而很長時間以來，無人駕駛在技術上都面臨著如何提高汽車視覺能力的難題。可以說，正是因為視覺識別技術的進步，無人駕駛汽車的發展才存在可能;也正是因為視覺識別技術的制約，無人駕駛技術的發展一直蹣跚不前。
2016年分別發生在美國和中國的兩起特斯拉自動駕駛狀態下的車禍致死事件，本質上就是由視覺識別技術的缺陷所致。
汽車實現智能自動化必須滿足兩個條件：其一，滿足現實環境對無人駕駛汽車的要求。相比于智能手機，無人駕駛汽車面臨的環境更為復雜，任何一個失誤都可能關乎生命安全;其二，能夠應對小概率事件，避免發生意外。
無人駕駛汽車與智能機器人的基本原理和社會環境基本相似。在機器人研究領域，機器人學家將這種只在1%時間內才發生的突發性小概率事件稱之為 “極端事件(Corner Cases) ”。極端事件的不尋常之處在于，很少發生，但是一旦發生卻可能導致災難性后果。
5月8日，在自動駕駛權威數據集Semantic KITTI上，達摩院憑借全新算法在“單幀3D點云語義分割”排行榜獲得第一。該技術用于達摩院的無人物流車后，大幅提升了車輛的環境精細化理解能力，使車輛能夠識別“厘米級”障礙物。
KITTI數據集是全球最權威的自動駕駛計算機算法評測數據集，為促進基于激光的語義分割研究，KITTI推出了細分數據集Semantic KITTI。通過全類別分割平均交并比(mIOU)和整體準確率(accuracy)兩大指標，考察參賽者的技術能力。達摩院團隊在兩項指標的評比中均拿下第一。
點云(Point Cloud)是擁有三維坐標、強度等信息的激光點的集合，是計算機視覺領域常用的三維數據表示方式。自動駕駛車輛通常借助激光雷達、攝像頭、毫米波雷達等傳感器識別環境信息。對于激光雷達獲取的周圍環境的3D點云，識別每個點的語義標簽，就是“3D點云語義分割”。
除了行人、車輛等常規檢測目標，道路周圍的建筑、綠化、不明障礙物也會影響自動駕駛車輛的駕駛行為。3D點云語義分割技術的目標，便是幫助車輛更精細地理解道路環境。
達摩院自動駕駛實驗室資深算法專家卿泉介紹，業界通用的點云局部上下文特征建模方法難以滿足自動駕駛實時、精準的感知需求。達摩院提出的新算法以激光點為載體，結合每個3D點在鳥瞰、前視等視角下的鄰域特征，通過多層級聯編碼進行特征學習，極大地增強了3D點的特征表示能力，由此提高了語義識別的準確性。
該算法應用于達摩院的無人物流車后，車輛對障礙物的精細化識別水平大幅提升。我們即將進入5G時代，5G網絡提供了更高的傳輸速率、精準低時延控制和精準定位，可以大大提高無人駕駛技術的信息收集回傳效率，從而實現車載與路側感知的信息融合。這就降低了車載系統的計算復雜度，有效解決了車車、車路協同問題。
可以預見，智能交通協同發展將成為一種趨勢，車輛的自主控制能力不斷提高。完全自動駕駛終將實現，人和車的關系也終將被改變。
