本文爲 Robin.ly 授權轉載，文章版權歸原作者所有，轉載請聯繫原作者。
2019年計算機視覺頂會CVPR前不久剛在美國長灘閉幕。Robin.ly在大會現場獨家採訪20多位熱點論文作者，爲大家解讀論文乾貨。繼前兩篇CVPR2019 獲獎論文現場解讀，最新CVPR熱點論文解讀後，再次推出三篇無人車研究相關的熱門講座、研討會解讀。
-
講座：基於機器學習的視覺深度測量
Learning-based Depth Estimation from Stereo and Monocular Images
-
研討會： 安全性是無人駕駛的首要課題
Safe Artificial Intelligence for Automated Driving
-
研討會： CARLA 自動駕駛挑戰賽
CARLA Autonomous Driving Challenge
基於機器學習的視覺深度測量
視覺深度測量是計算機視覺領域的重要問題。它在自動駕駛、智能機器人、目標檢測和跟蹤、智能交通、三維建模和3D視頻製作等領域都有廣泛的應用。近幾年來，機器學習和深度學習一直被應用於深度測量領域。CVPR的指導性講座“Learning-based Depth Estimation from Stereo and Monocular Images”介紹並總結了他們這幾年來機器學習技術在 3D 傳感領域尤其在自動駕駛領域的應用。
講座的發起人之一，來自意大利博洛尼亞大學（University of Bologna）的博士後研究員Matteo Poggi在CVPR大會現場接受Robin.ly專訪時，給我們大家介紹了他們的講座以及他們的研究。以下是訪談實錄和視頻。
Wenli: 能介紹一下這個講座嗎？
Matteo Poggi：
這個講座主要是關於機器學習技術在 3D 傳感領域的應用，特別是對單一或少數幾個圖像進行深度測量。其中強調了過去三年中我們如何從手動設計的方法轉變爲基於機器學習的方法。在手動設計的方法中，開發人員需要設計參數，不斷試驗和調整算法；在機器學習中，算法可以直接從數據中學習規律，人工干預的程度比較低，整體而言更高效。
最近幾年，機器學習和深度學習領域都實現了技術上的突破，我們認爲是時候總結一下這些重要的發展和變化了。去年在意大利Verona舉辦的一個小型會議3DV上，我們就提出過這個想法。我們在 GDB Tutorial 的平臺上獲得了非常積極的反饋，於是決定在 CVPR 大會上推廣這個項目。
Wenli: 您認爲初級和資深研究人員分別能從中學到什麼呢？
Matteo Poggi：
對於初級研究人員，他們會瞭解到幾年前，在機器學習和深度學習尚未成爲主流的時代，哪些是人們所遵循的最先進的技術和理念。我們設計的機器學習方法其實是受到了前人工作的啓發，比如在機器學習應用，新架構設計和訓練階段仍然使用了幾何和立體匹配的方法。我認爲認識到這一點對新一代研究人員來說非常重要，能夠讓他們學習過去的經驗和教訓，在此基礎上採用基於深度學習的方法獲得新的發現。
對於資深研究人員來說，這可能是一個難得的機會。我們簡要的總結了人們所提出的設想和已經實現的技術，讓他們能夠在幾個小時內瞭解該領域過去五年的技術進步和涉及到的數據。
Wenli: 我們在未來能看到哪些商業應用？現在這個領域還面臨什麼樣的挑戰？
Matteo Poggi：
比如基於增強現實的應用就可以從這些技術中受益，特別是使用單個圖像的技術。因爲現在的智能手機都至少安裝了一個攝像頭，利用小部分的場景信息就可以實現很多增強現實的應用。比如在桌子上顯示出一個物體，或者創造出一些四處奔跑的小動物。對於自動駕駛或其他應用，我們可以利用立體匹配，目前這已經是一種非常成熟的技術了。即使是現有的機器學習技術也可以提供更強大的解決方案。一個主要的挑戰就是我們要想辦法讓這些技術在任何地方都能正常運行而不受環境的限制。
Wenli: 你認爲意大利與美國的研究環境相比有什麼不同？
Matteo Poggi：
最早的時候我所在的研究小組只有四個人，規模遠不及迄今爲止我在美國看到的許多研究小組。當然，與很多有不同背景的人合作可以讓你接觸到不同的觀點，幫助你更全面更深入的思考問題。這對於研究人員來說非常重要。而對於一個比較小的團隊，成員之間彼此更容易相互瞭解，同事之間的關係更像朋友。這種凝聚力有助於團隊協作，讓大家更容易，也更快的在解決方案上達成一致。
講座信息
Learning-based Depth Estimation from Stereo and Monocular Images
組織機構：University of Bologna，Stevens Institute of Technology
信息鏈接：
https://sites.google.com/view/cvpr-2019-depth-from-image/home
安全性是無人駕駛的首要課題
深度學習技術在自動駕駛領域取得了巨大成功，其優點是精準性高，魯棒性強，以及成本低。該學習技術中主要挑戰之一是如何對算法提高安全性。CVPR 的研討會 “Safe Artificial Intelligence for Automated Driving” 針對在無人駕駛領域中，如何提高人工智能算法的安全性，進行了深入討論。
研討會的組織者之一，來自世界頂級汽車零部件供應商法雷奧（Valeo）安全駕駛技術總監Timo Sämann在CVPR大會現場接受Robin.ly專訪，介紹了他們的研討會以及他們的研究。以下是訪談實錄和視頻。
Margaret Laffan: 法雷奧（Valeo）作爲全球汽車零部件供應商，你能爲我們介紹一下公司的願景和目標嗎？
Timo Sämann:
我的工作地點在德國 Kronach 市，法雷奧擁有 10 萬多名員工，包含有四個主要的業務部門：可視化系統、熱力系統、動力傳動系統以及舒適的駕駛輔助系統。我所在的駕駛輔助系統部門的目標是開發能夠讓駕駛變得更安全，自主性更高、更直觀、更具連接性的技術。
Margaret Laffan: 你這次組織的研討會叫 “Safe Artificial Intelligence for Automated Driving” 的研討會。爲什麼要組織這個研討會？
Timo Sämann:
想要實現自動駕駛，我們就必須理解深度學習方法。在移動行業中使用深度學習方法的一個主要挑戰是如何對算法提高安全性，而我們認爲 DNN （深度神經網絡）的“黑盒子”屬性在科學研究中基本被忽略了。我們組織這次研討會就是爲了強調這一方向的重要性，引起更多的關注。
這個研討會實際上屬於一個德國資助的安全人工智能項目，將在下個月啓動。該項目的目標是制定一個能夠讓我們安全使用 AI 的策略，最終提出 AI 算法必須滿足的安全條件的標準。這一點非常重要，因爲我們必須在將 AI 算法應用於自動駕駛汽車之類的產品之前確認其安全性是否滿足要求。我們跟超過30個組織和個人合作，計劃在3年後實現安全標準化。
Margaret Laffan：安全人工智能目前面臨的一些挑戰是什麼？你在本次研討會中是否涉及到了相關的解決方案？
Timo Sämann:
針對這個問題，我同意一種觀點，就是整個安全空間分爲三個子空間。第一個是規則，也就是如何爲 DNN（深度神經網絡）指定具體的行爲，尤其是能否將交通規則或物理定律等先驗知識倒入 DNN。這是一個懸而未決的問題。
第二個是魯棒性。我們如何才能在孵化階段中獲得對抗干擾，比如應對對抗性攻擊，外分佈實例或惡劣的天氣條件的魯棒性。
第三個是認證。這涉及到如何驗證和監控自動駕駛相關活動。是否有可能利用統計學上的相關信息在現實世界中對測試進行調整，還是必須在模擬環境中測試？需要基於什麼樣的 KPI 來證明 AI 比人類駕駛員更安全？
Margaret Laffan：你認爲這個研討會對於同領域的研究人員來說最大的收穫是什麼呢？
Timo Sämann:
在研討會中有一位演講人一語中的，指出目前爲止大家主要關注的是基準問題，也就是人們開發的算法在基準測試中是否表現出色。但是在過去已經出現了很多基準，是否值得爲0.2％的收益付出這麼多努力呢? 因此，我們需要更深入的瞭解算法的工作原理，並降低對基準的關注。
我還想補充一點。雖然 Elon Musk 並不看好 LiDAR，但 LiDAR 傳感器對於自動駕駛的安全性仍然非常重要。本次 CVPR 的很多參會者也同意我的觀點，我也沒有看到有 AI 會取代 LiDAR 的跡象。我只認爲我們需要在相對較短的時間內爲自動駕駛提供安全的AI技術即可。
Margaret Laffan: 你作爲研究人員主要的研究興趣是什麼？如何平衡創新和安全？
Timo Sämann:
我對擴展神經網絡（Extending Neural Networks) 很感興趣，也就是利用視頻數據的時間一致性。今天大多數 DNN 只使用單幀，這意味着我們從之前的時間中獲得的所有信息在當前時間步驟中幾乎沒有被用於預測。我的目標就是實現更強的抗干擾能力。我在上週的 ICML 研討會上還發表了一篇關於不確定性和魯棒性的論文。說實話，我不認爲必須要在創新和安全之間做出權衡，這反而會刺激我們更深入的瞭解 AI 算法，我認爲這是開發高級人工智能的關鍵所在。
研討會信息
Safe Artificial Intelligence for Automated Driving
組織機構：Valeo，BMW，Volkswagen，Intel，Fraunhofer，German Research Center for Artificial Intelligence
信息鏈接：
https://sites.google.com/view/saiad-wscvpr19/home?authuser=0
CARLA 自動駕駛挑戰賽
CARLA（名字取自Car Learning to Act）是Intel Visual Computing Lab推出的一款用於城市自動駕駛研究的開源模擬器。CARLA支持城市自動駕駛系統底層開發、訓練和驗證。2019年的CVPR現場，Intel智能實驗室的負責人German Ros等人組織發起了一場基於CARLA模擬器上的自動駕駛挑戰賽。
以下是German Ros與Robin.ly主持人Wenli在CVPR現場的訪談實錄和視頻。
Wenli: 非常感謝您接受我們的採訪。能介紹一下自己和這個挑戰嗎？
German Ros:
我叫 German Ros，是Inten CARLA 自動駕駛挑戰環節的組織者，領導 CARLA 模擬團隊。
CARLA 是在雲端進行的自動駕駛挑戰賽，目的是通過不同的任務考察各個團隊所提交的智能體系統是否能夠從起始位置移動到終點，併合理應對途中的各種複雜情況，遵守交通規則，保證行駛安全。我們考察它們是否能夠到達指定位置和目的地，以及途中違規的次數，比如與其他車輛發生碰撞，闖紅燈和忽略讓行標誌。如果出現違規行爲就會被扣分。
Wenli: 您當時邀請了哪些人作爲演講嘉賓？
German Ros:
我們希望平衡工業界和學術界的研究進程，所以邀請了來自這兩個領域的專家。在學術界，我們邀請了 Andreas Geiger，多年以來他爲自動駕駛社區做出了很多貢獻，是著名的 KITTI 基準的創造者。另外一個是加州大學伯克利分校的 Trevor Darrell 教授，他一直在通過各種活動積極推動自動駕駛的發展。在工業界，特斯拉，Uber和Waymo都是重要的參與者。我們邀請了Uber ATG 的首席科學家 Raquel Urtasun，Waymo 感知部門負責人 Drago Anguelov，還有特斯拉自動駕駛負責人 Andrej Karpathy。
Wenli: 你們是第一次舉辦這次挑戰，有什麼收穫嗎？
German Ros:
在過去幾年，自動駕駛領域取得了令人矚目的成就，這也是我們舉辦這次挑戰的動機。我記得幾年前，讓無人車沿着車道行駛都很困難；而現在，我看到來自世界各地的團隊已經有能力處理不同場景中的複雜情況，我從沒想過能有這麼多的人涉足這個領域。我們正在迎接很多新的挑戰，我認爲這非常令人興奮。
明年我們希望有越來越多的人能夠參與這個挑戰，也期待參與者能夠慷慨的分享他們的代碼，讓新的團隊可以在前一年研究成果的基礎上優化當前的方案。除了通過競爭促進創新，我還希望看到團隊之間實現真正的合作，共同創建一個社區，讓人們能夠共享和改進各種技術和工具。
Wenli: 您認爲您的工作會有哪些商業化的應用？
German Ros:
我們想要預測技術的發展趨勢。比如現在使用更多的是傳統的自動駕駛方法，比如基於模塊的模型。我們在考慮是否能通過不同的方法解決問題，比如是否可以轉變爲數據驅動。我正在與伯克利合作開展的一個大項目，利用一個模擬器，也就是 CARLA 來訓練智能體學習如何在模擬環境中駕駛並應對不同的交通情況。我們發明了可以將 AI 模型直接應用於無人車的技術，讓車輛可以通過體驗虛擬世界就能實現在真實世界中導航，而不需要接觸任何真實數據，雖然偶爾還是會用到。
Wenli: 您覺得學術界和工業界之間存在哪些差異？
German Ros:
我認爲這兩者之間的差距正在擴大，主要是因爲工業界擁有大量的數據和硬件資源，也有足夠的財力僱傭龐大的團隊，處理更復雜的案件，相比之下學術界仍在研究如何應對簡單的場景。我認爲只有來自工業的創新是很片面的。自動駕駛是一個遠未解決的問題，需要學術界和工業界的人共同努力。但是如果學術界的人無法獲得相同的資源，無法使用公共數據或公共工具，他們就沒辦法做出重要貢獻。
另外，目前不同的公司所報告的自動駕駛性能結果大相徑庭。因爲缺少足夠的背景信息，我們根本無法以同樣的標準比較孰優孰劣。所以我們正在努力推動標準化平臺的建設和共享數據的方法學，希望能夠開發出一種人們普遍認可的評估方法。
研討會信息
CARLA Autonomous Driving Challenge
組織者：German Ros，Vladlen Koltun，Felipe Codevilla，Antonio M. Lopez
信息鏈接：
原文鏈接：