距離2018 IEEEIV國際智能車會議開幕還有一個月左右的時間，大會組委會近日公布了本屆IV會議論文收錄情況。本屆IEEE IV大會共收到來自34個國家的603篇論文，接收論文356篇，錄取率為59%，其中282篇Contributed paper，21篇SpecialSession Paper，53篇Workshops paper。

由IEEE智能交通系統(tǒng)協(xié)會（ITSS）主辦的第29屆國際智能車大會( IEEE IV 2018)將于2018年6月26日在中國常熟拉開序幕。IEEE Intelligent Vehicle Symposium（IEEE國際智能車大會）是IEEE智能交通協(xié)會舉辦的兩大年度旗艦會議之一，旨在為全球該領域相關的研究人員、工程師、學者提供當今最先進技術的交流研討機會。

2018 IEEE IV會議投稿總數(shù)創(chuàng)歷史新高

IEEE IV會議自1989年至今已經(jīng)舉辦了29屆，目前是全球智能車科研學術領域水平最高、規(guī)模最大、歷史最為悠久的頂級大會，堪比AI領域的NIPS大會。大會每年都會收到來自世界各地的專家學者的投稿，本屆IEEE IV大會共收到來自34個國家的603篇論文，有356篇論文被接收，其中282篇Contributed paper，21篇SpecialSession Paper，53篇Workshops paper，錄取率為59%。

第29屆IEEE IV的所有論文都將被EI收錄，優(yōu)秀論文將被推薦到IEEE智能車匯刊（IEEE Transactions on Intelligent Vehicles），IEEE智能交通系統(tǒng)匯刊（IEEE Transactions on Intelligent Transportation Systems，SCI檢索，影響因子3.724），IEEE/ CAA自動化學報（IEEE/CAA Journal of Automatica Sinica）和IEEE智能交通系統(tǒng)雜志（IEEE Intelligent Transportation Systems Magazine，SCI檢索，影響因子3.654）上發(fā)表。

2018 IEEE IV會議是繼2009年登陸中國（西安）之后，第二次來到中國（常熟），吸引了一大批國內(nèi)智能車領域研究學者的投稿。主會議論文投稿中有153篇（錄用69篇）來自中國，83篇（錄用64篇）來自德國，58篇（錄用46篇）來自美國，這三個國家的投稿占據(jù)了所有論文投稿的近三分之一。美國是自動駕駛技術的發(fā)源地，對此技術的探索一直處于世界領先水平，收到的論文質(zhì)量也很高，錄取比例高達79%；德國一直是汽車技術強國，奔馳、寶馬、大眾等汽車知名品牌都來源于德國，盡管相比論文他們更看重專利，但是本屆大會上他們也投了很多高質(zhì)量的文章；近幾年，隨著國家對智能汽車技術的關注，國內(nèi)迎來了汽車智能化的研究熱潮，共收到來自國內(nèi)各高校、研發(fā)單位等機構的153篇稿件，錄用論文總數(shù)達到了69篇，其中不乏一些國際領先的技術研究。

Special Session Papers 主要來自中國、美國、英國、加拿大四個國家的高校和機構的投稿，共收到55篇論文，其中 41篇來自國內(nèi)機構投稿，包括：清華大學、中科院自動化研究所、西安交通大學、同濟大學、武漢理工大學、上海交通大學、昆明理工大學等。從這些數(shù)據(jù)中，可以看出國內(nèi)高校對這次大會關注和重視，也暗示出我國在智能駕駛學術研究上的投入。國內(nèi)稿件雖多，但最終只有12篇論文被錄用。同時，大會也收到了美國聯(lián)邦公路管理局、福特汽車公司、加拿大滑鐵盧大學等國外機構的高質(zhì)量論文。

本屆大會涵蓋新能源汽車、特種地面車輛、智能車輛控制與安全、CAV測試與評估、智能車輛仿真與導航等9大主題會議，將由國內(nèi)外頂級專家學者以主旨報告、現(xiàn)場討論等多種形式分享當前智能車領域的最新技術動態(tài)以及未來發(fā)展前景。同時，由來自世界各地的數(shù)千名學者組織的20多個專業(yè)研討會，將圍繞智能汽車的感知、識別、輔助系統(tǒng)、虛擬測試、智能交通系統(tǒng)、人機交互等多個相關主題展開為期三天的學術探討，優(yōu)秀論文的作者也將分享他們的論文核心內(nèi)容，讓廣大業(yè)內(nèi)外人士更清晰地了解智能汽車領域未來發(fā)展趨勢，知悉行業(yè)最新動態(tài)，把握市場發(fā)展脈絡，促進產(chǎn)業(yè)快速發(fā)展。同期舉辦的智能汽車產(chǎn)業(yè)展匯集了英特爾、偉世通、慧拓智能、車和家、美團等數(shù)百家智能汽車及零部件企業(yè)，分享最新產(chǎn)業(yè)成果、展望未來產(chǎn)業(yè)動向。將智能車領域最尖端技術研究與科研成果轉(zhuǎn)化有機結合，為技術理論研究方向提供產(chǎn)業(yè)化引導與啟發(fā)。

IV 2018推薦論文

IEEE IV大會有嚴格的論文評價機制，資歷深厚的組委會陣容和在智能車相關領域深耕多年的審稿專家保證了論文審核工作的公平、公正、有序進行。智車科技作為本次大會的戰(zhàn)略合作伙伴，得到了本次論文的整體評分情況，并選擇了其中評分較高的一些論文進行重點梳理與推薦。（排名不分先后）

CONTRIBUTED PAPERS

Paper

1

Rendering Physically Correct Raindrops on Wind shields for Robustness Verification of Camera-based Object Recognition

這篇論文的作者是 Alexandervon Bernuth, 來自德國圖賓根大學Wilhelm Schickard計算機科學研究所計算機工程系主任。單看論文標題就讓人興致盎然，通過在擋風玻璃上撒上水滴來模擬下雨場景，進行攝像頭目標識別的魯棒性驗證。對于無人駕駛汽車來講，下雨天確實給視覺識別帶來很大的麻煩，雨水附著會使鏡頭變得模糊不清。目前，有一部分公司推出專門的微型雨刷器或者加熱技術來去除水滴，硬件上的改變并不能徹底解決相機對下雨場景的魯棒性，人工智能可能要學習適應在雨中處理圖像。Alexander von Bernuth團隊提出了一種新的方法來渲染這些雨滴，使用連續(xù)最近鄰R*樹搜索算法。3D場景是由攝像頭生成的立體圖像，雨滴下落過程遵循物理定律，所得到的圖像可用于擴展機器學習的訓練數(shù)據(jù)集，而不必強制獲得新的真實圖像。

左圖為原始采集圖像和使用3D光線跟蹤算法重建場景的完整渲染圖之間的差異。右圖為城市景觀數(shù)據(jù)集與渲染雨滴。擋風玻璃放置在相機前30cm處，水平方向傾斜27°。雨滴下落半徑在r＝1.5mm，標準偏差為0.4mm。

Paper

2

Towards End-to-End Lane Detection: an Instance Segmentation Approach

系統(tǒng)總覽圖：給定一個輸入圖像，LaneNet輸出一個車道實例地圖，為車道ID標記每個車道像素。接下來，使用H-Net輸出的變換矩陣來變換車道像素，該變換矩陣學習了以輸入圖像為條件的透視變換。對于每一條車道，都用三階多項式進行擬合，并且車道被重新投影到圖像上。

第二篇論文作者為來自比利時魯汶大學的Davy Neven，魯汶大學是比利時久負盛名的最高學府，世界50強高校，歐洲歷史最悠久且最受人尊敬的大學之一，也是享譽全球的世界級頂尖研究型大學。Davy Neven近幾年來，一直在圍繞語義分割、場景理解、動態(tài)圖像增強等技術進行研究。該論文，他們介紹了一種以50幀/秒進行端到端車道檢測的方法，這是一種快速車道檢測算法，可以處理不同數(shù)量的車道并應對車道變化。應用一個以圖像為條件的學習透視變換，對分段的實例車道進行參數(shù)化，確保了一種對道路平面變化具有魯棒性的車道匹配，可以有效抵抗地平面的坡度變化。這種方法擺脫了傳統(tǒng)車道檢測方法對高度專業(yè)化手工標注的依賴，同時也解決了近期提出的利用深度學習模型進行像素級車道分割訓練需要預定義固定數(shù)量的車道的缺陷。

Paper

3

Probabilistic Prediction of Vehicle Semantic Intention and Motion

預測車輛在不同駕駛場景下的插入?yún)^(qū)域（彩色區(qū)域）

來自美國加州大學伯克利分校機械工程系的Yeping Hu博士分享了他們在車輛語義意圖和運動的概率預測方面的研究論文。她的研究涵蓋城市自動駕駛的決策，運動規(guī)劃和運動預測。目前正在開展一項BDD項目：“基于深度神經(jīng)網(wǎng)絡學習的隨機政策的城市自主駕駛運動預測”。目前大多數(shù)研究僅通過考慮特定場景來確定駕駛意圖的數(shù)量。然而，不同的駕駛環(huán)境通常包含各種可能的駕駛操縱。因此，需要一種能夠適應不同流量場景的意圖預測方法。在Yeping Hu博士的論文中提出了一種基于語義的意圖和運動預測（SIMP）方法，可以通過使用語義定義的車輛行為來適應任何駕駛場景。它利用基于深度神經(jīng)網(wǎng)絡的概率框架來估計周圍車輛的意圖，最終位置和相應的時間信息。

Paper

4

Modeling and Predicting Vehicle MotionActivities by Using And-Or Graph

車道變換場景中的與或圖

通過建模來預測車輛運動能力對于自動駕駛汽車來說非常重要。清華大學的汪爍楓、李力等人提出了一個基于與或圖的模型，該模型可以給出一個簡單明了的車輛運動描述。與其他模型相比，這個新模型放寬了馬爾可夫性質(zhì)在兩個活動之間轉(zhuǎn)換的要求，因此更加靈活。這個模型的參數(shù)可以很容易地從數(shù)據(jù)中學習。使用訓練好的新模型，可以預測正在進行的運動活動標簽及其相應的概率。他們通過實驗表明，這種新模型可以實現(xiàn)很高標準的預測精度（97％）。

Paper

5

CNN-based multi-frame IMO detection from a monocular camera

上圖為KITTI數(shù)據(jù)集里序列拍攝的場景：IMO在頂部圖像中被正確識別。

德國的NolangFanani博士是IEEE IV會議的?？停?016年的IEEE IV會議上發(fā)表過一篇《使用基于傳播的跟蹤關鍵點軌跡估計》（Keypoint trajectory estimation using propagationbased tracking），2017年發(fā)表過一篇《單眼視覺測距的多模態(tài)尺度估計》（Multimodal scale estimation for monocular visual odometry），而今年的大會他帶來的論文題目為CNN-based multi-frame IMO detection from amonocular camera。這篇文章介紹了一種用于從安裝在車輛上的單目攝像頭中檢測獨立移動物體（IMO）的方法。這種方法采用一個基于CNN的分類器，來生成IMO備選補丁，通過這些補丁中軌跡上的關鍵點來檢測幾何標準。通過多幀核線一致性檢查，分析IMO備選補丁內(nèi)的關鍵點。然后使用IMO備選補丁的運動信息和基于外觀的信息獲得運動標簽（IMO /靜態(tài)），他們在KITTI 數(shù)據(jù)集里評估了這一方法。

Paper

6

Accurate Localization in Underground Garages Via Cylinder Feature BasedMap Matching

左圖為提出的CyRoPS特征，該特征基于多種統(tǒng)計量，具有較好的物體識別性能。右圖(a)(c)是原始3D點云，(b)(d)展示了基于Cy-RoPS特征剔除動態(tài)障礙物后的效果，剔除后可提高無人車的定位精度。

地下車庫是典型的無GPS信號場景，隨著技術的發(fā)展，無人車在地下車庫中的自主定位變的尤為重要。西安交通大學薛建儒老師團隊提出了一種在無GPS信號的環(huán)境中提高車輛定位精度的方法。針對地下車庫/校園內(nèi)部結構特征，提出一種基于局部表面的描述子CyRoPS，該描述子具有旋轉(zhuǎn)不變/計算快速/對噪聲魯棒等多種優(yōu)點，可以準確選出車庫/校園中的常見靜態(tài)物體，如墻面/樹木/柱子等。同時，我們提出一種基于點云匹配的定位框架，由于場景中的動態(tài)障礙物被有效剔除，定位過程穩(wěn)定/結果準確，滿足無人駕駛導航要求。實驗表明，這一方法可以極大的提升定位精度，增加系統(tǒng)的魯棒性。

Paper

7

Cooperative Lane Change Motion Planning of Connected and AutomatedVehicles: A Stepwise Computational Framework

加拿大Zhang Youmin 博士帶來了他們在多車協(xié)同車道變換運動規(guī)劃的研究，他們提出了一種逐步計算框架，通過連接的自動控制系統(tǒng)，協(xié)調(diào)車輛通信和自動車輛的控制，以改善交通系統(tǒng)的移動性、安全性和可持續(xù)性，雖然他們迄今為止大多數(shù)現(xiàn)場實驗的研究都集中在簡單的高速公路駕駛場景（如合作自適應巡航控制（CACC））的自動車輛控制，但CACC和相關交通管理技術的實際部署需要所有交通流動的自動化，包括車道變換和合并演習，充分實現(xiàn)潛在的系統(tǒng)效益。本文描述了Zhang, Youmin團隊在開發(fā)創(chuàng)新型車輛控制平臺和算法上的努力，成功地進行車道變換操作的現(xiàn)場實驗，其使用了自動速度控制，車輛到車輛（V2V）通信和基于車輛的雷達系統(tǒng)執(zhí)行。

SPECIAL SESSION PAPERS

Paper

8

State of Charge Estimation Based on State of Health Correction forLithium-ion Batteries

Special Session Paper中，來自國內(nèi)武漢理工大學的State of Charge Estimation Based on State of Health Correction forLithium-ion Batteries論文受到了專家的一致好評，作者是武漢理工大學汽車工程學院杜常青，他長期致力于鋰離子電池的研究。本文他研究了基于庫侖計數(shù)法的鋰離子電池健康狀態(tài)（SOH）校準的荷電狀態(tài)（SOC）估計方法。該方法旨在提出一種易于使用的解決方案，用于估計電池狀態(tài)，而不需要苛刻的計算或復雜的數(shù)據(jù)庫。為了更準確地估計老化電池的SOC，必須考慮其滿容量的退化。借助一種基于庫侖計數(shù)的鋰離子電池SOC估計方法，通過考慮容量衰減和電流測量誤差，可以更準確估計SOC。

WORKSHOP PAPERS

Paper

9

Decision-Theoretic Cooperative Parking forConnected Vehicles: an Investigation

圖片來源網(wǎng)絡

Workshops Paper 中，Aliedani, ALI和 Loke, Seng的Decision-Theoretic Cooperative Parking for Connected Vehicles: an Investigation論文受到審稿嘉賓的一致好評。這篇論文總結出了一種協(xié)同停車算法（COPARKS WS）。其主要思想是在停車場之間引入車輛之間的通信，以便每輛車可以互相通信其目的地。而且引入了一種選擇，如果該地區(qū)有很高的機會被占據(jù)，其他汽車將改變自己的目的地。最后，汽車可以通過衡量到達目的地的步行距離和空閑停車位，來改變其目的區(qū)域。

Paper

10

The ParallelEye-CS Dataset: Constructing Artificial Scenes for Evaluating the Visual Intelligence of Intelligent Vehicles

ParallelEye虛擬圖像集的標注信息示例。第一行左：深度標注；第一行右：光流標注；第二行左：目標跟蹤標注；第二行右：目標檢測標注；第三行左：實例分割標注；第三行右：語義分割標注。

來自中國科學院自動化研究所復雜系統(tǒng)管理與控制國家重點實驗室、青島智能產(chǎn)業(yè)技術研究院平行視覺技術創(chuàng)新中心的Xuan Li等分享了他們構建的平行眼（Parallel Eye）數(shù)據(jù)集。該團隊建立了開源的平行視覺研究平臺OpenPV (Open Source Parallel Vision Platform)，用于推動平行視覺研究，構建更健壯的智能視覺系統(tǒng)。在OpenPV平臺上，發(fā)布了一批 ParallelEye 虛擬圖像集，包括原始圖像及標注信息，可以供平行視覺和計算機視覺研究者免費使用。在此之前，基于平行視覺理論，田永林等利用ParallelEye數(shù)據(jù)集進行了目標檢測器的訓練和測試研究，通過虛實結合的方式提高了Faster R-CNN和DPM目標檢測器的性能，并且通過定制虛擬圖像中的目標尺寸、遮擋程度等屬性，測試其對目標檢測器的影響，取得了優(yōu)異的效果。