新方法帮助自动驾驶汽车创造“记忆”

康奈尔大学的一组研究人员开发了一种新方法，使自动驾驶汽车能够创建以前经历的“记忆”，然后可用于未来的导航。 当这些自动驾驶汽车在恶劣天气环境下无法依赖传感器时，这将特别有用。

向过去学习

目前使用人工神经网络的自动驾驶汽车没有过去的记忆，这意味着它们不断地第一次“看到”事物。无论他们在同一条路上行驶了多少次，情况都是如此。

基利安·温伯格（Killian Weinberger）是该研究的资深作者，也是计算机科学教授。

“根本问题是，我们能否从重复的遍历中学习？” 温伯格说。 “例如，当汽车的激光扫描仪第一次从远处感知到一棵形状怪异的树时，汽车可能会将其误认为是行人，但一旦距离足够近，物体类别就会变得清晰。 因此，当你第二次驶过同一棵树时，即使是在雾天或雪天，你也会希望汽车现在已经学会正确识别它。”

在博士生 Carlos Diaz-Ruiz 的带领下，该小组通过驾驶配备 LiDAR 传感器的汽车创建了一个数据集。 在 15 个月的时间里，它绕了 40 公里的环路，总共行驶了 18 次。 各种试驾捕捉了不同的环境、天气条件和一天中的时间。 所有这些创建了一个包含超过 600,000 个场景的数据集。

“它故意暴露了自动驾驶汽车的关键挑战之一：恶劣的天气条件，”迪亚兹-鲁伊斯说。 “如果街道被雪覆盖，人类可以依靠记忆，但如果没有记忆，神经网络就会处于严重不利地位。”

事后诸葛亮和谦虚

其中一种方法称为 HINDSIGHT，它使用神经网络在汽车经过物体时计算物体的描述符。 这些描述被称为 SQuaSH，然后被压缩并存储在虚拟地图上，创建一种“记忆”，类似于我们在大脑中存储自己的记忆的方式。

当自动驾驶汽车将来经过同一地点时，它会查询沿途每个激光雷达点的本地 SQuaSH 数据库，“记住”它学到的东西。 不断更新的数据库在车辆之间共享，通过提供更多信息来帮助提高识别度。

游玉蓉是一名博士生。

“这些信息可以作为特征添加到任何基于 LiDAR 的 3D 物体检测器中，”You 说。 “检测器和 SQuaSH 表示都可以联合训练，无需任何额外的监督或人工注释，这既费时又费力。

HINDSIGHT 将帮助该团队进行他们正在进行的额外研究，该研究称为 MODEST（具有短暂性和自我训练的移动对象检测）。 MODEST 将推进这一过程，并使汽车能够学习整个感知管道。

HINDSIGHT 假设人工神经网络已经接受过训练，可以检测物体并增强创建记忆的能力，而 MODEST 则假设人工神经网络从未接触过任何物体或街道。 在多次遍历同一路线后，它会了解环境的哪些部分是静止的或移动的物体。 这个过程使系统能够教会自己像其他交通参与者一样应该注意什么。

该算法展示了即使在不构成初始遍历的道路上也能可靠地检测物体的能力。

该团队相信这些新方法可以降低自动驾驶汽车的开发成本，并提高其效率。