自动驾驶不应该更看重算法效率吗？或者有什么方式可以平衡FasterRCNN处理效率慢的弊端？

自动驾驶不应该更看重算法效率吗？或者有什么方式可以平衡FasterRCNN处理效率慢的弊端？

本文总共10条资讯 其他麒麟9000锤苹果，超强拍照默秒全，三分钟看完mate40全系新品！华为Mate40系列来了！2020-10-23 00:42:22原文链接快讯Verizon 推出 AR 体验博物馆Verizon 今日宣布了两项旨在为「新规范」重塑博物馆展品的计划。前者提供了史密森尼博物馆中当前发现的人工制品的增强现实版本，而后者则着重于一场比赛，以想象新的数字工具和未来展览的体验。据了解，Verizon 的 AR 博物馆体验现已上市，用户只需使用智能手机的摄像头和网络浏览器即可访问数字版本的展览。在一个示例中，扫描 QR 码可访问史密森尼国家自然历史博物馆的毛茸茸的猛 mm 象。展览可以在任何空间中以完整比例或口袋大小显示，并配有音频旁白，浮动的信息标语牌以及相关 Web 内容的链接。（VentureBeat）2020-10-23 07:58原文链接Motional 在拉斯维加斯与 Lyft 一起恢复自动驾驶出租车服务由 Aptiv 和现代合资的无人驾驶汽车合资公司 Motional 今日宣布，自新冠疫情而暂停运营后，该公司将恢复与 Lyft 在拉斯维加斯的自动驾驶交通服务。乘客将从本周开始乘坐全新的 Motional 品牌的出租车，Motional 表示将优先考虑安全和防护措施，以保持机队卫生。（VentureBeat）2020-10-23 07:57原文链接特斯拉的「完全自动驾驶」测试版热议不断本周，特斯拉开始将「全自动驾驶」（FSD）更新推向特定的客户群。该软件使驾驶员能够使用 Autopilot 的许多高级驾驶员辅助功能本地非高速公路街道上的地图项仍处于测试阶段。因此，它在运行时需要不断监控。或者，就像特斯拉用介绍性语言警告时一样，「它可能会在更糟糕的时间做错事情」。目前已有用户在网络分享分享自己的试驾体验。（The Verge）2020-10-23 07:57原文链接农业初创公司 TeleSense 融资 1020 万美元TeleSense 是一家开发基于 AI 的软件和传感器以预测储存和运输中农作物质量的初创公司，已筹集了 1,020 万美元。该公司表示，这些资金将用于研发和扩大其团队。TeleSense 的平台旨在通过传感器收集农作物温度，湿度和用于分析数据并预测质量的 AI 算法的位置指标来防止此问题。这些传感器可通过蜂窝数据连接在任何地方工作，并监视固定存储单元以及运输中的存储单元，例如驳船，铁路车，地上堆，谷物袋，地堡，垃圾箱，仓库和板条箱。一个应用程序分析传入的信息并识别与霉菌，昆虫，水分和其他受损的存储条件有关的问题，并在检测到问题时通知利益相关者。（VentureBeat）2020-10-23 07:56原文链接CSAIL 研究团队使用机器学习翻译失传语言麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员最近语言翻译领域取得了重大进展：研究人员提出了一种新系统，该系统已被证明能够在无需了解其与其他语言之间的关系的高级知识下自动解密一种失传的语言。研究人员表明，他们的系统本身可以确定语言之间的关系，并用它来证实最近的学术研究，这表明伊比利亚语言实际上与巴斯克语无关。该小组的最终目标是使该系统能够仅使用几千个单词就可以解密数十年来躲避语言学家的语言。（MIT）2020-10-23 07:44原文链接IBM 和辉瑞声称 AI 可以 71％的准确性预测阿尔茨海默氏症的发作阿尔茨海默氏病始于模糊不清的现象，经常被误解为轻度记忆力丧失的迹象，然后是认知能力和生活质量的缓慢，逐渐严重下降。辉瑞公司和 IBM 研究人员声称已经开发出了一种机器学习技术，可以在症状发作数年之前预测出阿尔茨海默氏病。通过分析从临床口头测试中获得的少量语言数据样本，该团队表示，在针对一群认知健康的人群进行测试时，他们的方法达到了 71％的准确性。（VentureBeat）2020-10-23 07:43原文链接研究人员发现商业语音识别系统中的高错误率某些自动语音识别（ASR）系统的准确性可能比以前假定的要差。这是约翰·霍普金斯大学，波兰波兹南工业大学，弗罗茨瓦夫科技大学和初创公司 Avaya 的研究人员最近进行的一项研究的最高发现，该研究对内部创建的数据集上的商业语音识别模型进行了基准测试。共同作者声称，单词错误率（WER）（一种常见的语音识别性能指标）显着高于最佳报告结果，这可能表明自然语言处理（NLP）领域存在着更广泛的问题。研究人员们在来自 1595 个代理商和 1,261 个客户的 50 个呼叫中心对话的数据集上评估了几种 ASR 系统，这些对话时间长达 8.5 小时，其中语音时间为 2.2 小时。根据数据集，ASR 系统先前发布的错误率不会超过 15％，而下降到 2％。这与研究结果相反。在记录下来的有关金融，保险，电信和预订的电话交谈中进行了测试，合著者发现 WER 高达 23.31％。预订和电信通话费率最高，这可能是因为对话涉及特定的日期和时间，金钱，地点，产品和公司名称。但是 WER 在每个领域都高于 13.73％。论文传送门：https://bit.ly/35mMA97（VentureBeat）2020-10-23 07:42原文链接微软联合 MITER 发布框架可帮助抵御对抗性 AI 攻击微软，非营利性 MITER 公司以及包括 IBM，Nvidia，空客以及博世在内的 11 个组织今天发布了 Adversarial ML Threat Matrix，一个旨在帮助安全分析人员检测，响应和补救针对机器学习系统的威胁的以行业为中心的开放框架。微软表示，该公司与 MITER 合作建立了这一架构，该架构可以组织恶意参与者在颠覆机器学习模型中所采用的方法，从而加强对组织关键任务系统的监控策略。（VentureBeat）2020-10-23 07:41原文链接 

问：在课程中，FasterRCNN和YoLoV3对比中，FasterRCNN应用场景有自动驾驶，本章检测中Yolov3适用场景也有自动驾驶，那么FasterRCNN和YoLoV3哪个最适合应用于自动驾驶？

课堂上说的是自动驾驶精度要求高，要使用FasterRCNN

构筑开发者友好的产业共识加速自动驾驶网络部署网络自动化实践思考和展望关键词:网络智能化/人工智能AI/Acumos/AIOps/意图驱动网络/自动驾驶网络/应用驱动网络/网络自愈/边缘计算/5G/云边协同网络自动化并不是一个新命题,从网元协议处理的自动化(程控交换、IP路由自学习等)到运维管理自动化(自动业务发放、自动故障恢复等),再到应用SDN/NFV技术,实现网络自治和业务敏捷的网络整体自动化,其本身就是网络演进的核心内容。在即将结束的时候,本书将回顾网络自动化历史,并解释为何要花这么多篇幅来详细讲解ONAP。（注：楼主认为，网络自动驾驶实现最终选择的不一定是ONAP,但是肯定会有类似的思想在里面。所以这一系列笔记略去了许多实践环节。）1.经典网络自动化电信产业多年来一直在推动,效果并不理想。(1)一堆的网络自动化:在2004年之前产业呼唤Zero-Touch Provisioning (无人介入发放)网络,因为在那个时代,面向个人、家庭的电信连接业务供不应求,提升网络覆盖和发放效率,变现人口红利,成为运营商业务发展的关键。但由于运营商网络的建设、发放、维护存在专业(传输、接入、交换、数据等)分工,业务发放前,各专业根据业务规划或业务预测,用厂商EMS预部署和配置相应的网络资源,业务发放只是配置最后一公里(接入环路、终端),之后要将预部署的资源自动关联起来,打通一条通信链路。产业通用的实现方案是建设业务开通系统,调用各个厂商EMS北向,实现Zero-Touch Provisioning, 可形象比喻为“一维”的网络自动化,产业共识聚焦在跨厂商EMS北向的标准化和调用流程的统一，以及在TMF(电信网络管理论坛)中的一个产业组织内可闭环上。在此后的3到5年，基于TMF的产业共识，运营商普遍实现Zero- Touch provisioning网络自功化。(2)平面的网络自动化: 2009年之前运营商启动All IP网络的规模建设,对外提供基于IP链路的宽带接入、企业VPN、大客户专线、园区网等业务,内部也广泛应用于移动承载、DCN、IP骨干传输等场景。IP技术不仅应用在数据网络专业,也应用在传输、接入、交换等网络专业,给网络自动化带来新的挑战。一方面,由于IP网络链路跨专业、跨区域跨省、跨子网), IP网络链路的自动化部署、发放成为一个全网性的业务发放需求。另一方面,由于IP具有动态路由、丢包、时延等特点,需要实时可视化管理来保障SLA,在链路自动化开通的基础上增加可视化的IP链路监控和保障。因此ALL IP网络的自动化是"二维平面”的网络自动化。实时感知和可视化是IP网络自动化的基础,但由于IP路由技术是一种动态的链路技术,路由、带宽、丢包与时延都存在动态变化,需要多种组合技术、协议来感知和可视化IP网络,这给IP网络自动化技术实现带来了难度。除了IP技术的门槛较高外,还存在相关的技术和标准分布在多个产业组织(IETF、IEEE、TMF,MPLS论坛),以及产业未构筑IP网络自动化完整的共识体系等问题。因此除了部分运营商实现了集团管理的IP骨干平面的自动发放和可视化监控外, IP全网的自动化发放、可视化管理产业并未普遍实现。(3)立体的网络自动化: 2014年之前,产业普遍意识到网络自动化不能光靠OSS一代代来建设,因为网络本身专业多、软硬一体等特定的场景限制了自动化调度、控制的空间,因此将NFV虚拟化和SDN软件定义的网络技术引入到网络,才能结构化提升网络自动化。SDN技术能提供部分协议的集中控制,减少网络配置点。虚拟化技术实现软件与硬件的解耦,硬件相对更通用化,可预先、粗放式部署;软件资源池化,通过On-boarding、配置相关的VNF软件来提供网络业务。这两种技术给网络自动化带来新的操作空间,也对自动化系统或下一代OSS提出新的要求,如实现VNF建设(采购、上线)、安装(部署、发放)、运维(监控、排障、升级)、优化(扩容、缩容、退网)的全生命周期的自动化。在IP网络的平面自动化(自动发放、可视化管理)基础上增加了VNF生命周期的自动化管理,变成立体的网络自动化。这三种网络自动化,要求自动化的维度和范围不断增加,但本质有如下共同点：都是业务诉求驱动的网络自动化。业务跑在前面,要求网络能自动化地运维管理支持业务的发展和降低运营成本。网络本质是“被管理的对象”。由管理者(运营商人员,相当于司机)来理解意图,基于流程(相当于交通规则)来操作、管理网络。效率和成本是关键指标。关键指标包括单位人员维护的网元数量、网络业务开通时长、网络故障恢复时长等。这三种网络自动化实践都取得了不同程度的成果,但从商业结果来看,都不理想。OVUM分析报告显示,过去十年,信息通信行业的收入增长从来没有跑过OPEX的增长， OPEX在电信网络TCO (总体拥有成本)的占比从62%上升到75%,这意味着需要一种新型、领先于业务的网络自动化实践。2.新一代网络自动化对标OTT的自动化，实现自动驾驶网络成为产业共识。就在电信产业按照自己的节奏探索和实践网络自动化之时,后起之秀OTT在自动化运维上远远抛开了电信业。Google、 Facebook人均维护网络设备、服务器数量远超运营商。领先OTT的自动化实现、自动化“基因”或基础理念与电信运营商相比是有所区别的,深人分析发现有如下特点:自动化领先于业务。自动化目标往往不是一倍两倍的提升,要求的是十倍百倍的提升，自动化超前配置。结果导向的自动化。不管业务如何发展,设定维护人力的天花板(往往是压到最低)倒逼自动化方案要围绕结果,从架构、技术、人员素质、流程等角度综合考虑。DevOps网络维护模式。网络软件化,致使网络规划、部署、优化、故障处理等都主要由纯软件(VNF/CNF)进行调整,且各环节技术要求类似,因此类似SRE的DevOps网络维护模式出现（读者注：SRE 不仅仅是“写代码的运维工程师”。相反，SRE 是开发团队的成员，他们有着不同的技能，特别是在发布部署、配置管理、监控、指标等方面。）了,有软件背景的维护人员可自行调整网络的各种属性,从而实现了自动化需求闭环环节最短。积极应用新的软件技术。OTT本身处于IT产业,有广泛的软件技术生态和供应链,能快速引入各种新型软件技术。近年来,电信产业从家庭互联网、移动互联网,走向产业互联网、云互联网,主要从业者在充分分析、借鉴OTT自动化实践,探索过NetDevOps, AIOps等理念后,借鉴自动驾驶汽车分级定义，提出自动驾驶网络愿景。L0:手工运维,具备辅助监控能力,所有动态任务都依赖人执行。L1:辅助运维,系统基于已知规则重复性执行某一子任务,提高重复性工作的执行效率。L2:部分自治网络,系统可基于确定的外部环境,对特定单元实现闭环运维,降低对人员经验和技能的要求。L3:有条件自治网络,在L2的能力基础上,系统可以实时感知环境变化,在特定领域内基于外部环境动态优化调整,实现基于意图的闭环管理。L4:高度自治网络,在L3的能力基础上,系统能够在更复杂的跨域环境中,面向业务和客户体验驱动网络的预测性或主动性闭环管理,早于客户投诉解决问题,减少业务中断和客户影响,大幅提升客户满意度。L5:完全自治网络,这是电信网络发展的终极目标,系统具备跨多业务、跨领域的全生命周期的闭环自动化能力,真正实现无人驾驶。例如电信设备商华为发布了自动驾驶网络的白皮书。自动驾驶网络不是简单借鉴汽车自动驾驶的分级理念(L0-L5),其重新定义了网络自动化的愿景, “自动驾驶”是下一代网络根植于“基因”的本质能力。网络自动化先于业务。自动驾驶网络是使能业务、开发新商业场景、开发新市场、生成新业务的基础,用超前设计的自动化弹性架构来适应业务的多变性。网络不再是“被管理的对象”。自动驾驶网络能理解业务意图,能基于意图自动执行或优化网络行为,保障业务的连续运行和体验性,不需要等维护管理人员意识到需要网络调整才进行相关处理。关键指标。自动驾驶汽车不需要人工驾驶只是表象,本质是显著提升了汽车的共享度,停在车库的汽车显著减少,都在路上服务,这样就不需要每个家庭都配备汽车,节省了大量资源。自动驾驶网络的目标是提高单位网络上支持的业务种类、业务时长,把资源闲置降到最低,显著提升资源的共享和复用度,同时客户体验显著提高,就像自动驾驶汽车，除了更快捷、更安全外,汽车的利用率(复用率)也显著提升（可24h运行)。自动驾驶网络“跨越式”发展网络自动化,对设备厂商、OSS Vendor和运营商都提出了新的能力要求。3.呼唤新的产业协作方式构筑开发者友好的产业共识（架构、流程、接口),统一自动驾驶网络的工程语言。正如前面所说, 3种经典网络自动化的实践虽取得了不同程度收获但从商业结果来看,参与方都认为结果并不理想。从运营商来讲,虽然网络自动化部分提升了运维效率,但在新业务生成、上线方面改进不大, OSS系统和Vendor自动化实现架构差异大(烟囱),支持新业务生成、上线和基础运维,出新版本平均需要  12个月;其次引入新的厂商、新的技术时,运营商给到Vendors一个需求清单,到手后发现需求实现偏差大,还要做多轮PoC测试,同时若与现有系统集成和多厂商互通往往要修改代码,平均需要花费  10个月。从OSS Vendor角度来看,近10年来网络自动化OSS参与空间几乎每年以平均5%左右的速度缓慢增长（注:数据来源于Gartner的历年全球BSS和OSS空间预测报告)但OSS项目定制性强，几乎每个项目都需要定制,员工人数增长但利润率持续走低,一方面难吸引优秀的软件人才,另一方面资本和Startup公司对进入OSS领域兴趣不大。从设备厂商角度来看,一方面,运营商没有充分把网络设备自动化的能力运用起来，没有提升维护效率和客户体验。另一方面,网络设备上的创新引入运营商网络费时费力，大量老技术的设备在运营商现网替换难,设备厂商的新技术难以快速部署上线。而IT和消费电子领域新技术引入快、产品代期短,可不断提升终端用户的体验,扩展业务以接触更多用户。经典自动化时代,产业协作依赖标准组织(如IETF、ETSI等)和电信网络管理联盟(如TMF),标准组织聚焦的协议互通的标准化,提供了自动化愿景讨论平台和部分跨运营商互通接口标准。这种协作机制，有如下3个不足:开发者仍需要执行完整的自动化系统的设计、开发过程。标准组织和联盟的参与者主要不是网络自动化系统的设计、开发者,他们仅输出标准文档,即使TMF输出的eTOM流程、SID模型等文档,也达不到软件系统设计(概要设计、详细设计)的详细程度。标准转变成软件工程语言,理解偏差大。标准组织和联盟的输出是Paper文档,没有能提供一个自动化开发的框架,开发者可基于此框架启动设计工作和设计约束。每个人对文档的理解程度不同,会导致最终系统间互通、集成难,不得不“烟囱式"地建设系统。标准文档输出缺乏场景化,不足以指导网络自动化开发构筑。以TMF的eTOM流程为例,只提供了通用的FAB流程定义,各个组织参照实现时,会定制修改,流程的变动会带来接口的变动,导致基于标准接口的互操作难以实现。新一代的自动驾驶网络构筑,本质仍然是利用各种软、硬件技术,把复杂屏蔽在自动化系统内。软件工程实现难度大和产业协作的范围广,所以需要帮助开发者“事半功倍“地构筑“自动驾驶”的网络产业协作方式。关键输出和特点如下:统一面向开发者,基于软件工程实施语言、技术的“自动驾驶”网络架构或框架,以源代码、中间件、平台等形式提供给开发者。统一的软件工程语言描述的场景化的模型、流程,共享工具链,方便运营人员编排、组合,实现低门槛的二次开发,引入新Use Case不需要更新版本,减少定制化。软件工程语言描述的接口和标准,不仅提供文档,还提供可直接引用的代码及开发的SDK,调用者在软件工程实施过程中可快速遵从、自动化验证、灵活扩展相关接口和标准。生态友好的自动化应用Store, 自动化应用一次开发多处运行,产业可持续积累和共享。4.围绕框架和代码,快速迭代以ONAP为基础的Scale网络自动化,从Zero-Touch网络到自动驾驶网络如前所述, ONAP是第一个面向网络E2E自动化、基于代码的自动化平台框架,经过3个版本的构筑,架构稳定,积累了面向商用场景的Use Case,如CCVPN。网络VNF/PNF覆盖从Onboarding、部署、发放、分析到保障的全流程框架,中间大部分环节通过编排、调用链、策略触发等实现了初步的网络全生命周期Zero-Touch网络自动化,但面向自动驾驶网络仍有如下几方面的发展空间:从模型驱动到意图驱动。自动驾驶是典型的意图驱动,当前ONAP的模型驱动是基于业务和技术模型,现有E2E的机制还无法直接进行网络操作、业务意图的理解和匹配。从事件驱动运维到AIOps运维。ONAP基于Policy+DCAE实现了事件驱动的运维，当前Policy是基于人的经验开发的策略,取决于人的经验积累,而AIOps本质策略是基于海量数据挖掘和深度学习后生产的策略,这样ONAP随着自动化网络运行会不断产生新的策略,实现真正的智能化。从可靠的网络到可信的网络。ONAP考虑了网络的可靠性,但是ONAP系统自身的可信性尚未系统考虑。如何防御外部攻击、如何保护并管理的海量数据,以及如何保护用户隐私等,需要借鉴IT行业最新的成果,提升整个社区和行业对ONAP运行的信任度。从实时可视网络到Digital Twin网络。目前ONAP DCAE可采集网络的性能、事件、Log等实时数据,初步构筑了网络实时采集和可视化的框架,但主要面向维护、监控和优化场景。面向仿真模拟、主动预测时,数据的完整性、丰富度和呈现方式尚未达到Digital Twin网络的程度。5.展望网络自动化命题,从ITU-T在20世纪80年代提出电信管理网络(TMN, Telecommunication Management Network)开始,产业实践超过30年,期间的网络组网技术、OSS软件技术获得了广泛发展。运营商的业务丰富度不断影响人们的生活方式和工作方式,但是网络自动化构筑的产业协作效率一直没有大的变化。直到ONAP开源,第一次提供了一套基于代码的框架平台,网络自动化主要从业者(运营商、设备厂商、OSS厂商、第三方应用开发者等)可以基于一套软件工程语言,持续积累构筑自动化。ONAP经过3个版本构筑,面向网络全生命周期的自动化平台已经基本成熟,将逐步转向自动驾驶网络平台构筑。我们相信,基于ONAP平台,产业将最终实现自动驾驶网络。那时相对于现在,一定有如下几个明显的标志性变化:首先,网络自动化效率即人均维护网元数量将呈数十倍的提升, OPEX占收入比持续下降;其次, ONAP降低网络自动化的准入门槛,大量新公司的出现将吸引更多的优秀人才,应用大量新兴的软硬件技术,网络自动化生态圈持续扩大;再次,网络的自动化水平接近云自动化水平,不论是云网协同还是网随云动，自动化不降级,客户体验无差别;最后,网络自动化将超越网络管理维护,真正成为ICT新业务的使能者,支持海量的物联网、无处不在的云互联及产业互联网。读后感：囫囵吞枣式的读完了任旭东老师的《ONAP技术详解与应用实践》,收获良多，解开了很多关于网络自动化实现的困惑。“皮之不存，毛之焉附”。5G的SA马上就要商用了，云化的核心网到底能自动化到什么程度，很让人期待，且拭目以待。

一个自动驾驶系统在算法层面上可以分为几个模块？

知识图谱作为AI技术中的知识容器和孵化器，会对未来AI的发展起到关键性作用。过去，人机交互是人将就机器，人要学习机器的语言；未来，人直接提出需求就能获得结果，机器学习人的语言。知识图谱技术不是具体的技术，而是知识表示、抽取、存储、计算、应用等一系列技术的系统工程。随着知识图谱相关技术的发展，知识图谱会朝着自动化方向前进，将在越来越多的领域找到价值化应用场景，助力业务发展。——————————————【微话题活动】———————————————今天我们邀请到华为云内部专家Rico和大家讨论一下：【知识图谱技术及其在自动驾驶网络中的应用】活动时间2020年7月20日-2020年8月3日参与方式直接在本帖回复关于以下问题的理解或评论1、 你认为知识图谱有哪些高价值应用场景？2、 知识推理的技术形态有哪些？3、 你认为知识库应该存储哪些内容？4、 你认为哪些知识图谱自动化构建技术是关键？本期奖品A.回帖参与本次讨论，回复与话题相关的原创内容，即可获得精美鼠标垫1个（数量有限，先到先得)。B.华为云内部专家Rico评出3名优质评论奖，各送出华为云定制双肩包1个。（两样奖品不可同时获得，奖品于活动结束发放) 评奖标准回复话题数量和内容质量                                                                                                             优质评论奖3名                                                                                  参与奖

对于这种无人驾驶汽车的**不再是编写复杂的程序，而是定义多个复杂的深度神经网络，然后呢？就是让驾驶员开着汽车上街去各种转。把输入的各种大量的激光雷达信号、摄像头信号、前后雷达信号灯这些输入信息和驾驶员实际作用在汽车上的大量的油门、刹车、方向控制这些操作做关联，反复进行训练，让电脑学会在不同的情况下使用不同的操作手法来操作汽车。这样一个训练过程在学术上属于强化学习（reinforcementlearning）以及其周边领域的范畴，在人工智能方面，这种学习方法是业界普遍认可的。只不过各方对自动驾驶这件事情是褒贬不一，因为毕竟它在商用环境中出现过事故。

目前，主流的自动驾驶技术也用到了计算机视觉相关的技术，在自动驾驶的汽车上会安置大量的高清摄像头和传感器，这些硬件设备会收集汽车附近的图像信息并将其输入汽车“大脑”中进行处理、分析，从而书籍汇总下载 http://t.cn/RDIAj5D电子书寻找看手相qq37391319 钉钉或微信 pythontesting 书籍免费下载qq群6089740 钉钉群21745728判断出汽车附近的实时路面情况。所以计算机视觉在自动驾驶中有着举足轻重的作用，而且自动驾驶对所分析路面状况的安全性和可靠性的要求非常高，因此自动驾驶中的计算机视觉技术比其在其他领域的应用要求更严苛，不能有半点马虎。

计算机代替人类驾驶汽车的自动驾驶技术有望得到实现。除了汽车制造商之外，IT企业、大学、研究机构等也都在为实现自动驾驶而进行着激烈的竞争。自动驾驶需要结合各种技术的力量来实现，比如决定行驶路线的路线计划（path plan）技术、照相机或激光等传感技术等，在这些技术中，正确识别周围环境的技术据说尤其重要。这是因为要正确识别时刻变化的环境、自由来往的车辆和行人是非常困难的。如果可以在各种环境中稳健地正确识别行驶区域的话，实现自动驾驶可能也就没那么遥远了。最近，在识别周围环境的技术中，深度学习的力量备受期待。比如，基于CNN的神经网络SegNet[42]，可以像图8-25那样高精度地识别行驶环境。图8-25中对输入图像进行了分割（像素水平的判别）。观察结果可知，在某种程度上正确地识别了道路、建筑物、人行道、树木、车辆等。今后若能基于深度学习使这种技术进一步实现高精度化、高速化的话，自动驾驶的实用化可能也就没那么遥远了。

帖子链接   https://bbs.huaweicloud.com/forum/thread-49756-1-1.html

发文的版块名：更多产品——网络人工智能发文的标题名：#网络约AI，有你更精彩#自动驾驶网络对传统网络架构的创新帖子内容链接：https://bbs.huaweicloud.com/forum/thread-48759-1-1.html

2020第二届华为云人工智能大赛 · 无人车挑战杯报名开启，速来报名啦！报名链接：https://competition.huaweicloud.com/information/1000032499/introduction?track=107人工智能作为战略新兴产业，已经开始广泛应用于多个领域，无人驾驶及机器人是其中的重要载体。此次大赛是在华为云人工智能平台（华为云一站式AI开发平台ModelArts、端云协同解决方案HiLens）及无人驾驶小车基础上，全面锻炼和提高赛队的AI解决方案能力及无人驾驶编程技巧的赛事。

rt