雷锋网 AI 科技评论按，2018 年 12 月 8 日，首届 AI Driving Olympics（AI-DO）在加拿大蒙特利尔举办，这场比赛是 NeurIPS 2018 八大比赛之一，由 Duckietown Foundation 联合 6 所学术机构 ETH Zürich (Switzerland)、Université de Montréal (Canada)、Tsinghua University (China)、National Chiao Tung University (Taiwan)、Toyota Technological Institute at Chicago (USA)、Georgia Tech (USA) 主办，NuTonomy 和 Amazon 提供赞助。
比赛官网：https://challenges.duckietown.org/v3/
本次比赛的主要目的是探讨机器学习在交互和系统方面的前沿问题，评估基于深度学习的系统控制移动机器人的实际能力。比赛共设四个赛道，包括指定车道行驶，有动态遮挡物的车道驾驶，自动导航和全自动移动车队规划四个挑战。 最终，由申省梅带领的新加坡松下研究院和新加坡国立大学团队获得了 AI-DO 竞赛冠军。
五强名单如下：
新加坡松下研究院和新加坡国立大学团队 WEI GAO
加拿大 Jon Plante、Vincent Mai
俄罗斯 JetBrains 团队 Mikita Sazanovich
SAIC（Samsung AI Center）
Moscow 团队 Anton Mashikhin
比赛过程中，参赛团队先用主办方提供的模拟器来开发和测试各自的算法和系统，然后提交到云端平台，以便评委做统一评测。评委将从中选出分数最高的 15 支团队的系统来进行现场表演和测试，通过在 5 轮不同场景下进行评测计分，综合分数最高者将获得冠军。
在大多数现实环境中，不能单靠一个指标决定系统的好坏，尤其是自动驾驶任务。因此，AI-DO 使用了多种绩效指标同时进行评测。此次比赛的评分维度包括：行驶距离，生存时间，横向偏差和重大违规四个方面。
冠军团队使用了随机模板，并创建了一个调试框架来测试算法。之后，他们为算法创建了一个 Python 包，并使用随机模板直接调用。该算法主要包括三部分：感知、预测、控制。当机器人处于摄像机无法观测到有用信息的急转弯时，预测起著至关重要的作用。
据冠军团队对雷锋网介绍，比赛中的一个挑战是，模拟情况常常会与实际运行的环境不一样，在模拟器上可以高性能工作的算法或模型，在实际环境下的性能往往下降很大，或速度太慢无法实时运行。这时候，如何建立一个模拟实测不同环境的较准体系，以减少算法和视觉识别在不同环境下的差距，是一个很重要的策略。
比赛中，另一个极具挑战的地方在于：如果想要利用 AI 模型进行物体识别追踪、场景分割分类、预测和控制，想要完成多重任务并且实时操作，就要进行速度优化，对性能与速度进行综合考虑。
申省梅对雷锋网表示，DAPAR GRAND 挑战赛促进了自动驾驶技术的发展和人形机器人的开拓，希望 AI-DO 这样一个开放式的比赛开发平台，能利用人工智能、深度学习、增强学习，为交互机器人以及交互自动驾驶带来重大突破。
