物后，对车辆自主控制决策的实时体现。

刚才主要介绍了建图和定位，其实我们在低成本视觉导航方面也有研究。2011年，我们通过Robots@home家用服务机器人，实现了基于视觉伺服和拓扑地图的协同工作。这套方案的计算量和功耗非常低，还解决了多种光照条件下的稳定性问题，是一套能自适应光照的低成本视觉导航方案。

现在很多公司、团队在研究停车场场景的视觉导航，我们也有所涉及。即通过一个单目摄像头和一个惯导传感器，在停车场实现自主导航。

另外，我们在多机器人协同方面也取得了一些成果。我们通过一个RGBD传感器实现了多机器人同时定位和地图融合。例如，在停车场范围太大，单个机器人需要很久才能扫完地图的情况下，可以通过这种方式实现多机器人地图融合和自主导航。

下图展示了小载重自主物流系统在大范围园区内利用激光传感器构建地图和自主导航避障的场景。其中左边展示了该系统夜间在园区场景内导航的画面。右上角是园区全局的高精度地图，通过它可以实现从起始点实时路径规划、避障，最终达到目的地。右下角展示的是通过实时感知的数据进行局部规划和避障，最终到达目的地。

关于大载重量的自主驾驶系统，下图中，左边展示了真实环境中连续长时间运行的场景；右下角展示了三维高精度环境地图，机器人可以通过这个地图和路径规划算法实现自主导航和定位；右上角是服务器端对这个自主驾驶系统的调度和实时监控，包括电量、车速、实时位置等信息。

我们的另一个研究方向是云、网、端结合的物联网。在云端，我们研究存储、负载平衡等问题，同时解决实时通信问题，通过云计算和边缘计算结合降低成本。

最后简单总结一下：

首先，目前低速无人驾驶正在由单一传感器朝多传感器融合转型。通过前期研究与验证，（我们发现）单个传感器很难适应动态、复杂的环境，因此多传感器融合一定是趋势。

其次，云计算与边缘计算结合可以降低无人驾驶系统的成本。我们团队已经从产学研结合的角度，一定程度上打通了同一领域甚至不同领域的上下游，进行资源整合，降低了产业的试错成本。

最后，机器人技术要与时俱进，从应用端、落地端提炼产业需求，为算法界和学术界引入有价值的研究课题。

我的分享就到这里，谢谢大家。