按，2018 年 12 月 8 日，首屆 AI Driving Olympics（AI-DO）在加拿大蒙特利爾舉辦，這場比賽是 NeurIPS 2018 八大比賽之一，由 Duckietown Foundation 聯合 6 所學術機構 ETH Zürich (Switzerland)、Université de Montréal (Canada)、Tsinghua University (China)、National Chiao Tung University (Taiwan)、Toyota Technological Institute at Chicago (USA)、Georgia Tech (USA) 主辦，NuTonomy 和 Amazon 提供贊助。
比賽官網：https://challenges.duckietown.org/v3/
本次比賽的主要目的是探討機器學習在交互和系統方面的前沿問題，評估基於深度學習的系統控制移動機器人的實際能力。比賽共設四個賽道，包括指定車道行駛，有動態遮擋物的車道駕駛，自動導航和全自動移動車隊規劃四個挑戰。最終，由申省梅帶領的新加坡松下研究院和新加坡國立大學團隊獲得了 AI-DO 競賽冠軍。
五強名單如下：
新加坡松下研究院和新加坡國立大學團隊 WEI GAO
加拿大 Jon Plante、Vincent Mai
俄羅斯 JetBrains 團隊 Mikita Sazanovich
SAIC（Samsung AI Center）
Moscow 團隊 Anton Mashikhin
比賽過程中，參賽團隊先用主辦方提供的模擬器來開發和測試各自的算法和系統，然後提交到雲端平臺，以便評委做統一評測。評委將從中選出分數最高的 15 支團隊的系統來進行現場表演和測試，通過在 5 輪不同場景下進行評測計分，綜合分數最高者將獲得冠軍。
在大多數現實環境中，不能單靠一個指標決定系統的好壞，尤其是自動駕駛任務。因此，AI-DO 使用了多種績效指標同時進行評測。此次比賽的評分維度包括：行駛距離，生存時間，橫向偏差和重大違規四個方面。
冠軍團隊使用了隨機模板，並創建了一個調試框架來測試算法。之後，他們爲算法創建了一個 Python 包，並使用隨機模板直接調用。該算法主要包括三部分：感知、預測、控制。當機器人處於攝像機無法觀測到有用信息的急轉彎時，預測起着至關重要的作用。
據冠軍團隊介紹，比賽中的一個挑戰是，模擬情況常常會與實際運行的環境不一樣，在模擬器上可以高性能工作的算法或模型，在實際環境下的性能往往下降很大，或速度太慢無法實時運行。這時候，如何建立一個模擬實測不同環境的較準體系，以減少算法和視覺識別在不同環境下的差距，是一個很重要的策略。
比賽中，另一個極具挑戰的地方在於：如果想要利用 AI 模型進行物體識別追蹤、場景分割分類、預測和控制，想要完成多重任務並且實時操作，就要進行速度優化，對性能與速度進行綜合考慮。
申省梅表示，DAPAR GRAND 挑戰賽促進了自動駕駛技術的發展和人形機器人的開拓，希望 AI-DO 這樣一個開放式的比賽開發平臺，能利用人工智能、深度學習、增強學習，爲交互機器人以及交互自動駕駛帶來重大突破。