自动驾驶汽车安全性通过新训练方法得到改善

自动驾驶汽车在安全方面最重要的任务之一是跟踪行人、物体和其他车辆或自行车。为了实现这一点，自动驾驶汽车依赖于跟踪系统。这些系统可以通过卡内基梅隆大学（CMU）研究人员开发的新方法变得更加有效。

新方法解锁了比以前更多的自动驾驶数据，例如道路和交通数据，这对于训练跟踪系统至关重要。数据越多，自动驾驶汽车就越成功。

该工作于6月14-19日在虚拟计算机视觉和模式识别（CVPR）会议上进行了介绍。

Himangi Mittal是一名研究实习生，她与CMU机器人研究所的助理教授David Held一起工作。

“我们的方法比以前的方法更强大，因为我们可以在更大的数据集上进行训练，”Mittal说。

激光雷达和场景流

今天的大多数自动驾驶汽车都依赖于激光雷达作为其主要的导航系统。激光雷达是一种激光设备，它观察周围的环境并生成3D信息。

3D信息以点云的形式出现，车辆使用一种称为场景流的技术来处理数据。场景流涉及计算每个3D点的速度和轨迹。因此，当有其他车辆、行人或移动物体时，它们被表示为一组一起移动的点。

传统的训练这些系统的方法通常需要标记数据集，即已注释的传感器数据以跟踪3D点随时间的变化。由于这些数据集需要手动标记并且昂贵，因此只有很少的数据集存在。为了解决这个问题，使用模拟数据进行场景流训练，并使用少量真实世界数据来改进它。

研究人员开发了新的方法，使用未标记的数据进行场景流训练。这种数据更容易收集，只需要将激光雷达放在汽车上并让它行驶。

检测错误

为了使其生效，研究人员需要找到一种方法让系统检测其自身在场景流中的错误。新系统尝试预测每个3D点的位置和速度，然后测量预测位置和实际位置之间的距离。这形成了一种需要最小化的错误类型。

在此过程之后，系统然后反转并从预测点位置开始，映射出点的起源。通过测量预测位置和起源点之间的距离，形成第二种类型的错误。

检测到这些错误后，系统然后努力纠正它们。

“事实证明，为了消除这两种错误，系统实际上需要学习做正确的事情，而不需要被告知什么是正确的事情，”Held说。

结果表明，当使用合成数据集进行训练时，场景流准确率为25%，当用少量真实世界数据改进后，准确率增加到31%。当添加大量未标记数据来训练系统时，准确率进一步提高到46%。