由中国图象图形学学会青年工作委员会发起的“第十九届中国图象图形学学会青年科学家会议”于2023年12月28-31日在中国广州召开。本次会议由中国图象图形学学会主办，琶洲实验室、华南理工大学、中山大学、中国图象图形学学会青年工作委员会承办。王耀南院士、谭铁牛院士、中山大学赖剑煌教授、华南理工大学徐向民副校长、许勇副校长、琶洲实验室常务副主任李远清教授、华南理工大学陈俊龙教授、北京大学林宙辰教授共同担任大会主席。

会议面向国际学术前沿与国家战略需求，聚焦最新前沿技术和热点领域，会议设4个大会报告，27个主题分论坛，4个Tutorial，总计近150场高水平学术报告 。2023年12月30日下午，自动驾驶论坛成功举办。论坛由上海AI Lab李弘扬教授和西安交通大学薛建儒和上海交通大学严骏驰和清华大学赵昊联合组织，王晖杰教授担任本次论坛主持人。“自动驾驶”是重要的前沿科技领域，其专注于开发能够自主导航和安全行驶的智能车辆，同时也为改进交通系统、增强道路安全提供了重要的技术基础。论坛聚焦该领域的最新研究进展与前沿技术，详细探讨了“基于点云数据的驾驶场景感知”、“ 自动驾驶中动态障碍物轨迹预测与自车决策规划”、“ 自主智能运动系统研究发展与展望”、“ 开放视觉感知”等主题内容。

中国科学院自动化研究所张兆翔研究员带来主题为“基于点云数据的驾驶场景感知”的报告。

在当下炙手可热的自动驾驶行业，视觉场景感知在驾驶场景系统中具有重要的地位，是进行规划、决策的前提步骤。本报告着重探讨如何基于三维点云数据进行视觉场景感知，从算法的空间稀疏化、时序稀疏化到建立完全稀疏的点云感知模型，进而将完全稀疏的点云感知模型与图像信息结合，形成多模态的全稀疏感知系统。涉及内容包括如何构建更好的感知模型？如何实现较好的监督方法？如何实现与二维数据的结合？构建出高性能的视觉场景感知模型，从而更好地服务于自动驾驶。

北京理工大学李长升教授的报告主题为“自动驾驶中动态障碍物轨迹预测与自车决策规划”。

随着时代的进步和科技的快速发展，自动驾驶技术正深刻地塑造未来的交通系统和出行方式。在自动驾驶研究中，动态障碍物轨迹预测和自车决策规划成为关键的技术挑战，直接影响了自动驾驶系统的性能、安全性和可靠性。面对复杂的真实路况环境，包括静态要素（例如车道线、交通标识和信号灯）以及动态障碍物（如其他车辆、行人和自行车），自动驾驶汽车必须综合考虑各个动静态因素，考虑它们之间的相互影响，以准确预测周围动态障碍物的未来运动轨迹。通过对预测结果进行综合分析，自动驾驶系统可以做出可靠且安全的决策和规划，这对于实现高效、安全的自动驾驶系统至关重要。本报告主要介绍我们在轨迹预测和自车规划的研究进展，主要包括瞬时轨迹预测、规划模型压缩等。

西安交通大学薛建儒教授的报告主题为“自主智能运动系统研究发展与展望”。

目前，自主智能运动系统落地应用场景正不断丰富。本报告结合课题组多年在智能车领域的研究经历，系统性介绍自主驾驶、人机协同、集群智能等领域的研究现状和核心关键技术进展，探讨自主智能系统的发展趋势。

北京航空航天大学刘偲教授的报告主题为“开放视觉感知”。

传统机器感知过程受限于数据，无法完成对陌生概念的正确识别。而人类认知的概念空间是开放的，可以根据需要创造新概念。开放视觉感知的目标是模仿人类的认知过程，将机器感知的概念空间从封闭扩展到开放。本次报告将首先介绍开放视觉感知的任务定义和层次划分，而后通过统一的“知识获取-概念理解”框架对开放视觉感知的研究现状进行了概括，最后总结并展望了开放视觉感知在大模型时代下的发展前景及其在开放具身社区中的应用。

复旦大学丁文超研究员的报告主题为“自动驾驶场景理解与预测决策技术”。

近年来，自动驾驶技术取得了长足发展，但是自动驾驶系统仍然没有深入到人类生活中的方方面面。这其中一个关键的瓶颈是，自动驾驶汽车的场景理解以及预测决策能力仍然达不到人类水平。自动驾驶汽车往往在无保护左转、匝道汇入等密集交互场景踌躇不前，也会在一些施工区域等长尾场景表现较差。本报告将以自动驾驶预测决策技术为切入点，介绍如何通过预测决策模块的融合打造一套更加灵活而又类人的自动驾驶系统，最终实现在密集车流中和人类车辆类人交互甚至加塞人类车辆。接着，本报告还将讨论在大模型时代下，如何更好地进行开放场景开集语义理解，并如何高效地完成海量数据的自动化标注。最后，本报告将研讨自动驾驶场景理解、预测决策技术的发展趋势，并且畅想在大模型时代下的下一代自动驾驶系统。

北京大学计算机学院仉尚航研究员的报告主题为“迈向开放世界自动驾驶泛化感知”。

虽然机器视觉为各个领域带来巨大成功，但已有机器视觉往往针对封闭环境，存在闭集假设和大样本假设等局限。现实世界中的自动驾驶往往面对开放环境，存在以下关键挑战：1）开放环境中存在大量数据域偏移，已有方案难以适应新数据域、对新场景进行准确理解；2）开放环境中新的类别动态出现，无法及时获得标注，已有方案难以在少量标注下准确识别新事物。本次分享将针对上述挑战，介绍一系列增强开放世界自动驾驶感知的泛化能力，使其自动适应新环境、识别新事物的研究工作。尤其针对自动驾驶的Corner Case问题提出新型持续泛化学习范式和预训练大模型解决方案。

本次论坛为青年科学家们提供了宝贵的学术交流平台，为通用自动驾驶领域的研究进展提供了新的启示和思想碰撞。