自主车辆传感器在雪城中可能发挥重要作用

自主车辆面临的最大挑战之一是它们难以在恶劣天气条件下导航，这严重限制了它们在雪城如底特律和芝加哥的实施。这些车辆依赖于关键的传感器数据来检测障碍并保持在正确的一侧，但这种数据在雪中很难获取。

在SPIE Defense + Commercial Sensing 2021上发表的两篇新论文中，来自密歇根理工大学的研究人员讨论了新的解决方案，以应对自主车辆在雪地中的驾驶场景。

自主车辆有很多种，包括一些具有盲点或制动辅助的车辆，以及一些具有开启和关闭自主驾驶模式的车辆。一些最好的车辆可以完全独立运行。

由于该技术在很多方面仍处于初期阶段，汽车制造商和研究大学不断地改进技术和算法。当事故发生时，它们往往是由于汽车的AI或人类错误造成的。

人体传感器

人眼也是传感器的一种，因为它们感知平衡和运动。我们的脑部作为处理器，帮助我们理解环境。这些使我们能够在所有场景中驾驶，即使是新场景，因为我们的脑部可以概括化新的体验。

自主车辆通常具有两个安装在陀螺仪上的摄像头，它们使用立体视觉扫描和感知深度，以模仿人类的视觉。同时，平衡和运动可以使用惯性测量单位来测量。计算机只能对之前遇到的场景或已经被编程为识别的场景做出反应。

传感器融合

自主车辆依赖于特定任务的AI算法，这些算法需要多种传感器，如鱼眼摄像头、红外传感器、雷达、光检测和激光雷达。

纳迪尔·拉瓦什德是密歇根理工大学计算机学院的助理教授，也是该研究的主要作者之一。

“每个传感器都有局限性，每个传感器都可以弥补其他传感器的不足，”拉瓦什德说。“传感器融合使用多种不同模式的传感器来理解场景。由于输入有困难的模式，你不可能详尽地编程每个细节。这就是为什么我们需要AI。”

该研究的合作者包括纳德·阿布-鲁布博士，电气和计算机工程博士生，以及杰里米·博斯博士，电气和计算机工程助理教授。其他合作者包括博斯实验室的硕士生和毕业生：阿赫尔·库鲁普，德里克·乔普和扎克·杰弗里斯。

自主传感器和自主驾驶算法几乎完全是在阳光明媚和清晰的景观中开发的。博斯的实验室首先开始在密歇根理工大学的自主车辆中收集数据，并在德国和挪威的雪路上收集了超过1000帧的激光雷达、雷达和图像数据。

根据博斯的说法，传感器检测很难，因为雪的种类繁多。预处理数据并确保准确标记非常重要。

“并非所有雪都是相同的，”博斯说。“AI就像一位厨师——如果你有好的食材，就会有一个美味的饭菜，”他说。“如果你给AI学习网络脏的传感器数据，你就会得到一个糟糕的结果。”

其他主要挑战包括低质量的数据和污垢，以及雪在传感器上的积累会带来自己的问题。即使传感器被清除，检测障碍物也并不总是达成一致。通常很难让传感器及其风险评估进行沟通和相互学习，因为每个传感器都可能得出自己的结论。然而，该团队希望自主传感器能够通过传感器融合来集体得出结论。

“与其严格投票，不如通过传感器融合来得出新的估计，”博斯说。

自主车辆传感器将继续在恶劣天气中学习和改进，新的方法如传感器融合可能会为雪路上的自主车辆铺平道路。