之前做CV，一开始觉得也很有意思，但没有踩对点，也许去直播视频公司比较刚需，互联网公司很多还是搜索推荐广告离钱最近；后来关注了一段时间的强化学习，强化学习做游戏也不错，当一个AI陪练师，但游戏更新换代快，腾讯AI lab 出来的超参数科技也没有太多动静；最近在做搜索推荐，也比较有意思，不过这个古老的行业很难有太多大的突破了。 当互联网开始内卷到抢菜市场的生意的时候，这个行业的创新也开始走到了尽头。还是要聚焦制造业，产业报国。 最近也在琢磨什么样的行业是可以深挖，挖的越深，可以持续不断得到井水。开始关注自动驾驶。整个行业格局整理如下：
上面讲的还是偏算法，如果加上工程软件，芯片，甚至物联网、5G、车路协同系统，就是一个整车上路了。1、目标检测，行人车辆车道线手势识别，这块研究应该是最透彻的。虽然也不成熟，例如如何在车载芯片上快速计算而且精度极高。相关内容后续跟进。1）Recursive Social Behavior Graph for Trajectory Predictionhttp://cn.arxiv.org/pdf/2004.10402.pdf卢策吾老师的文章，讲的是如何对与自动驾驶的车交互的对象的行为预测的。同样距离的三个人，有的人要穿越马路，有的人突然站着看手机，有的人直着走街道。他们对车的影响是不一样的。2）TPNet: Trajectory Proposal Network for Motion Prediction http://cn.arxiv.org/pdf/2004.12255.pdf这篇文章是研究多模态建模和道路结构利用问题的，解决的问题是：视野内的交互的车辆，会走出什么样的轨迹。构建了一个两阶段模型：第一阶段预测多个候选轨迹，第二阶段对轨迹进行分类和回归，哪些轨迹预测的还可以，修正一下就能得到更好的结果。CenterFusion: Center-based Radar and Camera Fusion for 3D Object Detectionhttps://github.com/mrnabati/CenterFusion这篇文章讲的是用低成本的雷达，替换激光雷达，并达到高精度3D目标检测的方法。具有很强的现阶段操作意义。4、强化学习做无人驾驶。这个方向是整个无人车的核心。目前还没有太多突破。我觉得是个很好的科研方向。为什么说是核心呢？本质上，人开车就是做决策的过程，这个过程是可以用蒙特卡洛搜索树拟合，人看到前面有行人过马路，就下意识放慢速度；发现行人停止了，看自己的车；又加速开过。整个过程就是一个复杂的决策过程，一般的规则策略是比较难做的。就是说强化学习，也是非常复杂，因为他的action集合就有很多，随便举例：1、加速10%，2、加速30%。3、减速20%。4、左转弯20度。5、右转弯10度。6、先打转向灯，等左后方车车距变大，再变道。…………等等。1、A. S. et al., “Multi-Agent Autonomous Driving Simulator built ontop of TORCS,” https://github.com/madras-simulator/MADRaS, 2019,[Online; accessed 14-April-2019].2、E. Leurent, “A collection of environments for autonomous drivingand tactical decision-making tasks,” https://github.com/eleurent/highway-env, 2019, [Online; accessed 14-April-2019]. 这里有一篇非常好的综述文章，总结了强化学习做自动驾驶的最近研究进展。由于下载文章非常麻烦。我把文章放了百度云盘。大家公众号回复：RL。即可下载。
原文作者：Agent的潜意识；如有侵权，请联系管理员删除。
