盖世汽车讯 自动驾驶汽车通过人工智能技术识别行人、其他车辆以及潜在的障碍物后,就能够在城市街道以及交通不太繁忙的环境中行驶。这一切都是在人工神经网络的帮助下实现,人工神经网络通过训练之后,能够模仿人类的视觉感知系统,“看到”车辆周围的环境。
不过,与人类不一样,采用人工神经网络的车辆并没有过去的记忆,无论以前在某条路上开过多少次,其总是处于第一次看到世界的状态中。在恶劣天气条件下,这一点会出现很大的问题,因为汽车将无法依赖传感器,实现安全驾驶。
据外媒报道,美国康奈尔大学安・S・鲍尔斯计算与信息科学学院(Cornell Ann S. Bowers College of Computing and Information Science and the College of Engineering)的研究人员同时发表了三篇论文,其中阐述了通过为汽车基于之前的经验创造“记忆”,让其在未来行驶导航中利用该记忆,从而克服以上限制。
研究人员驾驶数据收集车(图片来源:康奈尔大学)
安・S・鲍尔斯计算机科学学院教授Kilian Weinberger表示:“根本问题就是,我们能够从重复的经历中学习吗?例如,一辆汽车的激光扫描仪第一次从远处感知到一棵形状奇怪的树时,可能会误认为这棵树是行人。但是,一旦距离够近,就能够清楚物体的种类。因此,在第二次驶过同样的树时,即使在雾天或雪天,汽车有望学会正确识别这棵树。”
该研究小组的博士生Katie Luo表示:“事实上,人们很少会第一次在一条路上行驶。你自己或者其他人最近都开过这条路,所以收集和利用这些经验是很自然的事情。”
在博士生Carlos Diaz-Ruiz的领导下,该研究小组通过驾驶一辆装有激光雷达(光探测与测距)的车辆,在18个月的时间内,在伊萨卡及其周围15公里的环路上反复行驶了40次,从而汇编了一个数据集。此次旅行捕捉了各种不同的情况:(不同的道路:高速公路、城市、校园)、不同的天气(晴天、雨天、下雪天)以及一天中不同的时间。研究小组将该数据集命名为Ithaca365,其中拥有超60万个场景。
Diaz-Ruiz表示:“其故意将自动驾驶汽车暴露在关键挑战之一:糟糕的天气条件中。如果街道被雪覆盖,人类可以依靠记忆,但是没有记忆的话,神经网络就会遇到很大的麻烦。”
HINDSIGHT是一种利用神经网络、在车辆经过物体时,计算物体描述符的方法,然后其可以将此类描述压缩,并被该小组命名为SQuaSH(空间量化简短历史)特征,并被存储在一张虚拟地图上,与存储在人类大脑中的“记忆”类似。
研究人员表示:“此类信息可被当作特征,添加到任意基于激光雷达的3D物体探测器中。之后,可以联合训练探测器和SQuaSH特征,无需任何额外的监督或人工注释,后者既费时又费力。”
虽然HINDSIGHT仍然认为人工神经网络已被训练,可用于探测物体,并且得到创造记忆的能力之后,得到了增强,不过MODEST(短暂移动物体探测与自我训练)则发展得更远。
在该研究中,研究人员让车辆从头开始学习整个感知过程。一开始,车辆的人工神经网络从没有接触过任何物体或者街道。通过多次行驶过同一路径,汽车可以了解到环境中哪部分是静止的,哪部分是移动的物体。慢慢地,其能够教会自己其他交通参与者都有什么,忽视什么东西是安全的。
然后,该算法可以可靠地探测此类物体,甚至在之前没有重复行驶过的道路上也可以做到。
研究人员希望,上述两种方法都能够大幅降低自动驾驶汽车的研发成本(目前自动驾驶汽车的研发仍然严重依赖昂贵的人工注释数据),还能够通过学习之前最常行驶过的路径,让自动驾驶汽车更高效。
本文来源:盖世汽车资讯