李升波

清华大学 车辆与运载学院副院长/长聘教授

学习工作于斯坦福大学、密歇根大学和加州伯克利大学。从事智能网联汽车、自动驾驶汽车、强化学习、最优控制与估计等领域研究。发表SCI/EI论文130篇，引用超过13000次，入选ESI高引12篇，国内外学术会议优秀论文奖9次。入选国家级高层次人才项目、交通部中青年科技创新领军人才、首届北京市自然科学基金杰青等。兼任IEEE OJ ITS高级副主编、IEEE Trans on ITS/IEEE ITS Mag副主编等。

报告题目：用于高级别自动驾驶汽车的集成式决策与控制技术介绍

对于高密集、高动态的交通驾驶场景，目前的自动驾驶系统缺乏设计灵活性和场景适应性。强化学习方法（RL）通过模仿自然生物的学习过程，使自动驾驶汽车在驾驶过程中自我进化，自主增强对未知驾驶场景的适应性。本次演讲将重点讨论如何利用环境模型和驾驶数据进行混合模式的强化学习，以及如何将其应用于真实的自动驾驶任务。同时介绍一种高可解释性、高效在线计算能力的集成式决策控制框架（Integrated Decision and Control，IDC）。该框架将自动驾驶决策和控制过程与强化学习的价值和动作策略进行有机融合，利用经典的Actor-Critic架构实现静态路径选择和动态跟踪控制的迭代优化学习。

杨明

上海交通大学 长聘教授

全国宝钢优秀教师，国家级领军人才。2005年归国进入上海交通大学任教，现任校智能网联电动汽车创新中心负责人、中国人工智能学会智能机器人专业委员会副主任。长期从事无人车和智能机器人等方面教学与研究工作，近年来在国内外学术刊物上发表论文200余篇，获国家发明专利授权50余项，先后多次获得上海市技术发明、教育部技术发明奖、中国汽车工业科学技术发明奖、浙江省科学技术进步奖等。

报告题目：端对端无人驾驶决策控制均衡训练方法研究

近年来，越来越多的研究者将注意力转向基于端对端学习的无人驾驶系统架构，该系统架构通过神经网络直接将传感器的原始数据映射到车辆的决策和控制，保护了模块间的耦合性，允许数据自行建立隐性关联，不仅削弱了局部任务中误差对决策和控制结果的影响，还减少了由于任务分工过细导致的计算冗余。然而，端对端无人驾驶存在严重的模型训练不平衡问题。为解决这一问题，我们建立了无人驾驶决策控制端对端学习领域常用的均衡训练方法，集中在前均衡采样方式和后梯度平衡方式，并在无人驾驶决策、无人驾驶转向估计和虚实驾驶模型迁移领域进行了验证与应用。

赵帅

中汽数据有限公司智能业务部 部长

CCF智能汽车分会常务委员，CCF YOCSEF天津副主席。高级工程师，汽标委国际标准法规协调专家，ISO/TC22注册专家，ASAM国际标准组织咨询专家委员会委员。主要从事智能汽车开发验证研究工作，荣获天津市科技进步奖等省部级奖3项，编写《自动驾驶测试场景技术发展与应用》等著作3部，参与国内外智能汽车场景仿真等标准政策制订10余项，省部级课题10余项，授权发明专利9项。

报告题目：自动驾驶测试场景自动生成及泛化

随着自动驾驶测试验证对仿真场景依赖程度的增加，基于道路采集与专家 经验的场景枚举生成方法已无法满足测试需求。测试用例自动泛化、危险场景自动筛选、交互场景自适应生成在场景多样性、危险性、生成效率、闭环验证等方面存在着巨大的技术优势，是提高智能驾驶测试验证安全性和可靠性的关键，已成为当前国际 智能驾驶领域的研究就热点。本次报告将梳理基于 ASAM 国际标准的场景理论框架体 系，并结合中汽数据研究经验介绍场景自动生成泛化工具软件及其应用。

高飞

浙江大学 控制学院特聘研究员

FAST实验室副主任、技术负责人，FAR课题组负责人；浙大湖州研究院-集群机器人自主导航研究中心PI，智能无人系统协同导航控制技术联合实验室主任。主要研究方向：机器人轨迹规划、自主导航、集群协同、定位感知。近五年以第一/通讯作者身份在Science Robotics, IEEE TRO, JFR, ICRA，IROS等知名机器人期刊、会议发表论文60余篇。获IEEE TRO 2020年“傅京孙”最佳论文荣誉奖、IEEE/RSJ IROS 2021年最佳应用论文奖提名、IEEE SSRR 2016年最佳论文奖、浙江大学信息学部青年创新奖等学术荣誉；国际空中机器人大赛2015年冠军、RoboMaster高校人工智能挑战赛2022年亚军等竞赛荣誉；任IET Cyber System & Robotics/Drone/IROS等期刊、会议编委，及中国指挥与控制学会青年工作委员会委员。

报告题目：移动机器人运动规划与集群协同

移动机器人被广泛应用于社会生活生产的各个领域。自主导航系统是移动机器人自主作业的核心模块，其中运动规划又是自主导航的大脑。本次报告中，我将从空中、地面机器人的运动规划和自主导航算法出发，介绍本课题组188体育投注：无人机与无人车的快速避障、轻量级感知、全状态规划、新构型设计等方面的最新研究进展。之后，将介绍我们在集群自主导航方面的拓展和创新，包括多机互定位、分布式规划、大规模编队等核心算法，并展示在密集环境下多种集群应用。

史少帅

德国马克思普朗克研究所 研究员

博士毕业于香港中文大学多媒体实验室。他的主要研究方向是计算机视觉与深度学习，主要从事深度学习在三维场景理解、自动驾驶感知和预测中的相关研究。他在IEEE TPAMI、CVPR、ICCV、ECCV、NeurIPS等国际会议和期刊上发表多篇论文，并主导开发和开源了OpenPCDet通用三维目标检测框架。谷歌学术引用量3400+，单篇引用量1200+。曾获香港政府奖学金、谷歌博士生奖学金、世界人工智能大会云帆奖明日之星等荣誉。

报告题目：基于全局意图定位与局部位置优化的运动预测框架

在自动驾驶系统中，预测智能体的未来轨迹对于安全和智能化决策至关重要。早期运动预测工作常依赖于大量假定的目标终点确定运动轨迹，或者直接从单一目标特征中回归多个轨迹，因而常常受限于计算量巨大或者收敛较慢等缺点。我们提出了Motion Transformer框架，将物体的运动预测建模为全局意图定位与局部位置细化的联合优化。该方法通过少量可学习的“运动查询对”建模智能体多种潜在运动意向，从而更好的预测目标的多模态运动轨迹。该方法在单一目标运和多目标运动预测两大任务上均大幅超越之前方法，并取得了2022 年 Waymo 自动驾驶运动预测挑战赛的冠军。