万倍降低测试里程，自动驾驶测试智能方法登上Nature子刊

2021 年 3 月 5 日 机器之心

近年来，自动驾驶汽车（Autonomous Vehicle, AV）吸引了越来越多汽车厂商的高度关注，比如国外的 Waymo、Tesla 和国内的百度、小马智行等。但是，时至今日，完全自动驾驶汽车的商用之路似乎仍然遥远。这是什么原因造成的呢？

在自动驾驶汽车的开发与部署过程中，智能驾驶测试（driving intelligence test）是至关重要的一环。安全性是自动驾驶汽车大规模投放市场的前提。当前，自动驾驶汽车的测试与评估主要通过仿真测试、测试场测试和开放道路测试进行。

然而，由于安全事故的稀疏性，自动驾驶汽车需要累积几亿甚至几千亿公里的测试里程才能够有效验证其安全性能。即使完全通过仿真测试，想要积累如此规模的测试里程也是十分低效的。此外，当前学界和业界普遍采用的场景测试也存在一些缺陷。测试场景通常是离散和片段的，这与自动驾驶汽车需要经历的连续、不间断的复杂驾驶环境产生了不可调和的矛盾。遗憾的是，当前的测试方法无法解决这一难题。

近日，美国密歇根大学 Henry Liu 团队提出了一种全新的测试环境生成方法，可以代替目前离散化和片段化的场景测试方法。实验结果表明，这种方法可以将现有同类测试所需里程减少 4 个数量级，使得仿真路测效率提升数千倍。相关研究已在 Nature 子刊《自然 · 通讯》上发表。

3 月 10 日，机器之心最新一期线上分享邀请到了论文一作、密西根大学博士后封硕（Shuo Feng），为大家详细解读此前沿研究。

分享主题：基于自然对抗环境的自动驾驶汽车智能测试方法

个人简介： 封硕（Shuo Feng），美国密西根大学博士后，2014 年获得清华大学学士学位，2019 年获得清华大学博士学位（导师为张毅教授），2017 年至 2019 年期间于美国密西根大学联合培养（合作导师为 Henry Liu 教授）。共计发表学术论文 20 余篇，其中以第一作者 / 通讯作者身份发表期刊论文 11 篇，刊登在 Nature Communications、IEEE Transactions on Intelligent Transportation Systems、IEEE Transactions on Control System Technology 等交通领域权威期刊。于 2020 年获得年度 IEEE 智能交通学会「最佳博士学位论文奖」（全球共三人入选）。曾获得北京市优秀毕业生、北京市三好学生、国家奖学金、清华大学优秀博士毕业生、清华大学优秀博士学位论文等荣誉。

分享摘要： 本次分享主要介绍近期 Nature Communications 自动驾驶汽车智能测试的工作。交通环境生成是自动驾驶汽车智能测试的关键。由于驾驶环境的高维度以及安全事故的稀疏性，自动驾驶汽车需要在自然驾驶环境中测试 10^8-10^12 公里才能获得具有统计意义的测试结果。本工作利用人工智能技术生成自然对抗驾驶环境，将所需测试里程缩短了多个数量级，显著加速了测试过程。

论文链接： https://www.nature.com/articles/s41467-021-21007-8

直播间链接： https://app6ca5octe2206.h5.xiaoeknow.com/v1/course/alive/l_603f029fe4b0b6e9418f4129?type=2

直播时间：北京时间 3 月 10 日 20:00-21:00

加入机动组，一起看直播

「机动组」是机器之心发起的人工智能技术社区，将持续提供技术公开课、论文分享、热门主题解读等线上线下活动，同时「机动组」也将不定期组织人才服务、产业技术对接等活动，欢迎所有 AI 领域技术从业者加入。