由国家自然科学基金委员会信息科学部和中国自动化学会共同主办的2023中国智能车大会暨国家智能车发展论坛将于蒋昌俊、张平等数位院士齐聚，共商智能车技术及产业高质量发展大计，网联智能车、无人驾驶安全等多个专题论坛和智能车展览会，搭建相互连通的全产业链生态交流平台。
汽车智能化是汽车产业和AI、高性能计算等新一代信息技术在交通出行领域深层次地融合的体现。人机共驾作为汽车智能化的一个重要发展阶段，人类驾驶员和智能驾驶系统同时在环，决策与控制存在不一致性：基于机器学习的决策方法不具备可解释、可解译功能，导致“人不信机”；现有人机共驾系统不具备混合增强能力，使得“机不像人”。目前，全球范围内尚未建立完善的人机共驾方法，其核心理论和技术亟待突破。本论坛将从人机共驾的共性关键技术出发，围绕人类驾驶员和智能驾驶系统同时在环共享驾驶权的人机共驾技术、人机协同的多模态感知与意图理解技术、可信可解释的自主决策技术等开展交流研讨，推动安全、可信、舒适智能驾驶的发展。
深度学习技术赋能无人驾驶系统加快速度进行发展，但深度网络在“知其然、知其所以然”方面的不足也制约着无人驾驶的社会接受度和大规模应用，“可解释”成为无人驾驶系统可信的前提。本报告以基于深度强化学习的无人驾驶决策系统为例，提出一种新的Shapley基值选取方法，探索纵向跟驰决策行为和换道决策行为的内在本质和产生原因，提高算法的可解释性。
王宇雷，同济大学研究员，从事无人驾驶、人工智能、车辆控制等相关研究工作，发表论文50余篇，授权专利9项，主持国家重点研发计划、国家自然科学基金等项目，目前研究方向：学习型无人驾驶、可解释人工智能、智能汽车多维评价等。
杜少毅，博士，西安交通大学人工智能与机器人研究所教授，闽江学者讲座教授，博士生导师。中国自动化学会混合增强智能专委会副秘书长，陕西省计算机学会生物医学智能计算专业委员会副主任。主要研究方向为计算机视觉、机器学习、智能交通。在国内外期刊和会议上共发表论文200余篇，以第一作者或通讯作者在TPAMI、TIP、TCybernetics、TNNLS、TMM、CVPR、AAAI等期刊和会议上发表论文100余篇，并获ICME、ACCV、ICIMCS等国际会议论文奖；申请国家发明专利40余项，获授权国家发明专利25项。获国家自然科学奖二等奖（2016）、高等教育（研究生）国家级教学成果奖一等奖（2022）、教育部自然科学奖一等奖（2015）、中国电子学会科技奖自然科学奖一等奖（2022）、陕西省科学技术二等奖（2012）、陕西高等学校科学技术探讨研究优秀成果奖一等奖（2022）和IEEE智能交通学会杰出研究团队奖（2014）。
自动驾驶技术持续不断的发展，正在向智能化迈进，人机共驾是汽车智能化的一个重要发展阶段。现实环境下，单个人机共驾车辆缺乏多车协同感知与全域情境理解能力，在开放混合车流环境下适应性差、安全性弱，导致通行效率下降甚至会出现交通事故。近年来，团队在交通驾驶环境下情境理解、预测与车辆控制方面开展一系列研究，建立了开放环境中基于多模态感知的情境理解模型，提出了典型场景下周车意图理解与预测方法，提出了可信可解释的车辆驾驶行为决策操控方法，推动智能驾驶领域的创新发展。
方浩，北京理工大学自动化学院教授，博士生导师。于2002年获西安交通大学博士学位，于2002年4月至2003年7月，在法国国立信息与自动化研究院（INRIA-Sophia Antipolis）作博士后。于2003年11月至2004年12月，在法国国家科研中心CNRS（UNR6602CNRS/Blaise Pascal 大学），LASMEA实验室作博士后。2005年北京理工大学任教。主要研究方向为智能机器人，多智能体系统，分布式SLAM。
我们将在本次报告中探讨车路协同边云平台的路侧端流式数据内存数据库设计，路侧端的BEV-CVX感知数据融合,以及基于该数据的边缘计算网联无人驾驶车(connected and automated vehicles,CAV)的运动监控，对潜在事故（如车道偏离、碰撞等）进行相对有效预警。与仅利用单车感知的数据相比，车路协同系统通过车与万物(vehicle-to-everything, V2X)的互联互通，直接收集网联无人驾驶车的运动数据，从而更容易综合计算每辆车的风险，产生更加优越的性能。
针对动态开放人机共驾测试场景重构问题，分析场景要素关联性，交通参与者、交互行为等特征因素，并利用统计分析实现关键要素特征的获取，形成共驾仿真典型场景要素数据库，服务于人机共驾系统测试。
刘俊，2020在吉林大学获工学博士学位，现为吉林大学汽车仿真与控制国家重点实验室讲师，主要是做智能汽车人机共驾、预测控制方面的研究，主持国家自然科学青年基金，参与国家重点研发、国家自然科学基金重大与重点项目等科学研究任务。
场景解析算法在无人驾驶感知领域得到普遍应用。目前，基于语义分割的场景解析算法通常使用彩色图像作为输入，并进行像素级分类。然而，这类单编码器网络容易受到外因的影响，例如树木阴影、光照变化、路面积水和行驶车辆的遮挡，因此导致性能直线下降。为客服这样一些问题，数据融合网络被引入，它能够输入多种类型的视觉信息，如彩色图像和变换逆深度图。每个编码器单独处理一类视觉信息，解码器将提取的特征进行融合，从而获得精确的语义分割概率图，提高系统的鲁棒性。本报告将以SNE-RoadSeg、SNE-RoadSeg+等为例，详细阐述当前面向无人驾驶可行驶区域检测的数据融合场景解析算法。
范睿，教授，博士生导师。上海市“海外高层次人才”、上海市特聘专家。入选2022年度斯坦福大学全球前2%顶级科学家榜单。2015年7月获哈尔滨工业大学工学学士学位；2015年9月赴英国布里斯托大学直博并于2018年6月获博士学位。2018年7月，加入香港科技大学机器人研究所，任博士后副研究员。2020年2月加入美国加州大学圣地亚哥分校、任博士后研究员。2020年9月入选上海市“海外高层次人才引进计划”，加入同济大学电子与与信息工程学院、上海自主智能无人系统科学中心。
【2023智能车大会】院士阵容抢先看！聚焦前沿，引领方向，更精彩内容等你来！
【CAC2023】2023中国自动化大会展览赞助招募工作真正开始启动！邀您共聚山城，秀在重庆！
【CAC2023】2023中国自动化大会投稿系统正式开放！敬候您的来稿！
【重要通知】2023中国智能车大会暨国家智能车发展论坛赞助及展览火热招募中！
