城大研發(fā)全新人工智能系統(tǒng)可提升自動(dòng)駕駛預(yù)測準(zhǔn)確性
車輛要保持安全的自動(dòng)駕駛，精確、實(shí)時(shí)地預(yù)測附近車輛及行人的未來動(dòng)向至關(guān)重要。香港城市大學(xué)（城大）領(lǐng)導(dǎo)的研究團(tuán)隊(duì)，最近研發(fā)出一套全新人工智能系統(tǒng)，可增加自動(dòng)駕駛系統(tǒng)在密集交通環(huán)境中的預(yù)測準(zhǔn)確程度，並提高運(yùn)算效率超過85%，為改善自動(dòng)駕駛汽車的安全性提供巨大應(yīng)用潛力。
帶領(lǐng)研究團(tuán)隊(duì)的城大電腦科學(xué)系汪建平教授解釋，精確和實(shí)時(shí)預(yù)測在自動(dòng)駕駛系統(tǒng)中極為重要，即使是微乎其微的延遲或錯(cuò)誤，都可以導(dǎo)致災(zāi)難性的後果。
然而，目前的行車預(yù)測技術(shù)往往無法正確理解周圍的駕駛場景，又或缺乏預(yù)測效率。現(xiàn)有方案通常在車輛及其觀察視窗向前移動(dòng)時(shí)，即使周邊物體的最新位置數(shù)據(jù)與其前一個(gè)位置重疊，系統(tǒng)仍需要為周圍的物體和環(huán)境的最新位置數(shù)據(jù)，進(jìn)行重新歸一化（re-normalising）和重新編碼（re-encoding），這會(huì)令實(shí)時(shí)在線預(yù)測出現(xiàn)多余的運(yùn)算程序及導(dǎo)致延誤。
為了解決以上情況，汪教授的研究團(tuán)隊(duì)研發(fā)了一套名為「QCNet」的軌跡預(yù)測系統(tǒng)，並可在理論上支持串流處理。這套系統(tǒng)基於相對(duì)時(shí)空（relative spacetime）的原理來進(jìn)行定位，有著包括「空間維度的旋轉(zhuǎn)平移不變性（roto-translation invariance）」與「時(shí)間維度的平移不變性（translation invariance）」等優(yōu)點(diǎn)。
透過上述提及的兩大特點(diǎn)，系統(tǒng)可在駕駛環(huán)境中提取唯一且固定的位置訊息，並不受駕駛者在查看駕駛場景時(shí)的時(shí)空座標(biāo)所影響。這讓系統(tǒng)可以存取和重用之前所計(jì)算的座標(biāo)編碼，理論上便可以做到實(shí)時(shí)預(yù)測。
團(tuán)隊(duì)同時(shí)將道路使用者、車道和行人過路處之間的相對(duì)位置，整合至這套人工智能系統(tǒng)當(dāng)中，以捕捉他們與駕駛場景之間的相互關(guān)係和互動(dòng)，有效增強(qiáng)系統(tǒng)對(duì)道路規(guī)則和道路使用者之間互動(dòng)的理解，同時(shí)考慮道路使用者動(dòng)向的不確定性，從而產(chǎn)生可避免車輛踫撞的預(yù)測。
為了評(píng)估QCNet的功效，研究團(tuán)隊(duì)使用了「Argoverse 1」和「Argoverse 2」兩套來自美國不同城市的自動(dòng)駕駛開放數(shù)據(jù)和高清地圖數(shù)據(jù)庫進(jìn)行測試。兩大數(shù)據(jù)庫涵蓋了超過32萬個(gè)數(shù)據(jù)序列和25萬個(gè)駕駛場景，被認(rèn)為是對(duì)行為預(yù)測系統(tǒng)最具考驗(yàn)難度的參照基準(zhǔn)。
在測試當(dāng)中，QCNet即使在長遠(yuǎn)預(yù)測道路使用者6秒後的行為動(dòng)向，仍能展示出一定的速度與高準(zhǔn)確性，並分別在Argoverse 1的333套預(yù)測系統(tǒng)與Argoverse 2的44套預(yù)測系統(tǒng)中位列第一。同時(shí)，QCNet在涉及190個(gè)道路使用者與169個(gè)地圖多邊形（map polygons，即包括車道和行人過路處） 的高密度交通場景之中，仍能將在線預(yù)測的延誤時(shí)間由8毫秒降至1毫秒， 令預(yù)測效率提高超過85%。
汪教授說：「團(tuán)隊(duì)研發(fā)的技術(shù)可應(yīng)用於自動(dòng)駕駛系統(tǒng)，令自動(dòng)駕駛汽車更有效地理解周邊環(huán)境，更準(zhǔn)確地預(yù)測其他道路使用者的未來動(dòng)向，以提供更安全、更人性化的駕駛決定，保障自動(dòng)駕駛的安全性。」她補(bǔ)充說：「我們計(jì)劃將這套技術(shù)應(yīng)用在更多的自動(dòng)駕駛範(fàn)疇，包括模擬交通系統(tǒng)和產(chǎn)生人性化的決定?！?/p>
上述研究成果已於今年在加拿大舉行的電腦視覺（computer vision）年度學(xué)術(shù)會(huì)議——「IEEE / CVF電腦視覺與模式識(shí)別會(huì)議」（IEEE / CVF Computer Vision and Pattern Recognition Conference, CVPR 2023）上發(fā)表，題為〈Query-Centric Trajectory Prediction〉。
研究論文的第一作者是周梓康先生，他是汪教授在城大電腦科學(xué)系研究團(tuán)隊(duì)的博士生。通訊作者是汪教授，其他合作的研究人員分別來自鴻?？萍技瘓F(tuán)（Foxconn?）旗下的鴻海研究院，以及美國的卡尼基美隆大學(xué)（Carnegie Mellon University）。有關(guān)研究成果整合至鴻海科技集團(tuán)旗下的電動(dòng)車自動(dòng)駕駛系統(tǒng)，以提升實(shí)時(shí)預(yù)測效率和提高自動(dòng)駕駛的安全性。
研究項(xiàng)目獲不同機(jī)構(gòu)支持，包括鴻海研究院、香港研究資助局和深圳市科技創(chuàng)新委員會(huì)資助。
