自主系统场景理解的分层随机图模型与语义学习方法

Along with the improvement of technologies including sensing, information, network, and artificial intelligence, scene understanding, a previously impossible goal, has become an important research topic which continuously seeks breakthroughs in the field of autonomous systems. In this proposal, we focus on the core problems of scene understanding of autonomous systems, and investigate stochastic computing models and semantic learning methods of scene understanding to satisfy needs of autonomous systems. We propose biological selective attention and feedback mechanisms inspired hierarchical stochastic graph models, semantic sequence learning algorithms, vision-centric multi-sensor fusion for semantic reasoning, and integrated model of perception-decision making-control, for scene understanding of autonomous systems. Additionally, we expect to make several key technical breakthroughs of perception, control and testing. The anticipated results could be directly used in driverless cars, intelligent robots, autonomous systems, as well as posing positively impact on the fields of national defense, intelligent transportation, and the quality of life.

随着传感器、信息网络及人工智能技术的发展，场景理解已经从一个初期难以实现的目标成为目前几乎所有先进自主系统正不断寻求新突破的重要研究方向。本项目针对自主系统场景理解的核心问题，拟借鉴生物感知与整合机理，研究能满足自主行为决策需求的场景理解统计模型与语义学习方法。重点研究场景理解的层次化解析模型、语义学习与语义推理方法，拟提出受生物选择性注意与反馈机制启发的场景理解分层随机图模型、场景语义的序列学习算法、视觉主导的多传感融合推理引擎和感知-决策-控制一体化模型，实现基于图像传感和其它传感协同融合的场景理解，取得自主系统场景理解和运动控制等关键技术突破，并探索自主系统场景理解水平的新型测试方法。预期成果不仅可直接应用于无人车、智能机器人、自主无人系统等自主系统，而且对国防、智能交通和社会生活产生积极影响。

项目聚焦于自主系统的场景理解问题，在场景表征与计算、感知-决策等核心问题上取得了以下主要研究成果：1）针对大范围场景的结构化描述问题，提出了3D形状重建、扫描匹配等核心算法，突破了大范围场景地图构建与导航定位、地下车库自主泊车、隧道出入口的光照补偿等关键技术；2）针对开放、动态场景的自主系统运动决策需求，提出了多种具有多传感协同融合机制的场景解析模型，建立了3D目标检测、长时轨迹预测模型与视点不变性的行为识别计算模型；3）针对灵巧、敏捷的自主系统决策需求，建立了表征场景对运动约束的混合势场模型和基于深度强化学习的运动策略模型；4）建立了大规模复杂动态场景测试数据集与智能驾驶验证平台。共发表高水平学术论文22篇（其中重要国际期刊论文8篇、国内期刊论文1篇、国际会议论文13篇），申请受理国家发明专利9项（含已授权5项），培养博士3名、硕士6名。