新方法帮助自动驾驶汽车创建“记忆”

康奈尔大学的一组研究人员开发了一种新方法，能够使自动驾驶汽车创建“记忆”以便在未来导航中使用。这在自动驾驶汽车无法依靠传感器的恶劣天气环境中尤其有用。

从过去学习

当前使用人工神经网络的自动驾驶汽车没有过去的记忆，这意味着它们总是“第一次看到”事物。这与它们是否已经多次行驶过同一条路无关。

Killian Weinberger 是研究的首席作者和计算机科学教授。

“基本问题是，我们是否可以从重复的行驶中学习？” Weinberger 说。”例如，一辆汽车可能会把一个奇怪形状的树误认为是行人，当它第一次用激光扫描仪从远处感知到它时，但是一旦它足够近，对象类别就会变得明显。所以，第二次你开车经过同一棵树，即使在雾或雪中，你也希望汽车已经学会正确地识别它。”

由博士生 Carlos Diaz-Ruiz 领导的团队创建了一个数据集，通过让一辆配备了 LiDAR 传感器的汽车行驶 15 公里长的环路，共计 40 次，跨越 18 个月的时间。这些测试驾驶捕捉了不同的环境、天气条件和一天中的时间。所有这些都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中的一个关键挑战：恶劣的天气条件，” Diaz-Ruiz 说。”如果街道被雪覆盖，人类可以依靠记忆，但没有记忆，神经网络就严重受损。”

HINDSIGHT 和 MODEST

一种方法称为 HINDSIGHT，使用神经网络计算汽车经过时的对象描述。这些描述，称为 SQuaSH，被压缩并存储在虚拟地图上，创建了一种类似于我们在大脑中存储记忆的“记忆”。

当自动驾驶汽车在未来行驶同一地点时，它会查询沿着路线的每个 LiDAR 点的本地 SQuaSH 数据库，”记住”它所学到的东西。持续更新的数据库在车辆之间共享，通过提供更多信息来帮助改进识别。

Yurong You 是博士生。

“这些信息可以添加到任何基于 LiDAR 的 3D 对象检测器中，” You 说。”检测器和 SQuaSH 表示可以在没有任何额外监督或人工注释的情况下联合训练，这需要时间和劳动力。”

HINDSIGHT 将帮助团队进行其他研究，称为 MODEST（移动对象检测与自我训练）。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被训练为检测对象，并增加创建记忆的能力，而 MODEST 假设人工神经网络从未被暴露在任何对象或街道中。经过同一路线的多次行驶，它会学习环境中哪些部分是静止或移动的对象。这使得系统能够教会自己应该关注哪些其他交通参与者。

算法展示了可靠地检测对象的能力，即使在没有最初行驶的道路上。

团队相信，这些新方法可以降低自动驾驶汽车的开发成本，并使其更加高效。