为了给自动驾驶汽车带来更多类似人类的推理，麻省理工学院创建了一个系统，使无人驾驶汽车能够检查简单的地图，并使用视觉数据在新的复杂环境中跟踪路线。来源:麻省理工学院
目的是让推理更接近人类自主车辆在美国，麻省理工学院的研究人员创造了一个系统，它只使用简单的地图和可视化数据，就能让无人驾驶汽车在新的、复杂的环境中导航。
人类司机非常擅长通过观察和简单的工具在他们从未驾驶过的道路上导航。我们只是简单地将我们周围看到的与我们在GPS设备上看到的相匹配，以确定我们在哪里以及我们需要去哪里。然而，无人驾驶汽车却很难做到这一点。在每一个新的区域，汽车必须首先绘制和分析所有的新道路，这是非常耗时的。该系统还依赖于复杂的地图——通常由3d扫描生成——这些地图需要大量的计算来生成和处理。
在2019年机器人与自动化国际会议上发表的一篇论文中，麻省理工学院的研究人员描述了一种自动控制系统，该系统仅使用来自摄像头的数据和简单的类似gps的地图，就能“学习”人类驾驶员在小范围内行驶时的转向模式。然后，经过训练的系统可以通过模仿人类司机，在一个全新的区域沿着计划的路线控制无人驾驶汽车。
与人类驾驶员类似，该系统也能检测地图与道路特征之间的任何不匹配。这有助于系统确定其位置、传感器或地图是否不正确，从而纠正汽车的路线。
为了最初训练该系统，一名操作员控制了一辆自动的丰田普锐斯——配备了几个摄像头和一个基本的GPS导航系统——从当地郊区街道收集数据，包括各种道路结构和障碍物。当自动部署时，该系统成功地沿着不同森林区域的预先规划路径导航，该森林区域被指定为自动驾驶汽车测试。
“有了我们的系统，你不需要事先在每条路上训练，”第一作者、麻省理工学院研究生亚历山大·阿米尼(Alexander Amini)说。“你可以下载一张新地图，让汽车在以前从未见过的道路上行驶。”
“我们的目标是实现在新环境中驾驶的自动导航，”计算机科学与人工智能实验室(CSAIL)主任、电气工程和计算机科学安德鲁和埃尔纳·维特比教授、合著者丹妮拉·罗斯补充说。“例如，如果我们训练一辆自动驾驶汽车在城市环境中行驶，比如剑桥的街道，那么该系统也应该能够在树林中平稳行驶，即使这是它从未见过的环境。”
与罗斯和阿米尼一起发表论文的还有丰田研究所的研究员盖伊·罗斯曼(Guy Rosman)和麻省理工学院航空航天学副教授塞尔塔克·卡拉曼(Sertac Karaman)。
点对点导航
传统导航系统通过多个模块处理来自传感器的数据，这些模块是为定位、测绘、目标检测、运动规划和转向控制等任务定制的。多年来，罗斯的团队一直在开发“端到端”导航系统，该系统可以处理输入的感官数据和输出的转向命令，而不需要任何专门的模块。
然而，到目前为止，这些车型都是严格按照道路安全行驶设计的，没有任何真正的目的地。在这篇新论文中，研究人员改进了他们的端到端系统，在以前从未见过的环境中从目标驾驶到目的地。为了做到这一点，研究人员训练他们的系统在驾驶时的任何给定时刻预测所有可能的转向命令的完整概率分布。
该系统使用了一种称为卷积神经网络(CNN)的机器学习模型，通常用于图像识别。在训练过程中，系统观察并学习如何从人类驾驶员那里驾驶。CNN通过摄像头和输入的地图将方向盘旋转与道路曲率联系起来。最终，它会学习各种驾驶情况下最可能的转向指令，比如直道、四向或t形交叉路口、岔路口和转弯处。
罗斯说:“最初，在t形十字路口，汽车可以转向许多不同的方向。“该模型首先考虑所有这些方向，但随着它看到越来越多关于人们行为的数据，它会发现有些人向左转，有些人向右转，但没有人是直走的。笔直向前被排除为可能的方向，并且模型了解到，在t形十字路口，它只能向左或向右移动。”
地图上怎么说?
在测试中，研究人员向系统输入一张随机选择路线的地图。在驾驶时，该系统从摄像头中提取视觉特征，从而能够预测道路结构。例如，它可以识别远处的停车标志或路边的换行符，作为即将到来的十字路口的标志。在每一个时刻，它都利用其预测的转向命令的概率分布来选择最有可能遵循其路线的指令。
研究人员说，重要的是，该系统使用了易于存储和处理的地图。自主控制系统通常使用激光雷达扫描来创建庞大而复杂的地图，仅存储旧金山市就需要大约4,000 gb (4tb)的数据。对于每一个新的目的地，汽车必须创建新的地图，这相当于大量的数据处理。然而，研究人员的系统使用的地图仅使用40g的数据就能捕捉到整个世界。
在自动驾驶过程中，系统还会不断将其视觉数据与地图数据进行匹配，并记录任何不匹配的数据。这样做可以帮助自动驾驶汽车更好地确定它在道路上的位置。如果输入的信息相互矛盾，它会确保汽车行驶在最安全的道路上:比如，如果汽车行驶在一条没有转弯的直道上，而GPS显示汽车必须向右转，汽车就会知道是继续直行还是停下来。
“在现实世界中，传感器确实会失灵，”阿米尼说。“我们希望通过构建一个系统来确保系统对不同传感器的不同故障具有鲁棒性，该系统可以接受这些噪声输入，并且仍然能够在道路上正确导航和定位。”
编者按:本文转载自麻省理工学院的新闻．
了下:汽车，学生项目，AI•机器学习，机器人报告
告诉我们你的想法!