2017年滴滴-IEEE联合培养研究生项目研究课题-滴滴科技合作.PDFVIP

年 滴滴 联合培养研究生项目 研究课题 2017 “ -IEEE ” 1. 计算机科学 1.1 机器学习 滴滴正在驱动人工智能技术迅速迭代升级，也已经构建了一个能够制定大数据策略的智能 系统“滴滴大脑” 。滴滴大脑致力于运用机器学习理论和方法，最大化利用交通运力，做出最 优决策，改善城市交通效率，提升出行体验。因此通过创新的机器学习技术来改善这些服务， 是非常有意义的。 研究方向： A) 深度学习的理论和方法论研究 出行轨迹数据挖掘深度学习算法研究。 B) 增强学习相关算法研究 增强学习在智能分单、运力调度等应用场景的算法研究。 1.2 知识图谱 滴滴是全球领先的移动出行平台。它的知识图谱以车主、用户、订单、POI 等为核心，同时 也可以扩展到其他方面如冷热区，人口类别、地理名词、投诉对象等等。利用实体识别、实 体链指和语义分析技术，整合关联了其他外部公开的本体，我们可以搭建一个巨大的知识网。 这个知识图谱对无论是反欺诈、反身份盗用及潜在用户挖掘等方面，意义都非常重大。 研究方向： A) 基于知识图谱来挖掘各种实体相关性 基于滴滴拥有的丰富乘客关系数据，挖掘各种实体相关性，发挥知识对于潜在用户挖掘等场 景的实际应用。 B) 知识图谱应用在风险防范 利用知识图谱来迅速发现不正当的交易团伙，维护司机群体的行业秩序，发挥知识对于监管 效率提升的实际作用。 1.3 智能驾驶端对端学习 将端对端学习应用到智能驾驶汽车上，通过传感器 （如Lidar/Camera/GPS/IMU ）采集的原 始数据，运用深度学习解决感知、行为预测、路径规划、控制等面临的挑战。在只有相机 图像数据、和/或3D激光雷达数据并存的情况下，滴滴关注可以实现下列多任务的新型端对 端系统。 研究方向： A ） 感知 给定图像和3D 对象，使用深层网络来对目标轮廓（分割）、类型（分类）、速度 （快慢和 方向）等进行预测。 B） 行为预测 由原始传感器数据来预测无人驾驶汽车周围物体的意图，例如：相邻车辆是否超车或并道， 以及行人是否将要穿越人行横道。 C） 路径规划和控制 由传感器传入的数据直接输出智能驾驶汽车的轨迹图，并能通过信号控制车辆完成旋转方 向盘、踩踏板、踩刹车等动作。 D ） GPU 加速 通过对深度网络压缩（精简）或利用 GPU 加速等方法，在当前 GPU 配置下保证算法实时 性，如 10~30 Hz 。 1.4 室内定位 随着人们出行习惯的改变，在手机端上进行室内场景定位和导航具有强烈的需求，而室内定 位是相关应用的重要基础。传统定位技术(如 GPS 等)在室内环境下信号强度和精度受到很 大影响。如何更好地利用现有信号实现室内定位是一项具有挑战且实用的工作。图像/视频 等视觉信息具有采集成本低、不需要额外设备、感知语义丰富等优点，在定位技术中具有较 大的潜力。本课题的目的就是探索基于视觉(或视觉与其他传感器融合) 的手机室内定位的低 成本解决方案和实施策略。 研究方向： A ）基于视觉重建的3D 结构获取与定位技术 大型室内场景(如机场、火车站等)具有室内空间大、建筑结构重复等特点，研究如何利用视 觉技术来构建大场景的室内结构，建立一套低成本的采集方法和构建方案，并结合视觉匹配 信息来进行室内定位。 B）基于关键视觉信息的位置获取与定位技术 研究关键视觉信息或视觉指纹(如门牌、唯一性标志物、具有特点的建筑结构等)在室内定位 中的作用，建立一套结合关键视觉信息的室内位置信息索引与定位技术。 C）视觉与其他传感器融合的位置获取与定位技术 手机端往往具有其他传感器(如蓝牙、加速度计、陀螺仪等) ，研究如何利用其他传感器与视 觉相结合，多传感器相互融合、互补，更好的实现位置信息采集与定位。 1.5 人机对话 人机对话技术是人工智能领域的一个热点，也是用技术代替部分人工的一个有益尝试。在出 行领域，主要涉及两类场景：一是智能客服场景，通过语音识别+语义理解+语音合成，结合 业务相关的知识和数据，即可以通过智能对话，实现解决用户问题的目标。其中，结合业务 数据的语义理解，是重中之重。智能对话系统的目标，是通过交互（含多轮交互）实现用户 意图的理解，并产生应答，解决实际问题，降低人力成本。二是人机（人车）对话，通过语 音交互，来尽量减少对屏幕的依赖，大幅降低驾驶过程中的风险。 研究方向： A ）问答系统 面向垂直领域，或者开放领域，