港科大刘明教授：低速无人驾驶落地有哪些技术要素和场景？( 三 ) 相隔一年

2.决策与预测系统
无人车系统的第二个核心技术是决策与预测系统，以规划驾驶的下一步。当中包括以下六个范畴：
2.1实时决策与动态预测──基于对动态物体的跟踪及环境的动态变化进行实时决策，利用GVO模型与RRT规划相结合，进行动态预测，以应对超车、跟车、停车等候等各情景。
2.2多信息融合技术──基于多信息融合的实时分类与决策，利用Dirchlet过程模型，与非参数化建模结合进行最优估计。
2.3车辆模型辅助的动态决策──在路径规划条件下，结合车辆的运动学模型进行最优决策，同时考虑环境中的动态及静态障碍。
2.4基于深度强化学习的决策──基于深度强化学习，通过 80万步的训练实现低成本传感系统条件下的自主导航，实现从虚拟环境向真实环境的迁移学习，在无人车技术的研究中，我们是最早将深度学习应用在端对端场合中的案例。
2.5三维场景预测──深度强化学习与传统的滤波器结合，把传统每秒20帧提高到 21000帧，较传统技术高1000倍。
2.6多机任务分配──此技术协助同时有多台无人车，以及不同目的地如仓储的场景，按照多个目标分配及决策出最有效率的方案。
为了增加决策与预测系统的精密度，我们从大规模的虚拟测试中收集数据，当中包括无人车对不同天气，如雨、晴转阴、日转夜的不同反应，仿真实安排突发事件，如不依交通灯过路的行人等，强化系统快速运算及决策的准确度。
算力及芯片化方案
在工控机与GPU算力分配上，我们有自家研发的ACU ，另可选配Tx2 ， FPGA的点云算法方案，边缘计算与云计算融合等，支持决策与预测系统的流畅运作。
3.规划与控制
无人车系统的最后一个核心技术是规划与控制，包括三大范畴：
3.1三维路径规划与控制──在三维场景下流形上的路径规划与控制，实现多地形机器人的实时导航，与场景分析的结合，是领域内低速全自动导航系统的代表作。
3.2基于MPC的控制系统──实现多个复杂控制对象平台的MPC控制。
3.3基于迁移学习的强化学习──·迁移学习领域内具代表性的成果，实现虚拟环境与真实场景的互动，此技术实现了在真实车辆上进行端到端(End-to End)控制的实际控制系统，是领域中少数几个成功案例之一。
车身技术
建立了优质的核心技术，最后还得由一台设备、电控、传感交换完善的无人车，才能真正实现无人驾驶的目标。 UDI现已设有量产产线，并特别为无人车开发了5G低速无人车测试场地，内有50种测试场景。我曾服务于我国第一代燃料电池车「超越二号」和「超越三号」，负责ECU及BMS系统软硬件系统设计与调试，服务过第一代无人公交车阿尔法巴控制系统。加上之前的创业和科研经历，为我在复杂机电系统设计等方面积累了丰富的产品化经验，研制出时速达40km/h的无人车，是目前低速无人车最高速的成品。
结合云端全国应用
要把无人车跟使用者整合起来，云端是当中的桥梁。从叫车APP到自动或手动装车，经由云端(Cloud-end)管理，驾驶过程中的安全，由远程监控及辅助无人车，有条件地实现全流程无人化。
UDI无人车的应用已遍及中国多个城市，包括深圳科技园的小型无人车，顺丰采用的快递无人车，苏州的疫情消毒喷灌无人车，以及临淄的零售用无人车和物流无人车等。根据我们在产业园区的实践经验，人们由憧憬或害怕无人驾驶，只是源于不了解。直至无人车在园区内行走，路上总有好奇的员工前来测验无人车的反应，运作一段时间后，园区内的人都习以为常，适应了无人车是日常的一部分;过程正好是未来无人车技术普及化的缩影。
关于香港科大EMBA｜中英双语课程
香港科技大学自1991年创校以来，在短短二十几年时间里，已跻身世界顶尖大学之列。香港科大商学院是拥有国际地位的著名商学院，研究实力及多项课程在世界排名中均位列前茅，金融时报评选中凯洛格-香港科大EMBA课程连续9次位列全球第一，全球MBA课程连续3年排名全球二十强，泰晤士报全球年轻大学排名中香港科大连续3次位列亚洲第一。