奖项颁了二十多届，今年第一次颁给来自中国高校的学生一作，打败了哈佛大学博士生&谷歌的另一篇论文研究。

　　转方向前，他对汽车动力学同样兴趣十足，曾经加入过赛车队，主导空气动力学开发，最终团队在大学生国际赛事上获了奖；

　　读研第一年，论文就入选了CVPR，但却因为理论不够充分，转而继续深入研究，才有了今年这篇最佳学生论文奖。

　　一入学他就参加了同济翼驰车队。这是一个上百人组成的学生社团，在学校、学院和赞助商支持下，每年都会设计、制造赛车并参加国内和国际比赛。

　　他渐渐成为车队的骨干，还助力团队在2018年的日本大学生方程式赛车上拿了最佳空气动力学奖。

　　其实汽车和计算机都是陈涵晟从小开始就有的爱好，他表示自己也搞不清楚更喜欢哪个，另外数学也是他一直感兴趣的学科。

　　熊璐现任同济大学新能源汽车工程中心副主任，长期从事汽车底盘控制、分布式驱动电动汽车动力学控制相关科研工作，

　　在研究生阶段陈涵晟还有一位副指导老师，同济大学汽车学院助理教授田炜，他主要研究智能驾驶的环境目标感知技术和轨迹预测技术。

　　转方向、学习交叉学科压力会很大吗？陈涵晟认为对他来讲并不会很累，反而两个领域的碰撞总能让他产生更多灵感。

　　这篇文章是根据经验设计的，虽然模型效果好但我不明白他为什么效果好，也无法用数学理论去证明这个方法就是最优的。

　　因此，如何让计算机学会通过2D照片估计3D物体的位置和朝向，就变成了一个需要解决的问题，像自动驾驶（用摄像头估计车辆位置）、AR（判断虚拟物体距离）等领域都要用到：

　　几何推理，最常见的就是PnP（Perspective-n-Point）算法，具体指通过已知的n个3D空间点（c1、c2、c3、c4）的坐标、对应2D平面上点的坐标，结合相机内参来反推相机的位姿。

　　本质上来说，就是找到3D空间点的坐标系w以及相机坐标系c的对应关系，来推导出相机和这些3D点的空间距离：

　　这个方法非常简洁，原理也好理解，然而必须得有一大堆参数（3D、2D坐标和对应的相机内参）才能计算出结果。现实是往往只能用一张2D照片做估计，没有对应的3D坐标。

　　但这样问题又来了，不仅模型可解释性差，预测结果不一定准确，而且数据集样本量少的时候，还非常容易过拟合。

　　相比用自监督方法直接学习位姿，这篇论文先用自监督方法学习2D和3D坐标之间的关系，再用PnP算法求解。

　　论文估计了坐标预测结果的不确定性，并用不确定性PnP算法，让模型学会关注不确定性较低的前景点（检测对象的点）。

　　MonoRUn做出来后，效果很好，不需要提前知道物体的几何形状，就能预测3D位姿，直接登上CVPR 2021。

　　也就是说，上一篇论文把不确定性引入PnP算法，虽然效果很好，但本质上将PnP视为确定性这一操作并不可导。

　　也就是说，将PnP的输出视为位姿的概率密度函数，这样问题就从不可导变成了可导，这便是End-to-end Probabilistic Perspective-n-Points（EPro-PnP）算法的由来。

　　这次的模型做出来后，灵活性和可解释性都得到了很大的提升，收敛也稳定多了，最终在CVPR 2022中获得最佳学生论文奖。

　　达摩院的研究氛围很好，与他同期的一组实习生虽然做的都是不同方向，但经常和带他们的几位老师在一起讨论问题。

　　搞这项研究期间，达摩院的导师王丕超还特意帮他多申请了一台服务器，才能顺利完成整个模型的研究训练。

　　很多时候他面对一个课题不是先把领域内的文章通通看一遍，而是自己先尝试，有了比较完善的想法之后再去读论文。