据ScienceDaily 近期报道，麻省理工学院研究人员创建了一个新系统，将类人推理（human-like reasoning）引入无人驾驶汽车，该系统只使用简单地图和可视化数据，就可使实现无人驾驶汽车在新复杂环境下的自动导航。
图为概念版自动驾驶汽车（来源：© scharfsinn86 / Adobe Stock）
通常，司机擅长通过观察和使用简单工具驾车行驶在他们以前从未驾驶过的道路。我们只是将周围看到的内容与在GPS设备上看到的相匹配，就能够确定我们所在的位置以及目的地。然而，无人驾驶汽车却很难做到这一点。在每一个新地区，汽车必须首先要绘制当地地图并分析所有新道路，这非常耗时。这些系统还依赖3D复杂地图，而这些地图的生成和实时处理都需要大量的计算。
在前段时间举行的机器人与自动化国际会议（International Conference on Robotics and Automation）上，麻省理工学院(MIT)的研究人员发表了一篇论文，描述了一种自动控制系统，该系统仅使用来自摄像机的数据和一个类似GPS的简单地图就能“学习”人类司机在小范围内行驶时的驾驶模式。然后，经过训练的系统可以模仿人类司机在全新的区域沿着计划好的路线驾驶无人汽车。
与人类司机类似，该系统还能检测出地图与道路特征之间的所有不匹配之处。这有助于系统确定其位置、传感器或地图是否正确，以便纠正汽车的驾驶方向。
最初，为了训练这套系统，一位操作人员控制一辆无人驾驶的丰田普锐斯(Toyota Prius)，这辆车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包括各种道路结构和障碍物在内的数据。自动驾驶时，该系统成功地引导汽车在不同的林区沿着预先规划的路径行驶，该区域被指定用于自动车辆测试。
论文的第一作者、麻省理工学院研究生Alexander Amini说：“使用我们的系统时，你不需要事先在每条路上都进行训练，你可以下载一张新地图，让汽车在从未见过的道路上行驶。”
计算机科学与人工智能实验室(CSAIL)主任Daniela Rus及电气工程和计算机科学教授Andrew和Erna Viterb都是本论文的合著者，他们补充道，“我们的目标是实现新环境下强大的自主驾驶导航。例如，如果我们训练一辆自动驾驶汽车在城市街区里行驶，比如剑桥街道，系统也应该能够在树林中平稳行驶，即使这是一个它从未见过的环境。”
与Rus和Amini一起发表论文的还有丰田研究院的研究员Guy Rosman以及麻省理工学院航空航天副教授Sertac Karaman。
点对点导航
传统的导航系统通过多个模块处理来自传感器的数据，这些模块为定位、绘制地图、目标检测、运动规划和转向控制等任务定制。多年来，Rus的团队一直在开发“端到端”导航系统，该系统可以不需要任何专门的模块就能处理输入的感官数据和输出的转向命令。
然而，到目前为止，这些模型都是严格按照安全路线设计的，没有真正的目的地。在这篇论文中，研究人员改进了他们的“端到端”系统，能够是控制汽车在一个完全陌生的环境中从目标自动驾驶到目的地。为此，研究人员训练他们的系统在驾驶时能够预测所有可能的转向指令的全概率分布。
该系统使用了一种称为卷积神经网络(CNN)的机器学习模型，该模型通常用于图像识别。在训练过程中，系统观察和学习人类驾驶员如何驾驶。CNN将方向盘的转动与它通过摄像机和输入地图观察到的道路曲率相关联。最终，该系统学会了各种驾驶情况下最有可能的转向指令，比如直路、十字路口、T形路口、岔路口和旋转台。
Rus说:“最初，在一个T形路口，汽车有不同的转向。该模型首先考虑的是所有方向，但当它看到越来越多人们所做的数据时，它会看到一些人左转，一些人右转，但没有人直行。直行就被排除在可能方向之外，因此模型就学会了在T形路口，它只能左转或右转。”
地图说了什么?
测试中，研究人员向系统输入了一张随机选择的路线地图。驾驶时，该系统从摄像头中提取视觉特征，使其能够预测道路结构。例如，它可以通过识别远处的停车标志或路边的换行标志，预测出自己即将到达一个十字路口。在每一个时刻，它都使用其预测的转向命令概率分布来选择最有可能的路线命令。
研究人员说，重要的是，该系统使用的地图易于存储和处理。自动控制系统通常使用激光雷达扫描来创建大规模、复杂的地图，仅存储旧金山一个城市就需要大约4,000 Gb 的数据。对于每个新目的地，汽车必须创建新地图，这意味着要处理大量的数据。然而，该系统使用的地图只需要40G的数据就能捕捉到整个世界。
在自动驾驶过程中，系统还会不断地将其视觉数据与地图数据进行匹配，并记录任何不匹配的地方。这样做有助于自动驾驶汽车更好地确定它在道路上的位置。如果输入的视觉数据与地图数据相互矛盾，它还能确保汽车保持在最安全的路径上，比如，如果汽车在一条没有转弯的直线上行驶，而GPS显示汽车必须右转，汽车就会知道要继续直行或者停车。
Amini说：“现实情况下，传感器确实可能会失灵。我们希望通过建立一个系统来确保该系统对不同传感器的不同故障具有鲁棒性，这个系统需要能够接受噪声输入同时仍能在路上准确导航和定位。”
原文链接：https://www.sciencedaily.com/releases/2019/05/190523130212.htm
我们已发布《自动驾驶研究报告》
联系客服
