为什么说激光雷达是无人驾驶汽车的“眼睛”？

雷锋网按：各位小伙伴们周末好，眼睛本周照例与大家分享7篇深度好文。说激驶汽如果你对专栏的光雷内容或形式有任何建议，请在下方评论区留言，达无专栏君将一一回复。人驾无论你是眼睛乐于分享的极客，或是说激驶汽对科技圈的新闻事件有独到的见解的评论人，均可向我们投稿，光雷专栏君的达无邮箱：gulei@leiphone.com。

1、人驾听说现在有个AR APP很火，眼睛所以我也做了一个

昨天在图书馆刷 RL 教材的说激驶汽时候看到一个有趣的 app，叫做「唐纳德涂鸦」（Android：Donald Draws Executive Doodles；IOS：Trump Executive Order）。光雷大概功能就是达无可以将用户自定义的内容（图片、涂鸦、人驾文字等）放在 D.T. 总统的决策书上，并生成动图。

一看到这个 app 我就感到眼前一亮，它综合了今年科技界最火的 AR 技术和政治界（与段子界）最火的 D.T. 总统。正如 app 作者所说的那样："This app is gonna make the United States of Amemeica GREAT again!"

我之前在AR原理演示一文中曾有涉及过实现 AR 的方法，既然代码都还在，我就随手也做了一个 "qqfly Draws"。

【作者】qqfly，上海交通大学机器人所博士生，本科毕业于清华大学机械工程系，主要研究方向机器视觉与运动规划。

2、28天自制你的AlphaGo（系列）：

28 天自制你的 AlphaGo（一）

28 天自制你的 AlphaGo（二）：训练策略网络，真正与之对弈

28天自制你的AlphaGo（三）：对策略网络的深入分析以及它的弱点所在

28天自制你的AlphaGo（四）：结合强化学习与深度学习的Policy Gradient（左右互搏自我进化的基础）

28 天自制你的 AlphaGo（五）：蒙特卡洛树搜索（MCTS）基础

AlphaGo 的策略网络，可以用于改进上述的分数公式，让我们更准确地选择需扩展的节点。而 AlphaGo 的价值网络，可以与快速走子策略的模拟结果相结合，得到更准确的局面评估结果。注意，如果想写出高效的程序，这里还有很多细节，因为策略网络和价值网络的运行毕竟需要时间，我们不希望等到网络给出结果再进行下一步，在等的时候可以先做其它事情，例如 AlphaGo 还有一个所谓 Tree policy，是在策略网络给出结果之前先用着。

【作者】彭博，Blink·禀临科技联合创始人。

3、Comet Labs合伙人：为什么说激光雷达是无人驾驶汽车的“眼睛”？

也许对于激光雷达来说，高昂的设备成本是它需要克服的最大挑战。尽管自该技术得到应用以来其成本已大幅降低，但仍然是它被大范围采用的一个重要障碍。对于主流汽车工业来说，一个价值2万美元的传感器将无法被市场接受。伊隆·马斯克说：“我不认为它对于汽车的发展是有意义的，我认为它不是必须的。”

最后，虽然我们将激光雷达视为计算机视觉的一个组件，但点云却是完全基于几何呈现的。相反，人眼除了形状之外还能识别物体的其他物理属性，比如颜色和纹理。现在的激光雷达系统不能区分纸袋和岩石之间的差别，而这本应是传感器理解和试图避开障碍物时考虑的因素。

【作者】Adam Kell，Comet Labs合伙人，负责人工智能和机器人领域的早期投资投资。

4、汽车安全工程师：为啥这么多装了AEB的车依然会撞撞撞？| ADAS专题

在ADAS的众多功能中，AEB（自动紧急制动）听起来安全感十足，引起了很多车主的兴趣。但实际使用过程中，有的朋友可能会发现，很多装了AEB的车依然避免不了撞车事故。那么AEB功能真的没用吗？

AEB的学名其实是“前向车辆碰撞缓解系统”，这个名字当然不是随便起的。让我们再看一下图2，驾驶者通过控制方向盘闪避障碍物的极限是TTC 1.0s，而此时如果相对车速低于约60km/h，仍能通过制动而避免碰撞。简单讲，当你打方向已经躲不过去的时候，制动仍然能帮你避免碰撞。

【作者】郑菲，汽车主动安全测试工程师。

5、孙宇教授解读：自动驾驶汽车——平衡创新和安全

自动驾驶技术的首要动机是减少交通事故，避免致命事故。2015年，全球与汽车交通事故相关的死亡人数约为125万。这相当于每天坠毁五个完全满载的波音747 。在美国，人为错误造成的交通事故占所有交通事故的94％。死于车祸是4至34岁儿童和成年人死亡的主要原因。虽然2016年的交通事故数据尚不可用，但是，根据早期的估计，2016年交通事故中死亡的人数可能更高。

【作者】孙宇，南佛罗里达大学计算机系教授、斯坦福大学访问教授、IEEE RAS机器臂抓取和操作技术委员会的始创主席及美国总统国情咨询委员会机器人方向的顾问。

6、从系统和代码实现角度解析TensorFlow的内部实现原理 | 深度

2015年11月9日，Google发布深度学习框架TensorFlow并宣布开源，并迅速得到广泛关注，在图形分类、音频处理、推荐系统和自然语言处理等场景下都被大面积推广。TensorFlow系统更新快速，官方文档教程齐全，上手快速且简单易用，支持Python和C++接口。

本文依据对Tensorflow（简称TF）白皮书[1]、TF Github[2]和TF官方教程[3]的理解，从系统和代码实现角度讲解TF的内部实现原理。以Tensorflow r0.8.0为基础，本文由浅入深的阐述Tensor和Flow的概念。先介绍了TensorFlow的核心概念和基本概述，然后剖析了OpKernels模块、Graph模块、Session模块。

【作者】姚健，毕业于中科院计算所网络数据实验室，曾就职于360天眼实验室，主要从事深度学习和增强学习相关研究工作。目前就职于腾讯MIG事业部，从事神经机器翻译工作。

7、Alexa估值近百亿美元，AI巨头为何在语音交互市场抢夺赛道？

去年10月份，Intel与科大讯飞宣布合作共同研发AI芯片，该芯片将麦克风阵列、远场语音识别等功能集成到SOC当中，形成完整的远场语音交互链条，此次合作正式宣告Intel也将进入智能语音交互市场。

从市场层面来看，语音交互毋庸置疑是继键盘、鼠标和触摸屏之后的主流交互方式，但是距离真正走入国内市场还总是差那么一点。技术链条仅仅是其中一个小部分原因，从战略认知、资金投入到需求挖掘，国内公司都欠缺了很大的火候，而国内各大巨头更应该在战略决心和技术链条上发力。智能语音交互的全球竞争之中，国内的AI巨头似乎才刚刚苏醒。

【作者】袁媛，来自微信公众号“声学在线”（ID：soundonline）