前英特尔中国研究院院长、驭势科技CEO吴甘沙在Nvidia GTC大会上演讲
当吴甘沙的身份变成驭势科技CEO之后，他也成为各类自动驾驶论坛的常客，此次Nvidia在京举办的GPU技术大会，便有他的主题演讲。从现场的幻灯片来看，大致内容与以往相比无太大变化，有一些小更新，我们来回顾一下。
与业界多数人观点一致，吴甘沙认为人工智能是未来大趋势，2016年的人工智能相当于1996年的互联网和1976年的PC，后两者分别引领了20年的数字化和网络化，接下来的20年将是人工智能波澜壮阔的20年。
笃定智能驾驶的未来
在吴甘沙看来，未来5到10年，智能驾驶的市场辐射规模将是最大的，而且社会效应也会最卓著。因为在2020这个重要的时间节点，多数车厂都会推出新的车型，带动激光雷达的订单增长，从而将单价从75000美元压缩到500美元以内，推动自动驾驶汽车的量产。
在过往的多次演讲中，吴甘沙已经阐述了其对智能驾驶发展阶段的界定：
吴甘沙眼中的智能驾驶发展阶段，这一次他没提203X年（制表：雷锋网）
目前我们还只经历了前两个阶段：从驾驶辅助到辅助驾驶。二者的技术要求也有很大不同。
1、驾驶辅助重要的是误报率要低，而漏报率则并没有那么重要。
2、辅助驾驶漏报率必须是0，同时其误报率也必须非常低。
因为一次漏报就可能车毁人亡，而莫名其妙紧急刹车则非常影响体验，同时很危险。
1、驾驶辅助只需要视觉传感器来做感知。
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做感知、规划、决策及控制等一系列动作。
▼
如今，多数厂商都想在辅助驾驶上做得更好。
吴甘沙照例以特斯拉在5月份的首起自动驾驶撞车事故为例阐述了目前解决方案的一些弊端：因为摄像头和激光雷达存在不可避免的缺陷（比如不能清晰辨别出前方是车身还是桥梁）而酿成悲剧。目前特斯拉也正在不断升级其辅助驾驶系统。
针对此，吴甘沙给出的方案是：
1、通过深度学习算法，进行车辆识别、行人识别、标识牌识别以及车道线识别，无论远近、类型、角度还是有无遮挡都能识别，感知环境能力更强。但是当其他车辆从本车的侧后方出现时，很难识别出来，这个时候，深度学习算法也是有缺陷的。
2、基于立体视觉的算法，通过立体摄像头进行车辆捕捉和识别，深度学习算法的缺陷就被弥补了。并且还能识别出不平整的道路表面。
三目立体摄像头（左中右三个摄像头）
3、建立一个多任务的识别网络，将深度学习算法和立体视觉算法组合在一起，系统性对行人、车辆、标示、车道线等进行识别。
而且，他正在建立一个全面的世界模型，可以识别不同国家、地区道路上的突发状况（例如澳大利亚袋鼠跳到路上、中东地区的骆驼闯入道路等），同时将深度学习算法融合进去，令辅助驾驶表现得更好。
全面世界模型
除去以上路面检测部分，还有可行驶区域（道路的可行驶范围）以及非结构化道路（雪天的道路边界被掩埋）的检测，这个时候也需要深度学习算法来让检测更加精确。
▼
识别与检测方案给出后，接下来要解决定位与地图的问题：达到分米甚至厘米的精度。
定位方案
目前很多厂商使用惯性导航系统与GPS RTK（高精度GPS）作为解决方案，可以给出准确的定位信息。但是目前惯导系统基本上价格非常昂贵，并不是最优解。
吴甘沙认为，使用视觉里程计代替惯性导航系统，也能实现不错的效果，准确率很高。目前他的团队正在做这件事。
地图方案
区别于Google和其他地图厂商的高精度地图，目前吴甘沙给出的地图方案是：
1、基于Landmark（即道路标识：道路两旁的标牌）；
2、基于Lanemark（上帝视角鸟瞰“Bird View”道路表面的标线），精度达到10cm的级别。
这种方案的地图采集设备价格较低、定位设备价格较低且实时更新，是为自动驾驶专门制作的地图。
▼
吴甘沙还提到，目前摄像头还有很多创新的机会，可以借鉴自然界一些鬼斧神工的创造比如：苍蝇的腹眼、老鹰的超远距离眼、变色龙的360度环视眼、哈士奇的夜视眼。
未来，一辆车身上将有6-8个高精度摄像头，分辨率超过750万像素，与毫米波/激光雷达更好地进行融合，在异构视觉融合方面做得更出色，服务于自动驾驶甚至无人驾驶。
最后，他认为，并不是最好的深度学习算法就是最适合解决问题的（方案），软件和硬件要针对问题进行适配。
正在生成分享图...
吴优