康奈尔大学的记忆研究人员开发了一种方法 ，可以帮助自动驾驶汽车对以前的研究拥体验产生“记忆” ，并将其用于未来的帮助并学导航 ，尤其是自动在恶劣天气条件下 ，汽车无法安全地依赖传感器时 。驾驶
使用人工神经网络的汽车汽车对过去没有记忆 ，无论之前在特定道路上行驶过多少次 ，学习都处于第一次看到世界的记忆恒定状态 。
为了克服这一限制 ，帮助并学研究人员同时发表了三篇论文 。自动“根本问题是驾驶，我们能从重复遍历中学习吗 ？”资深作者 、汽车计算机科学教授基利安·温伯格（KilianWeinberger）说 。学习“例如 ，记忆当汽车的激光扫描仪第一次从远处看到一棵形状怪异的树时 ，它可能会误认为是行人 ，但一旦它足够近 ，物体类别就会变得清晰 。因此 ，当你第二次驶过同一棵树时 ，即使在雾天或雪天 ，你也希望汽车现在已经学会了正确识别它 。”
在博士生卡洛斯·迪亚兹·鲁伊斯（CarlosDiaz-Ruiz）的带领下，该研究小组在18个月的时间内 ，驾驶一辆装有激光雷达（LightDetection and Ranging）传感器的汽车 ，在伊萨卡及其周围15公里的环线上反复行驶40次 ，从而编制了一份数据集 。穿越记录了不同的环境（公路、城市 、校园） 、天气条件（晴天 、雨天、下雪天）和时间 ，生成的数据集有600000多个场景 。
迪亚兹·鲁伊斯说 ：“这暴露了自动驾驶汽车面临的一个关键挑战——恶劣的天气条件。如果街道被雪覆盖 ，人类可以依靠记忆 ，但如果没有记忆 ，神经网络将非常不利 。”
HINDSIGHT是一种利用神经网络在汽车经过物体时计算物体描述符的方法 ，通过压缩这些描述 ，空间量化稀疏历史特征，并将其存储在虚拟地图上 ，就像存储在人脑中的“记忆” 。
下次自动驾驶汽车穿过同一位置时 ，它可以查询沿途每个激光雷达点的本地挤压数据库 ，并“记住”上次学到的内容 。数据库不断更新并在车辆间共享，从而丰富了可用于执行识别的信息 。
“此信息可以作为功能添加到任何基于激光雷达的三维物体探测器；”博士生尤玉荣（音）说 。“检测器和壁球表示都可以联合训练，无需任何额外的监督或人工注释 ，这是一项耗时费力的工作 。”
HINDSIGHT是团队正在进行的额外研究的先驱 ，这将更进一步 ，使汽车能够从头开始学习整个感知管道 。
虽然HINDSIGHT仍然认为人工神经网络已经经过训练，可以检测物体 ，并增强其创建记忆的能力，但为了谨慎 ，假设车辆中的人工神经网络从未接触过任何物体或街道 ，通过对同一路线的多次遍历，它可以了解环境中哪些部分是静止的 ，哪些是移动的对象 。慢慢地 ，它教会自己什么是其他交通参与者 ，什么是可以安全忽略的。
然后，该算法可以可靠地检测到这些对象，即使是在不属于初始重复遍历的道路上 。研究人员希望这些方法能够大幅降低自动驾驶汽车（目前仍严重依赖昂贵的人工标注数据）的开发成本 ，并通过学习导航最常用的位置 ，提高此类车辆的效率。
本文由升哲科技编译，转载请注明 。
产品展示 
联系方式