主講人：吳甘沙 馭勢科技創始人&ceo，智慧型駕駛，有多少個ai可以重來。城市中存在的一系列問題：交通事故，堵車，違規駕駛等問題。
三資料：停車難，96%的時間是停車的；35%的航程來找停車位；15%的土地是停車位。
存在的這些問題，導致了中國上下班浪費時間嚴重。限行等各種解決方案不能從根本上解決問題，系統的解決問題依靠無人駕駛。通過無人駕駛，未來私家車數量降低，計程車數量增加，計程車費用降低，計程車根據大資料分布。滴滴，峰值2100單/天，再增加，需要通過無人駕駛突破提供服務的車和人成本的侷限。未來無人駕駛後，全國可達到5億單/天。
時來天地皆同力，運去英雄不自由，大場面值得賭上20年，即使是現在起步依然不晚，後發優勢，可以實現非線性加速。
無人駕駛三種技術：新司機（懂規則，感知和認知），認路的司機（地圖和定位），老司機（決策）
雷射雷達，幾何世界的全面回憶，成本的降低是關鍵；替代方案：基於視覺、公釐波雷達和超聲波等輔助感測器，畫素世界的理解和**。
案例：tesla，1個單目攝像頭（主要），12個超聲波感測器（車周圍），1個公釐波雷達，超聲波感測器。
存在了缺陷：受到光照的影響，晨曦形成的強逆光；detection by recognition，與資料庫中的障礙物相匹配，未能認出側面，認出柵欄。
解決方案：1.重新通過攝像頭構建乙個幾何世界。雙目立體攝像頭，可以用來識別動態和靜態的障礙物。2.更好的計算機視覺，語音分割，視覺演算法的角度（更好的分割方法，發現障礙物和可行駛區域的檢測）。訓練模型進行魯棒，然後檢測出大貨車和普通車的區別。
第二：嵌入式部署，需要考慮實時性、模型的大小和計算量。辦法：影象壓縮（down sampling，encoding），模型壓縮，級聯演算法（region proposal）。
第三：多工網路，檢測人車、交通標誌和車道線等；檢測分類，語義分割一體。
認路的司機，地圖和定位技術：
高精度定位系統（rtk），依靠多天線的差分計算，獲得厘公尺級的定位，但是容易受到外接環境的影響。
視覺里程計（記錄像象幀與幀之間的視覺特徵點的位移），可以實現相對定位。
slam：同步的建圖和定位。基於視覺的slam，結合高精地圖的定位，可以做得更好。
未來機會：slam技術的魯棒性，多感測器的融合，基於基礎高精地圖的地圖學習和更新。
老司機，開的好、平穩，有社會性、競爭性：
判斷態勢，評估他方動機，**行為。
監督學習：給乙個狀態，然後對它進行**，而這個**對外界環境不會由影響。
強化學習：需要與環境互動，包括馬爾科夫決策過程，迴圈神經網路。
未來機會：
融合基於深度學習的車感和背景知識，基於遷移學習的舉一反三，基於貝葉斯的邏輯/因果推理。
**學習：predictive learning，無監督學習的重要方法。
如何處理未知情況，開的萬無一失：
關於虛擬世界，真實世界，是否是關鍵是任務的劃分。
比**更難的是資料以及上面的隨機演算法和機器學習。
案列：
谷歌，訓練神經網路識別啞鈴，出現的肉色胳膊的資料集。
谷歌，左右兩幅圖，畫素級的差別，機器學習認不出來，引出對抗。
系統需要可預期的置信度，高置信度下的自動駕駛的可靠性，模擬**和強化學習，虛擬環境裡不斷訓練。
基於模擬器的測試：成本低、靈活性高，基於大資料，可無限生成測試模型，可通過人工智慧演算法（eg強化學習）自動訓練和測試無限里程。
深度學習，黑盒子，可解釋性。對抗訓練，生成性對抗網路。
穿越迷霧，從demo到deploy，
成功的次數：做demo，100次成功1次就可以。部署需要100次成功100次。
成本，拍demo可以用多個雷射雷達，落地就需要考量成本因素。
從演算法能力到系統能力，演算法+魯棒性+實時性+軟硬體垂直整合。對需求和場景的理解。
對話環節：
1. 0-5級的無人駕駛系統，1級偶爾輔助，2級相當長時間可以駕駛，自動泊車，3級，駕駛員不需要關注駕駛，4級幾乎無人駕駛，場景的限制。
2. 無人駕駛的實現速度，3年商業化，5年量產，場景控制，做出約束。
3. 5級的實現，人容易高估短期影響力，低估長期影響力。5級到底需不需要？？？？
4. 未來主導技術，感測器的空前豐富，360無死角，車聯網，超視距。任何無人駕駛分車道。
5. 雲和端的配合進行計算，無人駕駛，現在只在端上。雲上便於知識的傳播。
6. intel收購，零部件的組合化，**商的整合，從control到computing，軟體硬體化，sdk，開放還是封閉的環境。
7. 專門定製晶元，而不是通用晶元，具有一定的可程式設計性，不能作死，保證日後一定得更新。
8. 未來發展方向，車廠具有一定話語權，製造利潤降低，汽車廠和網際網路公司聯合。特定場景的無人駕駛汽車，景區園區等等。
9. 堵車情況下，各種手段的融合，來準確絕對定位，慣性導航。
10. 無人駕駛的安全性，黑客問題。邊緣化創新，不選擇主流的創新。尋找不同而不是更好，
北大AI公開課筆記整理
2017年是正經的人工智慧元年，也是在這一年，人工智慧穿上華麗的外衣，正式走到了所有人的面前，幾乎每個學校的計算機學院都在搞人工智慧，每個計算機專業的學生都在訓練模型 調參。自然而然地，從去年開始，所謂演算法工程師 ai研究員這些崗位也成為意料之中的當紅炸子雞，今年更是直接給出30萬起步年薪，簡直喪...
北大AI公開課 嵌入式人工智慧筆記
看的直播,標題是 北大公開課 雷鳴對話余凱 嵌入式人工智慧 cs121 introduction to artificial intelligence.晶元,架構,驅動,演算法,系統.全棧dl.專用化,低功耗,軟硬結合.高斯架構,伯努利架構,泊松架構的區別?與馮諾依曼架構,哈弗架構,麥克斯韋架構的區...
演算法協會公開課第二講
在判斷素數的基礎上運用快速冪判斷是否 a p a mod p 是則輸出yes，不是輸出no。include include define ios ios sync with stdio false cin.tie 0 cout.tie 0 using namespace std typedef lo...