清华大学自动驾驶教学实践：从环境感知到决策规划的创新之路

清华大学自动驾驶教学实践：从环境感知到决策规划的创新之路

引用

CSDN

等

9

来源

1.

https://blog.csdn.net/yorkhunter/article/details/138990510

2.

https://blog.csdn.net/weixin_55366265/article/details/141693193

3.

https://blog.csdn.net/soaring_casia/article/details/142756723

4.

https://www.svm.tsinghua.edu.cn/essay/3/2056.html

5.

http://lijinglin.cn/index.php/archives/114.html

6.

https://iiis.tsinghua.edu.cn/show-10623-1.html

7.

https://www.join-tsinghua.edu.cn/info/1061/1274.htm

8.

https://www.svm.tsinghua.edu.cn/essay/3/2082.html

9.

https://mpage.ee.pbcsf.tsinghua.edu.cn/web/onlinelearning_info.php?projectid=77

近年来，清华大学在自动驾驶领域持续领跑，通过环境感知、决策与规划等关键技术的突破，为自动驾驶技术的发展注入了新的动力。清华大学智能网联汽车与交通研究中心主任李克强院士带领团队，聚焦智能网联汽车关键技术，取得了显著成果。

环境感知是自动驾驶系统的核心技术之一，清华大学在这一领域持续领跑。李克强院士团队在环境感知方面取得了重要突破，特别是在弱势交通参与者的联合深度感知方面。他们开发了基于视觉语言大模型的DriveVLM系统，该系统能够识别并分析驾驶环境中的关键物体，包括非常规或少见的对象，如动物、路面杂物等。通过场景描述、场景分析和分层规划三个关键模块，DriveVLM实现了对复杂驾驶场景的全面理解和分析。

在场景描述模块中，系统能够识别驾驶环境中的关键物体，并用语言描述天气、时间、道路类型、车道线等指标。场景分析模块则进一步分析物体的静态属性、运动状态和特殊行为，为后续的决策规划提供支持。分层规划模块则通过元动作、决策描述和轨迹点三种规划目标，实现逐步递进的驾驶决策。

在决策与规划方面，清华大学的研究团队提出了基于大模型的高阶自动驾驶方案。该方案通过视觉语言大模型，实现了对驾驶场景的深入分析和多维度规划。与传统端到端自动驾驶方案相比，DriveVLM不仅能够预测物体的未来轨迹，还能分析物体的静态属性、运动状态和特殊行为，从而做出更加全面和准确的驾驶决策。

值得一提的是，研究团队还提出了DriveVLM-Dual双系统方案，该方案模拟人脑处理信息的双通路模型，将大模型的优势与传统自动驾驶系统相结合，实现了强大的场景理解和实时推理速度。目前，该方案已与理想汽车合作，在理想Max车型上进行了实际场景测试，效果显著。

清华大学在自动驾驶领域的人才培养方面具有显著优势。学校依托机械工程系和车辆与运载学院，建立了完善的师资队伍和实验平台。目前，清华大学在该领域拥有8位两院院士、70余位国家高层次人才，以及多个国家级重点实验室和工程中心。

在人才培养方面，清华大学注重跨学科知识的融合，开设了智能制造与装备类等专业，涵盖了机器人与智能制造、微纳制造、生物制造、智能车辆与交通等多个方向。学生可以根据兴趣选择进入不同的研究方向，并有机会参与国内外高水平科研项目。

此外，清华大学还与多家企业和研究机构建立了紧密的合作关系，推动自动驾驶技术的测试与评价体系建设。例如，学校与北京航空航天大学、北京理工大学等高校合作，共同开展自动驾驶关键技术的研究；与一汽、长安、比亚迪等企业合作，推动技术的产业化应用。

清华大学在自动驾驶领域的研究和教学实践，为我国智能网联汽车的发展提供了重要支撑。随着技术的不断进步和应用场景的不断拓展，清华大学将继续在环境感知、决策与规划等关键技术领域深耕，为培养更多优秀的自动驾驶人才、推动我国自动驾驶技术的发展做出更大贡献。