在一套完整的自动驾驶系统中，决策能力类比自动驾驶的“大脑”。尽管当前，L2和L3级别辅助驾驶技术已得到广泛应用，但距离实现真正意义上的“无人驾驶”还有诸多挑战亟待解决，如何让自动驾驶车辆决策更智能、更安全、更高效？围绕这一话题，12月8日下午，CNCC2022自动驾驶智能决策论坛在线上召开，多位智能汽车领域内专家云上相聚，共话自动驾驶智能决策领域的现状与未来。

自动驾驶智能决策论坛议程概要

此次分论坛由CCF智能汽车分会发起人盛克华，及CCF智能汽车分会常务委员、西安交通大学薛建儒教授共同担任论坛主席，围绕自动驾驶智能决策主题，邀请清华大学李升波教授、上海交通大学杨明教授、中汽智联技术有限公司高级工程师赵帅、浙江大学特聘研究员高飞博士、德国马思克普朗研究所研究员史少帅博士5位大咖嘉宾线上交流。论坛由CCF会员与分部工委主任助理李群主持，各位嘉宾就自动驾驶决策、控制、测试场景生成与泛化、运动预测及规划等方向进行了分享。

报告分享环节，李升波首先介绍了高级别自动驾驶汽车面临的挑战与难题。对于高密集、高动态、高随机的城市道路交通场景，现有的自动驾驶系统缺乏设计灵活性和场景适应性。类脑学习以深度神经网络为策略载体，利用强化学习与交通环境进行交互，具备使自动驾驶汽车自我进化的能力。这一演讲重点讨论了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控框架(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训练算法实现了静态路径选择和动态跟踪控制的迭代优化学习。

杨明以《端对端无人驾驶决策控制均衡训练方法研究》为题进行分享。首先梳理了国内外智能车决策技术发展历程及面临挑战，随后，就上海交通大学智能车实验室在无人驾驶决控均衡训练方法方面所做研究工作进行详细介绍，包括基于前采样的均衡训练框架、基于后梯度平衡的均衡训练框架、基于代价敏感对抗学习的虚实迁移等技术。通过上述均衡训练方法研究，将有效帮助解决数据分布差异及不平衡问题，提升自动驾驶决策能力。

赵帅以《自动驾驶测试场景自动生成及泛化》为题，向观众介绍了自动驾驶场景仿真验证背景、场景生成及泛化技术。当前国内外由于长尾场景引发的自动驾驶交通事故日益频发，传统车辆基于里程的测试验证方法已无法满足验证需求，基于场景的自动驾驶安全验证方法逐步成为主流。在报告中，赵帅梳理了基于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。

史少帅以《基于全局意图定位与局部位置优化的运动预测框架》为题，分享了近一年在自动驾驶运动预测及定位方面的重要研究成果。为解决早起运动预测工作计算量巨大、收敛较慢等问题，史少帅及团队提出了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。通过实验，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，并基于此荣获2022年Waymo自动驾驶运动预测挑战赛的冠军。

高飞以《移动机器人运动规划与集群协同》为题进行分享。从空中、地面机器人的运动规划和自主导航算法出发，介绍了浙江大学无人系统与自主计算实验室(FAST LAB)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。随后也介绍了集群自主导航方面的拓展和创新技术，包括多机互定位、分布式规划、大规模编队等核心算法。

报告分享环节后，主持人李群邀请李升波、赵帅、史少帅、高飞4位嘉宾进行圆桌讨论。围绕业界及工业界关注的几方面问题进行分享，议题涵盖行为交互的不确定性、算法测试有效性、仿真器交互能力评估、深度模型如何在交互问题更好使用、如何加快计算效率等。嘉宾们结合自身研究经验就问题做逐一回答及讨论。

此次论坛多维度地展示了学界及业界在自动驾驶决控领域的最新进展与前沿研究，并通过圆桌论坛，对自动驾驶的未来发展提出了期待与展望。本次论坛直播过程中，众多观众通过微信群与大会讲者积极互动交流，论坛反响热烈，体现了社会各界对汽车智能化进程的极大兴趣。期待通过更深入、持续的交流与探讨，一同推进自动驾驶走向更智能、更安全和更高效的未来！