第29届IEEE国际智能车大会（IEEE IV 2018）于6月30日在江苏常熟顺利落幕，本届大会 Best Paper Awards 最佳论文奖分别颁给了来自德国宝马集团，德国法兰克福歌德大学以及日本金泽大学的三篇优秀论文。这三篇论文到底有何创新点，能从600余篇论文中脱颖而出？本文简述了IV2108 最佳论文奖三篇论文。

本届IV大会共收到了来自34个国家的603篇论文，其中确认接收的论文346篇，在所有接收的论文里，Automated Vehicles， Vision Sensing and Perception， and Autonomous ／ Intelligent Robotic Vehicles 成为本届论文最热的关键词。

IV会议共设有“Best Paper Awards”、 “Best Student Paper Awards” 、 “ Best Workshop ／ Special Session Paper Awards ” 、 “Best Poster  Paper  Awards ” 和 “Best Application Paper Awards”五大奖项。本文主要介绍获得 Best Paper Awards（最佳论文奖）的三篇论文，论文作者分别来自德国宝马集团，德国法兰克福歌德大学以及日本金泽大学。

First Prize：

本届IV会议最佳论文奖一等奖颁给了来自德国慕尼黑宝马集团的论文Courtesy Behavior for Highly Automated Vehicles on Highway Interchanges（高阶自动驾驶在高速公路交汇处的“礼貌行为”）。作者 Cristina Men endez－Romero， Mustafa Sezer， Franz Winkler 都是来自德国慕尼黑宝马集团，这不是他们第一次在IV上投稿，去年他们的 Maneuver planning for highly automated vehicles（高阶自动驾驶汽车的运动规划）论文也被IV 2017收录。从这两篇论文可以看出该团队近期主要在做无人驾驶汽车的运动控制的。

在高速公路上，人类驾驶员通常会不停做出适应驾驶环境的决策行为。例如在一些靠近高速公路坡道入口处，他们会很自然地调整他们自己的行为以便进入车道的合并。

在高阶自动驾驶汽车上，系统也应该能做出这个决策。在这种情况下，无人车不仅要优化自己所要达到的安全、舒适的目标，还要优化周围车辆让其较为舒适的交汇。通过设计让无人车具备足够礼貌行为（Courtesy Behavior）可以提高公众对自动驾驶系统的接受度以及改善周围车辆的舒适度，而不会显著降低自身的舒适度。基于此目的，该团队提出了一种自适应驾驶行为的新方法，整合了其他车辆的合并交汇的意图。与其他系统相比，该方法通过考虑了最可能优化方案，而且考虑了实时可能结果的预测值，实现了鲁棒性。这种方法可以灵活地集成到不同的系统中。

方法与实验

这项工作的目的是为自动驾驶系统提供一种礼貌行为决策，它可以识别其他交通参与者的意图，并评估调整自己的自我策略的成本。通过将意图预测算法集成到决策中来实现这一点。因此，通过包含所有可能的结果，可以更好地预测场景演化，从而为系统提供避开错误预测的鲁棒性。决策是基于所涉及参与者的预期效率的最大化。在语义上定义了自我和冲突车辆可能采取的行为集合，如表I和表II所示。所有可能的自我行动都聚集为无合作（NC）和合作（CO）。

因此，自我车辆的行动空间被定义为Aego：＝ ｛NC，CO｝。对于正常冲突，礼貌和强迫行动等行为被合并到无收益行动（NY）中，对应于在自我车辆前面的合并，以及屈服行为（Y）。因此，冲突车辆的动作空间被定义为Acv：＝ ｛Y，NY｝。笛卡尔乘积A ＝ Aego×Acv定义联合行动空间。目标是为自我车辆选择一个动作，以使组合的期望效用（U（a））最大化，即：

图2显示了系统的工作流程。首先，车辆通过不同的传感器和后端接收关于环境的信息。此信息由环境模型处理。其他交通参与者的行为由预测模块预测。然后，机动计划模块为当前情况选择最佳策略，并提供可行驶且无碰撞的轨迹。该轨迹跟踪和车辆控制器控制Actors，关闭控制回路。

图2：环境和车辆控制循环

该系统分别在仿真环境和真实测试，对不同速度不同外部交通行场景下做了对自我车辆的评估，发现采用礼貌行为增强驾驶策略可以提高车辆合并的舒适度，减少合并时间。此外，由于前瞻性规划，自我车辆的安全指标也得到了改善，在现实世界的路测中，也印证了远见规划优于快速重新规划的优点。对于危险情况，如合并车辆忽视自我车辆强行交汇，合作策略会选择允许机动车以舒适的方式适应自身，优于无合作策略。

结论

宝马团队提出了一种方法，为自动车辆提供礼貌行为。在高速交汇，车辆冲突情况下，评估不同可能场景的演变。不仅考虑了其他交通参与者最可能的行为，而且考虑了与他们合作的相反行为。这些方法表明，基于通用预测算法可以完成几个决策策略。仿真结果表明，这种礼貌行为改善了现有决策策略的结果。该方法可以适应计算要求，因此具有在线能力。同时，该系统也进行了真实路测，来说明了实际应用的可用性。未来重要的一步是在公共环境中密集测试该系统。

Second Prize：

IV 2018最佳论文奖二等奖同样颁给了德国，第一作者Nolang Fanani博士来自德国法兰克福歌德大学视觉传感器与信息处理实验室，他也是IEEE IV会议的常客，曾在2016年的IEEE IV会议上发表过一篇《使用基于传播的跟踪关键点轨迹估计》（Key pointt rajectory estimation using propagation based tracking），2017年发表过一篇《单眼视觉测距的多模态尺度估计》（Multimodal scale estimation for monocular visual odometry），而今年的大会他带来的论文题目为CNN－based multi－frame IMO detection from amonocular camera。这篇文章介绍了一种用于从安装在车辆上的单目摄像头中检测独立移动物体（IMO）的方法。这种方法采用一个基于CNN的分类器，来生成IMO备选补丁，通过这些补丁中轨迹上的关键点来检测几何标准。通过多帧核线一致性检查，分析IMO备选补丁内的关键点。然后使用IMO备选补丁的运动信息和基于外观的信息获得运动标签（IMO ／静态），他们在KITTI 数据集里评估了这一方法。

Third Prize：

三等奖的论文作者 Keisuke Yoneda， Naoya Hashimoto，Ryo Yanase，  Mohammad Aldibaja and Naoki Suganuma 都是来自日本金泽大学。他们的研究课题很有趣，使用76GHz全向毫米波雷达进行冬季自动驾驶的车辆定位。

雨雪天等恶劣天气对Lidar的挑战性很大，在降雪的时候，路面被遮挡无法观察地标，有研究曾用重构Lidar观测信息的算法，来处理路面部分遮挡的问题，但它不适用于路面完全被覆盖的情况，也有人提出过用三维点云图，利用周围建筑物特征定位方法，但是路边的形状会在降雪期间发生变化，因此对下雪天并不是一种有效的方法。然而MWR可用作传感器，以在降雪期间稳健地观察周围物体。

该获奖论文介绍了基于76GHz MWR（毫米波雷达）在降雪环境的自动驾驶自定位方法。以前，有许多基于LIDAR（光检测和测距）的定位技术被提出用于高测量精度和对昼夜变化的鲁棒性，然而，由于降雪产生的传感噪声（即环境抵抗力），它们没有为雪情提供有效的方法。因此，本文通过对误差传播的不确定性进行建模，开发了基于MWR的地图生成和实时定位方法。使用基于LIDAR的方法作为基线，对有雪和无雪条件的驾驶数据进行定量评估。实验结果表明，无论是否存在降雪，均可获得约0．25m的横向均方根误差。

MWR非常适合穿透环境。然而，由于与LIDAR相比角度方向的低分辨率，它具有稀疏观察信息的缺点。当车道边界被雪遮挡时，不能利用车道级定位。因此，该研究提出了一种使用76GHz MWR观测的自定位方法，测量雪况下的性能并与基于LIDAR的方法进行比较。使用具有后处理的高精度RTK－GNSS（实时动态GNSS）执行评估，提供厘米位置精度。本文的主要贡献如下：通过基于MWR误差传播的不确定性建模来开发地图生成和本地化；与基于LIDAR的方法作为基线相比，定量评估自身对降雪的定位。

试验车辆

图3（a）为实验车辆及传感器阵列；图3（b）为传感器角度

图3（a）说明了实验载体。该车辆配备了Applanix POS ／ LV220耦合 GNSS 和IMU 系统。它提供100Hz的位置（即纬度，经度和高度）和方向（俯仰，偏航，滚转）。具有64个独立横梁的3D LIDAR Velodyne HDL－64E S2安装在车辆上以测量环境。它在大约10Hz的频率下测量3D全向距离。前后保险杠内安装了9个MWR，用于识别远处的物体，如图3（b）所示。它可以测量物体在20Hz时的距离，角度和相对速度，水平视野是40度。每个MWR的观测目标数量为40。

地图生成

A．方法

通过使用 RTK－GNSS 将 MWR 观测与后处理映射来生成参考图。与 LIDAR和79GHz MWR 相比，76GHzMWR 的测量角度传感精度通常不精确。因此，有必要在映射过程中考虑测量精度。根据图2的左侧，使用以下处理生成参考图。 1）对象跟踪：估计静态／动态对象。 2）静态对象提取：删除动态对象。 3）映射：更新每个地图像素中静态对象的概率。

B．目标追踪

对象跟踪使用MWR观测来估计静态／动态对象。采用交互式多模型（IMM）来整合多种类型的运动来估计物体的位置，速度和加速度。恒定加速度，恒定速度和停止模型被定义为运动模型。IMM可以跟踪周围的动态对象，例如车辆和自行车。因此，可以忽略动态对象以生成地图。

C．定位

使用通过删除那些动态对象获得的静态对象生成参考映射。全局坐标中的观察点被转换为2D图像坐标并映射到相应的像素。为了考虑MWR的低感测精度，基于观测误差传播，使用协方差矩阵P来定义存在似然。图4（a）表示映射过程的一个例子。通过产生的垂直于传感器的照射方向的方差来计算存在似然。

图4 无人车地图生成

通过在似然分布的相应区域中的积分来获得每个像素的似然值。然后基于似然值更新存在概率。图4（b）显示了获得的图像映射。每个像素都具有关于纬度和长度的信息。通过与基于LIDAR的地图进行比较，如图4（c）所示，所获得的地图包括人行道上的物体，例如电线杆和护栏。而题目中提到的自定位的方法，是利用航位推算来更新估计位置，结合似然函数，用观察图像和地图图像来匹配实际应用地图。

结论

该论文采用76GHz MWR提出了自定位方法。实验结果表明，无论是否存在降雪，都可以获得约0．25m的横向RMS误差。虽然获得的位置精度仍不足以进行自动驾驶，但通过将其与基于LIDAR的方法一起使用，可以确保安全性。例如，在通过隧道后突然降雪的场景中，可以预期所提出的方法估计位置，直到车辆自动到达安全区域。将来，通过使用79GHz MWR获取更高分辨率的数据，可以获得稳定性和定位精度的进一步提高。