2018年，在清华大学攻读博士的崔力文，偶然间听说清华传奇校友楼天城创办的公司准备在学校开校招宣讲会，上网了解了一番后，她决定也去看看。在宣讲会上，楼天城现场展示了几段公司自动驾驶车的路测视频。看完之后，崔力文有两个感想：一、宣讲会的人真多；二、自动驾驶这个事儿真有意思，我要去做自动驾驶。经过几轮面试后，凭借自己的过硬实力，崔力文拿到了小马智行的Offer，她也没做太多考虑，坚定地加入了这家初创企业。

　　让机器清楚“看”见

　　在大多数人的认知中，感知是自动驾驶系统的眼睛，而实际上感知绝不仅是“看”而已。对传感器“捕获”到的点云信息，首先要进行对象分割，明确到底“看”到的是什么；基于分割结果，再进行对象的追踪和分类，建立帧与帧之间感知结果的关联，从而得到准确的速度信息以及类别信息；最后，还需要对物体接下来可能出现的行为进行预测，为自动驾驶系统后续的决策和控制提供参考。分割、追踪与分类、预测，三个环节组成了基本的感知流程。

　　崔力文主要负责自动驾驶系统感知中的行人检测部分，即从点云信号中把属于行人的点挑选出来，分割成一个个“行人”。

　　与其他类型的路面障碍物不同，行人的体积相对较小，且姿态多变——站立、蹲坐，甚至弯腰，不同的姿态最后产生的点云和图像信号，形状和点数上可能会有不小的差异，因此行人一直都不是很好处理的一个类别；然而精确地感知路上的行人，对自动驾驶的行车安全无疑非常重要。

　　“做行人检测比较困难的地方在于，针对不同姿态的行人，以及被树丛等其他物体遮挡的行人，如何尽早地给出稳定的检测结果？对于路上成群结队的行人，相互之间距离很近且可能会相互遮挡。如何把一群人的点云图正确分割成单个的个体？这些都是我需要去解决的问题。” 崔力文说。

　　为了妥善解决这个问题，行人检测模块会分为多个阶段来进行。首先由深度学习模型基于点云信号和图像信号，给出行人分割结果的初步猜想。接下来会结合深度学习模型、机器学习模型以及历史追踪信息对这些初步猜想进行进一步的结果修正，最终得到准确、稳定的检测结果。

　　背下每条路名

　　除了工程师之外，崔力文在公司内还有个江湖名号：Demo一姐。

　　在小马智行，“做Demo”指在外部来宾试乘公司的自动驾驶车时，随车进行相关的技术介绍和回答来宾的疑问。

　　崔力文刚加入公司不久，大家觉得她性格比较外向，喜欢跟人聊天，于是问她能不能来帮忙做Demo。“当时我听到要去做Demo，还是挺紧张的。毕竟每个功能都是大家花了很多精力做出来的，如果我没有把这些成果介绍好，那多对不起他们啊。于是我决定去恶补一下系统的各个模块。”

　　很快，崔力文迎来第一次自己担任C位的讲解任务。在出发前，她除了把公司的技术优势、系统亮点记得滚瓜烂熟外，甚至还把线路所经过的地名和路名都背了下来。在充分准备下，Demo非常顺利地结束了。来宾对小马智行的自动驾驶技术非常认可，告诉崔力文“你们这个车开得比我都要好”，让她非常有成就感。

　　“由于技术更成熟了，如今再做Demo的时候，我反而会希望碰上一些非常规的场景——通过应对复杂路况，让来宾更深刻地感受到自动驾驶技术的强大之处。记得有一次前面的车出了事故，地上摆了交通警示标，我们的车识别出来之后，很从容地从旁边绕了过去，他们当时非常惊讶。”她说。

　　随着公司的发展，技术讲解也逐渐被推上了标准化的日程。崔力文也参与其中，与其他工程师一起编写了更为系统的技术讲解手册，涵盖了介绍前期该如何准备、技术亮点、讲解结束后如何复盘总结，以及一些常见交通法规知识等，从而帮助新人更好地上手。企业供稿