【自动驾驶】

 

研究方向一：人工智能-因果推理/可解释AI

研究内容：探究因果推理算法和可解释AI系统在无人车决策问题中的研究与应用，探究可持续、可扩展地无人车决策解决方案。

课题方向包括：从数据中提炼智能行为的因果关系；实时因果推理算法在实时决策系统中的应用；可解释AI算法在问题分析和逻辑迭代中发挥的作用。

 

研究方向二：行为建模

研究内容：从大规模路采人类驾驶行为数据中，从心理和社会学角度，分析人类驾驶行为的不同类型和特点，建立人类和自动驾驶行为模型。

课题方向包括：人类司机社会属性预测；自动驾驶算法的社会性定义；人类司机和自动驾驶车辆和谐交通等。

 

研究方向三：运动规划

研究内容：基于强化学习或深度学习的复杂场景下自动驾驶运动规划。在环境不确定性大的情况下，运动规划会遇到更大的挑战。环境的不确定性可以体现在：在拥挤环境下周围物体行为预测的不确定性，在极端情况下自车动力学模型的不确定性。在这种复杂场景下，从人类司机驾驶数据或者仿真数据中，利用深度学习或者强化学习方法，学习最优决策行为。

 

研究方向四：无监督学习、自监督学习、弱监督学习

研究内容：自动驾驶汽车会采集大量传感器数据，常用人工智能、深度学习模型依赖大量高精度人工标注，成本高昂且周期长。探究如何使用无监督、自监督、弱监督学习等形式提高传感器数据的利用率，降低数据标注成本。

课题内容：图像数据的无监督、自监督、弱监督学习；激光雷达点云数据的无监督、自监督、弱监督学习；毫米波雷达数据的无监督、自监督、弱监督学习。

 

研究方向五：高效神经网络架构

研究内容：探究在边缘计算平台（GPU、FPGA、AI芯片等）上如何设计、部署、调优高效深度神经网络，为自动驾驶车端人工智能提供更高效的网络模型。

课题内容：1）神经网络搜索：如何利用搜索等方式设计边缘设备上的高效神经网络架构；2）有约束的高效网络结构设计：将网络部署在自动驾驶的边缘计算平台上会有一些约束，探索如何在有约束的条件下设计尽可能高效的神经网络结构，比如给定推理延迟上限、推理算力上限、内存使用上限等；3）混合精度推理：探索有效的混合精度推理和网络量化方案；4）网络结构调优：针对已有的神经网络，如何通过剪枝等方式进行优化；5）网络结构缩放：探索如何快速有效地根据需求放大、缩小已有的网络结构满足不同的任务需求。

 

研究方向六：人工智能-不确定性

研究内容：系统性建模自动驾驶人工智能系统的不确定性模型，包括传感器、感知等模块，探索如何利用不确定性提高自动驾驶系统的安全性和人工智能驾驶能力；

课题内容：1）神经网络的不确定性，包括对于数据的不确定性和对于任务的不确定性；2）设计方法估计上游神经网络模型的不确定性并在下游目标跟踪、运动规划等模块中利用神经网络结果的不确定性；3）如何评价系统不确定性对于安全性的影响。

 

【智能交易市场】

 

研究方向一：因果推断、智能决策

研究内容：因果推断在智能决策领域的应用。

因果推断在价格弹性、时间弹性等领域建模，主要包括：使用因果推断的思想探究实验数据的获取和应用、使用观测数据建模弹性、复杂干预变量下因果模型的构建和评估、序列因果效应估计与策略学习等方向在价格弹性和时间弹性等方向的应用，通过研究用户对价格/时间等交易体验的响应，来优化平台长短期的用户价值。

 

研究方向二：交易策略

研究内容：双边市场中的预测决策算法研究及在网约车场景的应用。

课题方向：网约车是复杂的双边动态交易市场。基于网约车场景，研究司机乘客行为预测模型和平台序列决策算法，应用于网约车订单分配、司机调度等交易相关的核心策略，提升社会福利和平台交易效率。主要包括：深度学习分类和生存分析模型，运筹优化算法/鲁棒优化，强化学习算法，多目标优化算法等。

 

研究方向三：定价策略   

研究内容：网约车多品类定价策略 

课题方向：基于收益管理和运筹优化，建模研究网约车多品类的价格问题，探索不同品类在全局最优下如何差异化定价。

 

研究方向四：国际化定价策略

研究内容：强化学习在国际化交易市场定价策略中的研究与应用。

课题方向：滴滴国际化业务目前已覆盖全球12个国家，相比国内市场，是变化更剧烈更复杂的动态双边交易市场。基于国际化交易场景，研究强化学习在各种定价补贴业务中的应用。主要包括：强化学习在各定价业务中的解决方案；强化学习在司机和乘客补贴中的解决方案。

 

 

【智慧地图】

 

研究方向一：智能搜索 

研究内容：挖掘大规模地理信息数据的价值，推进搜索技术在智慧地图中的应用。

课题方向包括：基于城市计算、相似性计算、自然语言处理等前沿技术，重新定义地点检索架构，构建智能的Query分析改写引擎和语义召回引擎；强化学习、深度学习、无偏学习、冷启动等技术在地点搜索的智能排序引擎上的应用；基于地理拓扑图网络，建模和表示出行时空信息，结合大规模的地理和用户异质资源，提升地点检索的相关性排序、智能纠错的能力。   

 

研究方向二：城市计算

研究内容：基于大数据和机器学习等技术, 优化城市交通。

课题方向包括：深度学习和强化学习在交通流量预测，到达时间预测等场景的研究与应用；大数据和机器学习在路径规划躲避拥堵，缓解城市交通压力等场景的研究与应用；基于强化学习和模仿学习的路径规划策略研究与应用；结合城市拓扑和强化学习的VRP运筹优化的研究与应用。

 

研究方向三：时空数据

研究内容：多模态技术在海量时空数据的研究与应用。

课题方向包括：通过海量物联网设备，基于多模态融合技术对用户轨迹、行为、图像、上报等进行建模，并应用于实时交通物理世界理解；通过深度学习技术在轨迹时空表达、交通流量预测、行为异常检测等进行算法优化。            

                      

研究方向四：计算机视觉

研究内容：计算机视觉在交通场景理解与分析方面的研究及应用。

课题方向包括：基于自监督学习、半监督学习、对比学习、领域迁移学习等前沿技术在图像和视频理解模型中的研究和应用；基于深度学习的模型训练、Loss优化、模型压缩等关键技术在交通场景图像和视频中目标检测、图像分割、文字检测识别和细粒度分类等算法的研究和应用；基于特征点提取、描述子提取、图像匹配等关键技术在室内外三维重建和SLAM等领域的研究及应用。

 

 

【智能平台】

 

研究方向一：强化学习、市场决策

研究内容：强化学习在网约车交易市场决策问题中的研究与应用。

课题方向包括：强化学习在订单分配（包括拼车），车辆调度联动决策上的解决方案；强化学习在针对供需宏观调整平衡问题上的研究；强化学习在司乘运营和交易效率联动优化上的解决方案。

 

研究方向二：智能语音

研究内容：说话人识别。课题方向包括：基于车内场景语音的多说话人分割聚类；跨信道说话人识别；大规模声纹库构建与检索。

远场语音识别。课题方向包括：远场语音核心算法如语音增强、波束成形、声源定位、噪声抑制、去混响、回声消除等研究与开发；远场语音识别。

语音合成。课题方向包括：基于端到端语音合成技术，探索低资源下的语音合成技术；情感语音合成；语音转换；歌声合成。

 

研究方向三：计算机视觉

研究内容：利用计算机视觉技术和深度学习技术，进行3D场景建模，将2D视频图像在3D空间中还原，获取目标物体的三维信息。 利用计算机视觉技术和深度学习技术，对模型采用压缩、轻量化、裁剪、蒸馏等操作，实现边端硬件移植。

研究方向四：计算机视觉

研究内容：计算机视觉在交通场景理解与分析方面的研究及应用。

课题方向包括：基于自监督学习、半监督学习、对比学习、领域迁移学习等前沿技术在图像和视频理解模型中的研究和应用；基于深度学习的模型训练、Loss优化、模型压缩等关键技术在交通场景图像和视频中目标检测、图像分割、文字检测识别和细粒度分类等算法的研究和应用；基于特征点提取、描述子提取、图像匹配等关键技术在室内外三维重建和SLAM等领域的研究及应用。

 

【城市运输与服务技术】

 

研究方向一：机器学习、运筹优化

研究内容：1. 机器学习——研发大规模数据分析，深度学习模型构建及大规模模型训练技术，解决数据驱动的智能化问题。2. 运筹优化——研发优化复杂系统的技术，解决现实中的复杂决策问题，如优化库存、计算、流量等资源的配置问题等。针对解决运筹优化类问题的求解器，包含线性规划、混合整数规划、非线性规划、黑盒优化、在线优化等通用优化求解器能力，并提供优化求解器在不同行业内的数学建模和应用的解决方案案例。

 

研究方向二：深度学习、图神经网络、预训练

研究内容：1. 基于神经网络/树模型的深度学习技术，在智能营销Uplift等模型中的应用和创新； 2. 基于Transformer、CNN等对时空信息建模，和时间、地域网格的自适应学习，实现对未来的供需预测； 3. 图神经网络的应用和改进，在分析用户关系网络、司机-乘客关系等方面的建模，包括不限于人传人营销红包定价、新用户圈人等场景； 4. 新一代Pretrain-finetune模型研究，将全国大量数据信息通过模型学习，迁移到各个城市，包括不限于个性化营销策略、路径规划、供需预测等场景。

 

研究方向三：计算机视觉

研究内容：计算机视觉在仓储复杂场景理解与分析方面的研究及应用。

课题方向包括：基于自监督学习、半监督学习、对比学习、领域迁移学习等前沿技术在图像和视频理解模型中的研究和应用；基于深度学习的模型训练、Loss优化、模型压缩等关键技术在仓储复杂场景图像和视频中目标检测、图像分割、细粒度分类等算法的研究和应用。

 

 

【企业服务】

 

研究方向一：数据挖掘、智能营销

研究内容：企业客户挖掘与全生命周期精准营销的研究与应用。

课题方向包括：基于多模态特征、预估模型挖掘（深度学习技术），知识图谱、图神经网络等手段，挖掘优质客户线索，提升企业客户转化能力；对企业客户画像与生命周期进行精准刻画，结合营销渠道与营销策略提升企业客户GMV，优化客户生命周期结构；通用营销方法论应用，系统提升营销转化效率。

 

研究方向二：人物画像、匹配算法

研究内容：人工智能在人力资源领域的应用。

课题方向包括：1. 人才画像：利用图像识别与NLP技术对简历进行结构化信息提取与画像搭建研究与应用；2. 人岗匹配：基于大数据的深度学习、强化学习等技术研究岗位与简历的精准匹配；3. 人才发展：基于深度学习和NLP等技术智能分析候选人简历、投递与面试记录，进行岗位级别智能建议。

 

【体验设计】

 

研究方向：用户体验设计

研究内容：探索影响网约车用户体验及持续使用意愿的因素。

课题方向包括：1. 在经历了网约车1.0与2.0时代后，随着智能技术的不断发展，网约车在逐渐迈入3.0时代，即寻求更差异化、个性化的服务升级，以提高用户体验。 2. 用户体验从某种意义上来说，解决的就是产品的粘性问题，从而让用户养成持续使用的意愿。用户体验由五种基础体验构成：感官体验，交互体验，浏览体验，情感体验，信任体验。这些体验背后代表的是用户的不同心理需求，我们较难通过纯技术手段去预测影响用户体验及其持续使用网约车意愿的因素，且较难挖掘满足用户需求的差异化、个性化体验升级机会。 3. 这一系列的调研可通过定量+定性的方法搭建预测用户体验及持续使用意愿模型，探讨未来差异化、个性化体验升级的机会点。

 

 

【智慧社区服务】

 

研究方向一：履约体系建设

研究内容：智能仓储、分拣和排线等技术的研究与应用。

课题方向包括：自动化仓储系统在生鲜电商应用的成本结构优化；基于人类行为数据的网格仓选址模型的设计和优化；大规模带复杂时空约束的VRP 问题的求解加速；基于离散选择模型的商品品类结构优化；以销定采模式下的库存治理的全链路模型设计和优化；基于强化学习的仓站网络的路径规划的研究和应用；基于强化学习的非标准商品分拣和加工的工业机器人的研究和应用；基于AIOT的用于物流作业效率提升的方法的研究。

 

研究方向二：交易策略、定价策略

研究内容：用户行为挖掘和定价体系建设。

课题方向包括：长期价格形象在用户心智中的目标以及建立过程优化；互联网社群活跃度研究，基于信任关系构建的交易模型研究；大规模用户画像、商品画像、商家画像、时空数据、行为数据的关系挖掘；强化学习在智能出价、广告资源位决策等领域的应用；有限商品数量约束下合理品类结构的评价标准以及优化方案；基于深度学习的商品价格调整和优惠券变化对销量敏感度的量化评估方法。

 

研究方向三：智能推荐

研究内容：深度学习、强化学习和图网络技术在智能化社区服务推荐中的应用。

课题方向包括：强化学习在以LTV为目标的推荐策略，尤其是在新人/新品推荐策略上的研究；复杂混合推荐搜索场景下AUTOML优化及online learning领域的研究；基于用户关系网的社区团购推荐搜索策略研究；深度学习在多模态特征挖掘和预估模型上的应用及解释性研究；通过个性化搜索中深度学习、强化学习技术提升搜索转化效果。