2022年3月，交通运输部、科学技术部联合发布的《“十四五”交通领域科技创新规划》提出要推动智慧交通与智慧城市协同发展，大力发展智慧交通，推动云计算、大数据、物联网、移动互联网、区块链、人工智能等新一代信息技术与交通运输融合。智能交通不是单一的、固定的系统方案，而是存在于多种技术的交汇融合。人工智能在交通领域的应用场景有很多，随着数据量和场景的增加，现有的算法已经越来越难满足对真实复杂场景处理的需求。智慧交通目前遇到的挑战是什么，未来有将遇到什么机遇呢？

 2023年3月19日，中国计算机学会青年计算机科技论坛（CCF YOCSEF）武汉分论坛以“大交通时代未来探索：人工智能赋能的道路前方”为主题举办了线上线下相结合的观点论坛（论坛编号：CCF-YO-22-WH-3FV），探讨车辆、航运交通的智能化道路上的挑战与机遇。本次论坛由中国计算机学会主办，YOCSEF武汉学术委员会、CCF武汉分部和武汉理工大学承办。由CCF YOCSEF武汉AC钟忺、肖晶共同担任执行主席，CCF YOCSEF武汉通讯AC黄文心、周凤共同担任线上主席。论坛邀请了北京大学、武汉大学、武汉理工大学、武汉科技大学、台湾清华大学、新加坡南洋理工大学、武汉市交通管理局、宇视科技、岚图汽车科技等高校、政府和企业专家分享经验、共同思辨，吸引了来自省内外多所高校和企业相关人员的共同参与。

图1 “大交通时代未来探索：人工智能赋能的道路前方”观点论坛

 本次观点论坛讨论从智能交通目前面临的挑战出发，讨论数据、算法、以及算力、芯片对智能交通不同的影响，由计算机领域的学者专家、交通领域政府管理者和设备提供企业等从多个维度进行演讲和思辨，就如何解决智能交通的数据融合、计算成本的发展问题提出方案，并讨论智能交通下一步的发展方向。

 论坛的引导发言环节邀请了四位嘉宾，分别是来自北京大学的黄铁军教授、宇视科技的黄晶总工线上引导发言、武汉科技大学的徐新教授和台湾清华大学的林嘉文教授线下引导发言，论坛同时启用了在线会议平台进行直播。

图2 智能交通视觉感知的利弊思考

 黄铁军教授以“智能交通视觉感知的利弊思考”为主题，提出相对于其他传感器以及多传感器融合的方式，视觉信息处理仍然相对简单，即便有弱光和暗夜影响，增加灯光仍然成本较低。但其中存在一个关键即在自动驾驶中视觉到反应的延迟会对道路交通造成安全问题。因此，报告从“纯视觉自动驾驶的延迟问题”出发，对比了传统摄影原理和超高速连续成像的区别，探讨了脉冲视觉算法体系与高速视觉系统，提出了全新的脉冲视觉模型可以带着相机每个像素独立工作从而发挥通信器件的高速路径。其所在团队采用一款相机箱带芯片工艺，设计了速度快1000倍的脉冲相机，得以记录传统相机同性化的高速视觉现象。黄铁军教授提出可以通过新一代基于脉冲的相机变革的方式来改变视觉的表达方法，这会在交通领域发挥更大的作用。

图3 车路协同流量检测器选型

 接下来黄晶总工程师以“车路协同流量检测器选型”为主题，从车路协同相关设备提供方的角度分析了道路交通中视觉检测器的发展趋势，探讨了多源检测器结合的利弊以及数据融合所面临的挑战。黄晶总工还提出，企业关注车路协同的是如何落地，从2019-2021年增长比较快，对于智能驾驶，车路协同，需要梳理传统的检测器方案的全面落地，梳理传统的检测器方案，现在的多种检测器从传统的天上走到现在的地下埋，从以前的单一数据到如今多种数据融合，需要灵活的融合方式。目前视频方式是比较主流的方式，但仍需探讨视频延迟、车流量雷达和视频相融合的应用。

图4 大规模图像交互式标注研究

 随后徐新教授以“大规模图像交互式标注研究”为主题，主要探讨了在海量监控数据中机器标注的挑战和方法。报告提出近年来人工智能的飞速发展一定程度上可视为“数据智能”的胜利，机器学习作为一种从数据中获取知识、规律、模型的方法，在其中扮演了关键的角色。目前，绝大多数机器学习技术本质上都是通过求解凸问题获得所需的模型。然而随着产业需求的日益多样化，非凸机器学习问题正不断涌现，如视频监控应用中的数据交互式标注等。传统的解决手段是人工将非凸问题近似为凸问题，并求解后者。但近似问题与原始问题的解可能相去甚远，精度难以保证。要推动人工智能与实体经济的深度融合，有效提升机器学习解决复杂实际应用问题的潜力，从源头上解决非凸机器学习问题已刻不容缓。报告从提供新的鉴别性模式样本和提供全面的鉴别性模式样本两个层面探讨了基于主动学习的图像交互式标注方式。

图5 不良气候的计算机视觉

 作为最后一位引导发言嘉宾，来自台湾清华大学的林嘉文教授进行了题为“不良气候的计算机视觉”。报告首先介绍了雨雾等不良气候条件对智能交通应用中的影响，探讨了从机器学习到深度学习在解决恶劣天气对视觉影响上的技术挑战及技术发展，并以不同角度的研究进展分析了实际应用效果。报告为计算机视觉技术在智能交通上的实际应用提供了非常扎实的理论基础和技术支撑。

 在思辨环节，参与论坛的所有专家和老师就以下三个议题进行了激烈的探讨：（1）促进从数据孤岛到统一见解，多源数据融合是利器还是力器?（2）智能交通可持续发展之路上的“红黄绿”如何切换?（3）智能交通突破瓶颈，路在何方？这三个问题也是人工智能赋能大交通需要面对和解决的问题。

 针对“促进从数据孤岛到统一见解，多源数据融合是利器还是力器?”这个问题，专家和老师们讨论了以下子问题：1.1 视觉感知和雷达感知的优劣与决策？1.2 船岸协同是复制车路协同的成功经验，还是开辟空天地协同的新篇章？

图6 促进从数据孤岛到统一见解，多源数据融合是利器还是力器?

 南洋理工博后研究员廖良认为，多元数据融合对于技术的发展或者说是行业的发展应该还是会有利的，那么对数据融合有几个可能会关注的问题，第一个可能是关于信息安全方面的问题，如果不同的厂商，不同的公司如果把各自产生的数据都开源了，那么里面会有一个很重要的隐私的担忧；第二个就是一个技术和架构的问题，海量数据对于存储或者传输，整个会有一个比较大的压力，怎么样去解决这些资源的消耗是需要考虑的。最后是场景统一的问题，在智能交通实际应用当中会发现有很多不同省市产生的道路的图片各有特点，数据训练的模式的难度都会有所增加，如果把它分成不同的区域去做一个特定的模型，可能它的性能会好一些，但是不同的模型之间如何统一？

 武汉理工大学刘文教授认为，船岸协同和车路协同是有共性基础的。但是在水上也有很多不同，水路的环境直接影响了协同的困难，也就是自然环境的影响要更加明显一些。激光雷达这时候要比车路环境更复杂，因为雾的影响对于传感器的要求精度非常高。而且目前传感器大家去看一下就知道，在船上的传感器大多都是进口的，所以我们很难拿到数据接口。就导致了船上传感器的融合有本质问题。虽然说有云台，但是云台不能保证船舶的传感器的成像会非常稳定。另外一个激光雷达导航雷达或者说部分敞开的激光雷达也会受到船体运动的影响，导致船体的数据质量比较差，所以说在船上做数字融合是一个非常难的事情。在研究车路协同的时候会有仿真模拟器，利用虚实结合的方式来构建这种场景进行研究，但在船舶交通上来说并没有这样的数据集，但这一点对于水上交通的研究却是很有意义的事情。

 武汉科技大学徐新教授认为，船岸协同和车路协同区别还是比较大的，船岸协同的数据可能更为多元。那么这里面就存在隐私保护的问题，虽然联邦学习是一种方式，但是是不是还有其他的方法？另外就是仿真数据的可靠性，我们如何确认对数据的可信度。最后，我们对于数据要有一个输出，那这个结果是从哪里来的，对于结果的可解释性该如何去探讨。

 在“智能交通可持续发展之路上的“红黄绿”如何切换?”的问题上，来自不同部门的专家和老师们各抒己见，讨论了以下子问题：2.1端上算力的需求与平衡？2.2轻量化算法的前沿与愿景？

图7 智能交通可持续发展之路上的“红黄绿”如何切换?

 武汉市交通管理局黄传明主任认为，算力目前整体的需求主要是掌握在产品商。我们用户拿到数据在这种方式上是非常方便的，对于后期后台处理上同样是有很大的帮助。那么所以在车路交通上，整体的战略是跟着产品走的。

 武汉理工大学刘文教授认为，船和车不太一样，总体来讲，我们国家水路是比较公路轨道和航空比较落后很多，也刚才提到船上的设备都是国外的，所以国产化是一个任重道远的。

 武汉理工大学袁景凌教授认为，大量的摄像头它实际上是分散部署，那么对端上的人工智能要求也就是越来越高了。现有的厂家包括刚刚说的海康，他可能已经把一些智能都放到端上了，那么我们可能要研究怎么样采用更低功耗的这种智能计算方法？通过更小规模的模型让它性能更好？如果是跨域就更复杂，在端上需要更大的这种算力。这个时候我们是不是考虑这种边缘技能或者是端端协同这种方式来更好的提供它的智能？轻量化的算法现在也是比较火，那到底是算力需求大的这种算法更好，还是轻量化的低功耗的对于性能和实用的平衡性来说更好。此外，轻量化的模型我们也可以做一个切分，一个是从算法层面，再一个也可以考虑分布式计算。那么这些不同的方式如何协调，怎么合作达到一个性价比最佳的效果，我们可以再去做进一步的探讨。

 岚图汽车科技算法工程师朱玟谦认为，我们在做图像增强一些应用的时候，在上车的时候发现留给我们的计算资源非常少，所以也确实存在轻量化的问题。那么我们现在的做法其实大多是在方法基准的问题上去增加模块，但其实，我们完全可以反过来做，考虑从复杂的模型框架上进行剪枝，在一定质量的保证上提高效率。

 讨论中还请出了神秘嘉宾ChatGPT，它给出的观点是轻量化算法的前沿和愿景包括模型压缩，自适应计算，联邦学习，增量学习和硬件加速等方面。这些方法的综合应用将使轻量化算法在移动设备，物联网设备和边缘计算上发挥更大的作用。

 在最后一个思辨开放讨论“智能交通突破瓶颈，路在何方？”中，专家和老师们讨论了以下子问题：3.1 是什么扼住了智能交通发展的咽喉：数据还是芯片？3.2愚公移山还是另辟蹊径？

图8 智能交通突破瓶颈，路在何方？

 台湾清华大学的林嘉文教授认为，在智能时代，算力是一个重要的方面，数据是更重要的，不管是标注还是其他的方面。比如说像google在提供这样的一个交通流量的时候，它实际上是根据他用户的一个回馈，那问题是说用户为什么要回馈这些数据？而且就是说要避免说让他比如说那些隐私，比如说他会想让你到他家到什么地方都要提供什么样的一个数据。那么在这个里面如何去协调他们数据的格式，还有他们回馈这些数据的原因，数据的隐私都是要去思考和探讨的。

 武汉大学王正教授认为，芯片不只是智能交通的问题，更是国家层面很多方面的问题。因此，在这里除了大层面考虑芯片以外，数据处理的问题不容忽视。总的题目是问我们智能交通的路在何方，那么智能交通的目标是什么？他有这样的一个目标，要安全要畅通，要高效环保，那么这几个词针对的是不同的层面的一个理解，那么对于个人层面，其实更关注的是智能交通能不能让我们更便利更安全。如果进一步在个人安全层面研究的话，我们需要关注的就是多种信息的融合，以及怎么样去处理恶劣场景的一些问题。除此以外，在城市的层面关键问题还是在于制度的建立，就是怎么样把智能交通和政府层面的制度建立，比如在一些拥堵的路段设计一些方法，比如说增加一些费用，或者是在一些通畅的道路，反而是会给他一些奖励，通过这种模式来影响整个交通的情况。

 桂林大学魏金占老师也通过线上平台参与了讨论，首先理解智能交通底层建立的条件是什么？创新做了哪些突破？未来肯定是万物互动的时代，就是说所有的东西都可以进行通讯和互动，这个数据量的运算量可能是为了颠覆时代发展的一个就是说应用的场景，但是对于理论创新我们有没有实验性的探讨。其次是法律法规的问题，未来我们的城市的建设不能说只基于现在城市建设，未来的规划中是不是要考虑到法律法规的增改这一点，考虑未来建设规划上存在的法律问题的认知？最后智能交通的应用实践是一个非常长的周期，不可能一蹴而就的。

 武汉市交通管理局黄传明主任认为，整个智能交通可以分两个维度，一个是垂直，确实是需要向下的，就从公安部要求咱们的所有交通智慧交通建设的规范，这是从上至下的。交通可以分两方面探讨，一方面大交通，比如海运行业，像咱们城市交通，其次就是咱们智慧城市对武汉市的国家要求，那么现在对数据咱们反馈的交通发展中数据是十分重要的。有路就会有基础设施，有电子设施该怎么发挥这些数据的作用？还有一方面大家一定不能够忽视的，现在不仅仅是主动建设奠定好绩效工作，而且在产权，数据是有大量的个人终端，比如咱们车载导航，比如手机终端产生大量的数据，那么数据来源是非常丰富的，不同的数据是怎么用的？所以我们如何去基于现有的数据构建什么样的模型，采用什么算法来解决什么样的问题？应该是智慧交通将来发展的主要方向。

 武汉科技大学徐新教授认为，这个问题还是要开放性的。首先我们目前已经处于一个数据爆发期，现在数据来源也非常多样的一个现状下面，第一步估计应该是要考虑怎么把它用好。那么是不是也需要在另外一方面是要做一些铺垫，比如说刚才提到的芯片。目前对于产品来说，更多的可能还是数据层面，但是芯片层面毕竟是我们国家战略，也是目前我们国家重点发展的一个方向，所以未来是不是在芯片层面或者硬件设备层面也迫切需要部署一些工作？

 武汉理工大学刘文教授认为，交通里面可能细节上缺乏很多的原创性的成果，我们在做智能交通是我们会有很多智能的算法来真正这种算法很多是来自于开源的一些社区的方法，或者说都是外国人发明的，那么很多时候我们要针对智能交通里面一些特异性的那些数据，开发出有针对性的算法，怎么说才能保证我们智能算法在实际产品当中能用，而不是说把其他产品的算法用一用，可能是要有针对性的。

 岚图汽车科技算法工程师朱玟谦认为，根据现在统计到的一些数据，我们在发展自己的汽车行业的时候，其实刚开始来说还是以国外的一些品牌为主，我们那个时候是按照合资的形式去做，包括我们东风也是这样去做的，我们需要解决一个你要先活下去，或者说我们要保证跟得上主流的行业的发展。从结果导向来看，跟上之后我们也是需要在一个契机里去利用已有的技术去做一个弯道超车，公司的创新实际上就是想要去把握一个新的风格，利用这个技术积累在供应商的基础上去做评估。当然在这一块做的比较好是比亚迪，可以看到他在做传统汽车行业的时候，其实它的表现不是很大，但是它在近5年内，在新能源赛场上已经出口到欧洲业内的销量来看，其实做得非常好，所以就拿比亚迪的这样的一个例子去谈对这个话题的理解，就是我们首先不管用什么方式先跟得上。其次在合适的时候，再去完成一个弯道超车。

 南洋理工大学廖良：我们要两方面相结合来发展。举个简单的例子，这个也是汽车行业的发展，就像大部分的燃油车的发展，其实专利都在国外，然后包括是有百分之其实可能都是从国外进口的，但是燃料车的技术我们要不要发展，我们还是要去继续攻克技术壁垒，同时我们也一直在积极的大力支持电动汽车的开发应用。其实两个在技术层面上是同等的理念的，就是我既要解决传统行业的技术壁垒，我也要走电动汽车的，那么技术结构就是两个标准，然后做不同的探索。

 武汉大学王正认为，跟做所有研究一样的，我觉得如果我选的话，我觉得选愚公移山，因为只有在你做愚公移山的过程中，你才能找到另辟蹊径的方法。

 北京大学黄铁军教授也在最后发表了自己的观点，智能交通是一个实时系统，实时系统就要从实时的角度来考虑。以前可能很多时候讲数据讲算法。现在的识别能力都提高了，识别能力的通用性和精度都在提高，这个问题基本上快解决了，但是这个在实际使用的时候我们急剧会发现实时性越高越好，也有很多安全问题。另外就是大家也谈了很多算力的问题，功耗的问题，而脉冲神经网络就可以同时解决这两个问题。估计过不了几年，整个智能交通无论是识别性能还是实用性都会有一个大的提高，就看怎么抓住这个机会。

 在论坛最后，专家和老师们用一句话给予了智能交通未来发展的祝福。大家都表示智能交通在未来前景无限，而高智能化的交通在未来一定是影响着我们的生活和思考方式的，这是一个千载难逢的时代，我们要利用好现在多样的数据资源，作为我们的子弹，让它多飞一会儿。同时，低功耗智能计算和脉冲神经网络的加入能为未来的智能交通发展贡献更多力量。

图9 参会人员合照及思辨嘉宾合照

本次论坛历时三个小时，除线下参会外，线上直播观看人数上千人。论坛通过引导发言、论坛思辨，辨明了人工智能赋能的大交通时代所面临的新问题和新机遇，同时也提出了开放式观点引发相关人员的思考。如专家所说，计算机学科和交通学科需要结合的更加紧密，理论创新和实际应用一定是交叉结合的，我们需要巧用他山之石攻智能交通这块璞玉。相信在学术界产业界还有相关管理部门的持续关注下，我们的交通会越来越安全畅通，高效环保。