．為什麼說雷射雷達是無人駕駛汽車的「眼睛」？（新聞資訊集錦）

Rinspeed Oasis Autonomous Connected Car Funny Self Driving Car Commercial 2017 CARJAM TV HD

leiphone 作者：谷磊

1、聽說現在有個 AR APP 很火，所以我也做了一個

昨天在圖書館刷 RL 教材的時候看到一個有趣的 app，叫做「唐納德塗鴉」（Android：Donald Draws Executive Doodles；IOS：Trump Executive Order）。大概功能就是可以將用戶自定義的內容（圖片、塗鴉、文字等）放在 D.T. 總統的決策書上，並生成動圖。

一看到這個 app 我就感到眼前一亮，它綜合了今年科技界最火的 AR 技術，和政治界（與段子界）最火的 D.T. 總統。正如 app 作者所說的那樣："This app is gonna make the United States of Amemeica GREAT again!」

我之前在 AR 原理演示一文中，曾有涉及過實現 AR 的方法，既然代碼都還在，我就隨手也做了一個 "qqfly Draws」。

【作者】qqfly，上海交通大學機器人所博士生，本科畢業於清華大學機械工程系，主要研究方向機器視覺與運動規劃。

2、28 天自製你的AlphaGo（系列）：

28 天自製你的 AlphaGo（一）

28 天自製你的 AlphaGo（二）：訓練策略網路，真正與之對弈

28天自製你的AlphaGo（三）：對策略網路的深入分析以及它的弱點所在

28天自製你的AlphaGo（四）：結合強化學習與深度學習的Policy Gradient（左右互搏自我進化的基礎）

28 天自製你的 AlphaGo（五）：蒙特卡洛樹搜索（MCTS）基礎

AlphaGo 的策略網路，可以用於改進上述的分數公式，讓我們更準確地選擇需擴展的節點。而 AlphaGo 的價值網路，可以與快速走子策略的模擬結果相結合，得到更準確的局面評估結果。

注意，如果想寫出高效的程序，這裡還有很多細節，因為策略網路和價值網路的運行畢竟需要時間，我們不希望等到網路給出結果再進行下一步，在等的時候可以先做其它事情，例如 AlphaGo 還有一個所謂 Tree policy，是在策略網路給出結果之前先用著。

【作者】彭博，Blink·稟臨科技聯合創始人。为什么说激光雷达是无人驾驶汽车的“眼睛”？| 本周专栏精选

3、Comet Labs 合伙人：為什麼說雷射雷達是無人駕駛汽車的「眼睛」？

也許對於雷射雷達來說，高昂的設備成本，是它需要克服的最大挑戰。儘管自該技術得到應用以來，其成本已大幅降低，但仍然是它被大範圍採用的一個重要障礙。

對於主流汽車工業來說，一個價值 2 萬美元的感測器，將無法被市場接受。伊隆·馬斯克說：「我不認為它對於汽車的發展是有意義的，我認為它不是必須的。」

最後，雖然我們將雷射雷達視為電腦視覺的一個組件，但點雲卻是完全基於幾何呈現的。相反，人眼除了形狀之外還能辨識物體的其他物理屬性，比如顏色和紋理。現在的雷射雷達系統不能區分紙袋和岩石之間的差別，而這本應是感測器理解和試圖避開障礙物時考慮的因素。

【作者】Adam Kell，Comet Labs 合伙人，負責人工智慧和機器人領域的早期投資投資。

4、汽車安全工程師：為啥這麼多裝了 AEB 的車依然會撞撞撞？| ADAS 專題

在 ADAS 的眾多功能中，AEB（自動緊急制動）聽起來安全感十足，引起了很多車主的興趣。但實際使用過程中，有的朋友可能會發現，很多裝了 AEB 的車依然避免不了撞車事故。那麼 AEB 功能真的沒用嗎？

AEB 的學名其實是「前向車輛碰撞緩解系統」，這個名字當然不是隨便起的。讓我們再看一下圖2，駕駛者透過控制方向盤閃避障礙物的極限是 TTC 1.0s，而此時如果相對車速低於約 60km/h，仍能通過制動而避免碰撞。簡單講，當你打方向已經躲不過去的時候，制動仍然能幫你避免碰撞。

【作者】鄭菲，汽車主動安全測試工程師。

5、孫宇教授解讀：自動駕駛汽車——平衡創新和安全

自動駕駛技術的首要動機是減少交通事故，避免致命事故。2015 年，全球與汽車交通事故相關的死亡人數約為 125 萬。這相當於每天墜毀五個完全滿載的波音 747 。

在美國，人為錯誤造成的交通事故，佔所有交通事故的 94％。死於車禍是4至34歲兒童，和成年人死亡的主要原因。雖然 2016 年的交通事故數據尚不可用，但是，根據早期的估計，2016 年交通事故中死亡的人數可能更高。

【作者】孫宇，南佛羅里達大學電算系教授、史丹佛大學訪問教授、IEEE RAS機器臂抓取和操作技術委員會的始創主席，及美國總統國情咨詢委員會機器人方向的顧問。

6、從系統和代碼實現角度解析 TensorFlow 的內部實現原理

2015 年 11 月 9 日，Google 發佈深度學習框架 TensorFlow 並宣佈開源，並迅速得到廣泛關注，在圖形分類、音頻處理、推薦系統和自然語言處理等場景下，都被大面積推廣。TensorFlow 系統更新快速，官方文檔教程齊全，上手快速且簡單易用，支持 Python 和 C++ 接口。

本文依據對 Tensorflow（簡稱TF）白皮書、TF Github 和 TF 官方教程的理解，從系統和代碼實現角度講解 TF 的內部實現原理。

以 Tensorflow r0.8.0 為基礎，本文由淺入深的闡述 Tensor 和 Flow 的概念。先介紹了 TensorFlow 的核心概念和基本概述，然後剖析了 OpKernels 模組、Graph 模組、Session 模組。

【作者】姚健，畢業於中科院計算所網路數據實驗室，曾就職於360天眼實驗室，主要從事深度學習和增強學習相關研究工作。目前就職於騰訊 MIG 事業部，從事神經機器翻譯工作。