滴滴是一个让出行变得更美好的公司，语音交互作为出行领域最安全，最自然的交互方式在滴滴内部有着广泛的应用前景，目前滴滴语音交互已经应用在智能外呼，司机端，地图，车机系统多个领域中。语音交互离不开自然语言理解，用户说的每一句话都应该得到正确的理解和反馈，自然语言理解技术让语音助手变得像人一样和用户进行交流。本文主要讲解滴滴语音交互中自然语言理解技术的一些探索和实践。

橙心优选汹涌入局

道路交通事故每年都给人类带来巨大的生命和财产损失。滴滴作为交通领域的深度参与者，不断地探索降低交通事故的方法。本文重点介绍车载视觉团队是如何在滴滴的场景下，在桔视设备上，使用超低功耗的桔视ADAS（高级辅助驾驶系统）技术，降低交通事故发生率，守护司乘安全。

车联网时代，由于驾驶舱环境中视觉与触觉都受到高度约束，语音交互成为了车载场景下最自然的交互方式。通过车机/手机的语音助手，车主只需要说说话就可以完成车辆控制、信息查询、导航娱乐等功能，减少了在驾驶过程中的分神现象，提升了车辆行驶的安全性。在滴滴也有丰富的语音交互场景落地，为了更快更稳定地输出语音识别模型，提高业务识别准确率，我们开发了语音识别模型自学习平台，通过平台，一方面非专业人员也可以轻松参与业务专属模型的自助优化，另一方面可以实现业务数据回流，达到模型闭环迭代和自主学习的目的。

公共交通出行，安全是重中之重，滴滴作为网约车行业的头部品牌，肩负着保护司乘安全的重担。滴滴桔视记录仪依托高质量硬件基础与高精度算法，实时抓取乘车期间道路与车内视频信息，提醒司机驾驶安全，同时有效保护司乘安全，解决司乘纠纷。本文重点介绍桔视记录仪的产品定位、主要功能、主机组成、硬件框图、工作原理等内容。

为了将目标语音从含多种干扰(如车噪、导航音、车内FM等)的复杂声学环境中分离出来同时尽量减小对原始语音的损伤，提高人机交互、客服听音等的效率，滴滴结合了在前端信号处理的多年研发积累与该领域的前沿研究，在单通道语音分离任务上取得了较大的进展。本文重点介绍单通道语音分离的研究现状、原理和目标说话人提取(或抑制)的框架、改进和一些实验结果及demo展示。

机器翻译系统是使用深度学习技术从其支持的语言中翻译大量文本的服务。服务将 "源" 文本从一种语言转换为不同的 "目标" 语言。滴滴作为一家国际化的公司，无论是在国际化网约车中还是司乘沟通都有着丰富的落地场景。本文详细的介绍了滴滴翻译的整体框架、原理以及方法，同时还会简单介绍滴滴NLP在今年参加的机器翻译大赛（WMT2020）的一些技术。

本文是对滴滴智能客服团队的论文《Towards Building an Intelligent Chatbot for Customer Service: Learning to Respond at the Appropriate Time》的详细解读，在这篇论文中，滴滴提出一种应用于智能对话系统的多轮应答时机触发模型（Multi-turn Response Triggering Model，MRTM）。不同于传统人-机对话的turn-by-turn交互模式，MRTM能够使机器人具备在恰当时刻进行回复的能力，并使其在其他时刻保持倾听，结合客户的多个问题进行回复，从而提升人机对话的流畅度并提升机器人的回复质量。

近年来，智能汽车的概念已经成为了主流的发展趋势。汽车座舱在智能汽车的场景中成为关键一环。将汽车座舱智能化可以提高整体乘客乘坐品质和驾驶员行驶体验，智能座舱的功能丰富，其中多数核心算法是基于深度学习的视觉算法。但是，由于智能座舱终端的运算资源有限，深度模型尺寸庞大、计算量需求大，因此，当同时运行多个深度模型算时，会导致终端运算资源不足，算法响应慢，很难满足实时性的需求。本文重点介绍内容是模型压缩关键的技术原理、方法以及在汽车座舱的场景中的应用。同时也介绍了技术团队在模型剪枝方面的突破性工作。

时间轮是一个应用场景很广的组件，在很多高性能中间件中都有它的身影，如Netty、Quartz、Akka，当然也包括Kafka，本文主要介绍时间轮在kafka的应用和实战，从核心源码和设计的角度对时间轮进行深入的讲解。

滴滴的路线引擎每天要处理超过400亿次的路线规划请求，路径规划是滴滴地图输出的核心服务之一。不同于传统的路径规划算法，本文主要介绍的是一次深度强化学习在路径规划业务场景下的探索，目标是为用户规划出最符合司乘双方习惯的路线，降低偏航率。

Presto在滴滴内部发展三年，已经成为滴滴内部Ad-Hoc和Hive SQL加速的首选引擎。目前服务6K+用户，每天读取2PB ~ 3PB HDFS数据，处理30万亿~35万亿条记录，为了承接业务及丰富使用场景，滴滴Presto需要解决稳定性、易用性、性能、成本等诸多问题。我们在3年多的时间里，做了大量优化和二次开发，积攒了非常丰富的经验。本文分享了滴滴对Presto引擎的改进和优化，同时也提供了大量稳定性建设经验。

IT技术的不断更新推动着公共交通的概念不断在深度和广度上扩展。深度上，精准的公交ETA和实时到站等信息可以帮助用户更好的规划行程时间；广度上，配合单车，网约车等共享出行方式可以帮助用户更好的决策出行方式。

所谓需求响应式公交，就是根据用户出行需求，提供非固定路线的、能够实时拼单的公交系统。目前滴滴动态公交可通过灵活调配运力、实时规划行驶路线，为用户提供经济、直达、有座、高效的响应式公交服务。

每天滴滴都会为上千万人提供出行服务，在这一过程中积累了海量轨迹数据。这些轨迹数据来自于公共服务，本文介绍如何利用这些数据回馈大众，改善出行体验。

定位是所有LBS服务的基础服务。在滴滴的业务场景下，定位主要是指各类终端设备的位置，包括手机、单车、行车记录仪、车机端等。作为底层服务，在滴滴日均提供700亿次定位服务，支撑着平台的各类业务。