随着以神经网络为代表的机器学习算法飞速发展，机器智能也开始在各类场景中广泛应用。并且伴随单个智能体能力得到提高，多智能体之间的有机合作成为可能。相比于单机智能，多机协同智能对于环境的感知范围更大，动作能力更强，系统效用可以进一步提高。然而多机系统面临通信、感知、数据、计算等资源受限的挑战。为了应对上述挑战，需要从理论、算法、系统等多方面开展研究。
本次研讨会，邀请算法和系统领域的专家对智能无人系统的感知导航决策方法、协同基础理论、多机实际系统进行讨论，将于2022年7月17日举行。
嘉宾简介
陈建云丨国防科技大学智能科学学院研究
题目：天基多域智联协同关键技术与应用
摘要：发展智能化星座、构建天基全域智能应用体系，是下一代天基系统规模化、一体化、智能化发展必然趋势。报告面向构建智能化，自主化的天基多域智联协同体系需求，提出“云边一体、地为底座、星主实时、孪生演进”天地一体化的天基多域智联协同新模式。天基多域智联协同采用分布式、开放型架构，以泛在基准、韧性网络、云技术以及人工智能等新技术为使能器，并采用基于敏捷的“云边一体”开放架构和螺旋式开发方法，形成了智能化星座在轨分布式协同的“任务中枢”和“联接枢纽”，为推动天基分布式节点多星精准协作、多域自主协同、星上自主智能处理的大规模应用提供支撑。
个人简介：陈建云，博士，国防科技大学智能科学学院研究员，主要研究方向为智能天基网络信息系统、空间仪器工程、大型星座组网与精密测量、无人系统协同、装备综合测试与评估等方向的教学科研工作。近五年来作为项目负责人和核心骨干共承担国家重大专项、装备预研、军委科技委等重大科研任务23项。获国家技术发明二等奖1项、军队科技进步一等奖1项、省部级科技进步一等奖3项，学术成果方面出版专著5部，发表论文50余篇。
彭 艳丨上海大学人工智能研究院执行院长、无人艇工程研究院院长
题目：海洋智能无人系统关键技术与应用
摘要：海洋无人艇作为空海潜无人系统重要跨域节点，在海洋探测中发挥重要的作用海洋。无人艇在复杂海洋环境中发挥效能面临如下挑战：浪流涌干扰大，航迹难走准；海杂波影响大，弱小目标难探测，难识别；动态复杂场景理解难，场景语义难感知，行为决策难；本报告针对智能无人艇发挥效能亟需解决的智能感知、交互认知、智能自组织和自演进等问题，立足于智能化顶层设计、技术应用基础支撑以及工程实现等三个层面展开。
个人简介：彭艳，长期从事海洋智能无人艇、海洋智能部组件研究工作，现任上海海洋人工智能协同创新中心主任、教育部海洋智能无人系统装备工程研究中心常务副主任；获俄罗斯工程院外籍院士、俄罗斯自然科学院外籍院士、全国三八红旗手等荣誉称号。研究成果服务海洋强国战略需求，获国家技术发明二等奖1项、国家科技进步二等奖1项、上海市科技进步一等奖2项等十余奖项。发表论文180余篇，其中近五年以第一/通讯作者发表SCI论文80余篇、一区论文40余篇。授权国家发明专利208项、国际发明专利3项。
秦 涛丨微软亚洲研究院首席研究员
题目：Reinforcement Learning: From Game Playing to Real-world Applications
摘要：Powered by deep neural networks, reinforcement learning has achieved great successes in game playing in past 7 years. A recent trend (and also a challenge) is how to reproduce the success of RL in real-world applications. In this talk, I will present two of our recent efforts towards this direction. In the first one, we build a general RL agent, Inspector, for pixel-based automated game testing via exploration, detection, and investigation, and demonstrate its effectiveness in the popular Shooter game. In the second one, we study the off-policy evaluation problem, a key challenge while applying RL in real-world applications. We reduce the hard problem, off-policy evaluation, to a much simpler one, supervised off-policy ranking (SOPR), and propose a method to learn a scoring function to correctly rank a set of policies.
个人简介：秦涛，博士，微软亚洲研究院首席研究员，深度和强化学习组负责人，IEEE、 ACM高级会员，中科大客座教授。他的研究兴趣包括深度学习及其在自然语言语音图像处理中的应用、强化学习及其在游戏AI和实际问题中的应用、博弈论和多智能体系统及其在云计算和在线广告中的应用、信息检索和计算广告。他的团队提出的对偶学习及其他技术助力微软于2018年在中英新闻翻译任务上达到了人类专家的水平，并于次年获得WMT2019机器翻译比赛8项冠军；于2019年设计了目前最高效的语音合成模型FastSpeech，达到了百倍加速，支撑了微软云Azure上的所有语音合成服务；于2019年研发了史上最强麻将AI Suphx，在“天凤”平台荣升十段，稳定段位显著超越人类顶级选手；2020年出版学术专著“Dual Learning”。近期他的研究重点转为为自然科学中的若干重要问题（如药物研发、蛋白质设计、新材料发现等）设计机器学习模型和算法。
李弘扬丨上海人工智能实验室青年科学家
题目：通用感知与智能决策的协同进化
摘要：自动驾驶算法体系包含感知和决策两大部分，工业级软件算法架构包含感知、预测、规划、控制等极联模块。既然一切自动驾驶问题最终优化目标是方向盘和加速度，为何不跳过感知模块，不输出3D框，端到端地直接让网络学习这些控制信号？一方面，我们注意到最近的CVPR/ICCV国际知名研究机构都在布局这方面工作（例如LAV, MP3）；另一方面，车企也在探索感知决策一体化的前瞻性研究（例如Openpilot, Uber等）。本次报告会首先回顾下CVPR 2022 自动驾驶Workshop的最新研究进展；然后重点介绍浦江实验室在这方面发表在顶级会议的工作（ST-P3, TCP), 如何利用单相机在Carla榜单上取得第一名，比第二激光雷达方案高出15个性能点；最后展望后续工作的研究思路。
个人简介：李弘扬，上海人工智能实验室青年科学家。2019年于香港中文大学获得博士学位，同时荣获香港博士学位奖学金。以第一作者完成的相关成果发表于计算机视觉顶级国际会议如CVPR/ICCV/ECCV等。自从2021年起，担任清华大学研究生课程高等计算机视觉主讲人，上海交通大学行业兼职博导。
周力普丨美团到家无人机业务部三维视觉专家
题目：EDPLVO: Efficient Direct Point-Line Visual Odometry
摘要：This paper introduces an efficient direct visual odometry (VO) algorithm using points and lines. Pixels on lines are generally adopted in direct methods. However, the original photometric error is only defined for points. It seems difficult to extend it to lines. In previous works, the collinear constraints for points on lines are either ignored or introduce heavy computational load into the resulting optimization system. This paper extends the photometric error for lines. We prove that the 3D points of the points on a 2D line are determined by the inverse depths of the endpoints of the 2D line, and derive a closed-form solution for this problem. This property can significantly reduce the number of variables to speed up the optimization, and can make the collinear constraint exactly satisfied. Furthermore, we introduce a twostep method to further accelerate the optimization, and prove the convergence of this method. The experimental results show that our algorithm outperforms the state-of-the-art direct VO algorithms.
个人简介：周力普，博士，担任美团到家事业群无人机业务部三维视觉专家，主要负责视觉定位相关工作。周力普博士毕业于清华大学计算机系，曾在卡内基梅隆大学机器人学院从事博士后研究，曾任职于Magic Leap，Qualcomm，Microsoft等公司。
研究方向包括SLAM，Localization，large-scale optimization, sensor fusion，calibration等。周力普博士在ICRA，IROS，AAAI，RAL等期刊和会议上发表多篇文章，担任IROS 2021 SLAM II session cochair，获得ICRA 2022 Outstanding Navigation Paper Award。
代季峰丨商汤科技研究院执行研究总监
题目：BEVFormer：新一代自动驾驶环视感知算法介绍
摘要：随着智能驾驶落地应用场景不断延伸，系统信息表达的准确度要求进一步提升。一个合格的智能驾驶系统，需要准确表示包括道路布局、车道结构、道路使用者等元素组成的周围环境。然而，物体的距离、场景的深度信息在2D 感知结果上并不能得到有效呈现。这些信息才是智能驾驶系统对周围环境进行正确判断的关键。因此，3D 场景感知才是智能驾驶视觉感知的优选。
最近，基于多视角摄像头的3D目标检测在鸟瞰图下的感知（Bird's-eye-view Perception, BEV Perception) 吸引了越来越多的注意力。一方面，将不同视角在 BEV 下统一与表征是很自然的描述，方便后续规划控制模块任务；另一方面，BEV 下的物体没有图像视角下的尺度和遮挡问题。如何优雅地得到一组BEV下的特征描述，是提高检测性能的关键。
我们提出BEVFormer 环视感知的新框架，通过使用时空注意力机制学习用以支撑多种自动驾驶任务的鸟瞰图视角下的环境表征。总体而言，BEVFormer通过使用预定义的格栅化的鸟瞰图查询来与时间和空间特征进行交互，从而获取时空信息。为了聚合空间信息，设计了一种空间交叉注意力机制，每个鸟瞰图查询在相机视角下的相关区域提取空间特征。对于时序信息，提出时序自注意力机制从历史鸟瞰图特征中获取所需时序特征。在nuScenes数据集上达到了56.9 % NDS，比之前的最好效果高了9.0% NDS。
个人简介：代季峰，博士，在清华大学自动化系于2009年和2014年分别获得学士和博士学位。2012年至2013年间，他在加州大学洛杉矶分校访学。2014年至2019年间，他在微软亚洲研究院（MSRA）视觉组工作，曾担任首席研究员、研究经理。2019年至2022年，他在商汤科技研究院工作，担任基础视觉、通用智能两个二级部门负责人，执行研究总监。他的研究兴趣为计算机视觉中的通用物体识别算法和跨模态通用感知算法。他在领域顶级会议和期刊上发表了30多篇论文，根据谷歌学术统计获得了20000多次引用。他的一些工作，如区域全卷积网络R-FCN、可变形卷积网络Deformable ConvNets，被编入顶尖大学计算机视觉课程的讲义中。他于2015、2016年获得领域权威的COCO物体识别竞赛一等奖，后续历届冠军系统也均使用了他提出的可变形卷积模块。他在商汤科技工作期间，曾经担任本田-商汤自动驾驶研发项目的技术负责人。他是IJCV的编委，CVPR 2021和ECCV 2020的领域主席，ICCV 2019的公共事务主席，AAAI 2018的高级PC成员，北京智源人工智能研究院的青年科学家。
赵涵颖丨清华大学电子工程系博士后
题目：面向多机协同系统的组网同步与定位技术
摘要：多机协同网络具有作业能力强、任务效率高、鲁棒性强等优点，典型应用场景包括自动驾驶、物联网、编队控制等，存在巨大的应用潜力与价值。然而，在高速变化、资源受限、传播环境复杂等场景下，多机间相对拓扑信息缺失与时钟不同步严重制约了网络协同的性能。我们介绍一种面向多机协同系统的高精度组网、同步与相对定位框架，最大限度利用无线信号的空间复用能力，结合对交互数据的弹性量化，大幅降低了网络资源开销，实现不依赖外界基础设施的高精度网络同步与定位，可为未来大规模多机协同系统提供底层基础设施。
个人简介：赵涵颖，清华大学电子工程系博士后。2021年于清华大学电子系取得工学博士学位，主要研究方向是无线网络定位和多机协同智能，包括信号处理和系统设计。在TSP、TWC等期刊和会议上发表论文15篇。
