蓋世汽車訊 自動駕駛汽車通過人工智能技術識別行人、其他車輛以及潛在的障礙物后，就能夠在城市街道以及交通不太繁忙的環境中行駛。這一切都是在人工神經網絡的幫助下實現，人工神經網絡通過訓練之后，能夠模仿人類的視覺感知系統，“看到”車輛周圍的環境。

(資料圖片僅供參考)

不過，與人類不一樣，采用人工神經網絡的車輛并沒有過去的記憶，無論以前在某條路上開過多少次，其總是處于第一次看到世界的狀態中。在惡劣天氣條件下，這一點會出現很大的問題，因為汽車將無法依賴傳感器，實現安全駕駛。

據外媒報道，美國康奈爾大學安?S?鮑爾斯計算與信息科學學院（Cornell Ann S.?Bowers College of Computing and Information Science and the College of Engineering）的研究人員同時發表了三篇論文，其中闡述了通過為汽車基于之前的經驗創造“記憶”，讓其在未來行駛導航中利用該記憶，從而克服以上限制。

研究人員駕駛數據收集車（圖片來源：康奈爾大學）

安?S?鮑爾斯計算機科學學院教授Kilian Weinberger表示：“根本問題就是，我們能夠從重復的經歷中學習嗎？例如，一輛汽車的激光掃描儀第一次從遠處感知到一棵形狀奇怪的樹時，可能會誤認為這棵樹是行人。但是，一旦距離夠近，就能夠清楚物體的種類。因此，在第二次駛過同樣的樹時，即使在霧天或雪天，汽車有望學會正確識別這棵樹。”

該研究小組的博士生Katie Luo表示：“事實上，人們很少會第一次在一條路上行駛。你自己或者其他人最近都開過這條路，所以收集和利用這些經驗是很自然的事情。”

在博士生Carlos Diaz-Ruiz的領導下，該研究小組通過駕駛一輛裝有激光雷達（光探測與測距）的車輛，在18個月的時間內，在伊薩卡及其周圍15公里的環路上反復行駛了40次，從而匯編了一個數據集。此次旅行捕捉了各種不同的情況：（不同的道路：高速公路、城市、校園）、不同的天氣（晴天、雨天、下雪天）以及一天中不同的時間。研究小組將該數據集命名為Ithaca365，其中擁有超60萬個場景。

Diaz-Ruiz表示：“其故意將自動駕駛汽車暴露在關鍵挑戰之一：糟糕的天氣條件中。如果街道被雪覆蓋，人類可以依靠記憶，但是沒有記憶的話，神經網絡就會遇到很大的麻煩。”

HINDSIGHT是一種利用神經網絡、在車輛經過物體時，計算物體描述符的方法，然后其可以將此類描述壓縮，并被該小組命名為SQuaSH（空間量化簡短歷史）特征，并被存儲在一張虛擬地圖上，與存儲在人類大腦中的“記憶”類似。

研究人員表示：“此類信息可被當作特征，添加到任意基于激光雷達的3D物體探測器中。之后，可以聯合訓練探測器和SQuaSH特征，無需任何額外的監督或人工注釋，后者既費時又費力。”

雖然HINDSIGHT仍然認為人工神經網絡已被訓練，可用于探測物體，并且得到創造記憶的能力之后，得到了增強，不過MODEST（短暫移動物體探測與自我訓練）則發展得更遠。

在該研究中，研究人員讓車輛從頭開始學習整個感知過程。一開始，車輛的人工神經網絡從沒有接觸過任何物體或者街道。通過多次行駛過同一路徑，汽車可以了解到環境中哪部分是靜止的，哪部分是移動的物體。慢慢地，其能夠教會自己其他交通參與者都有什么，忽視什么東西是安全的。

然后，該算法可以可靠地探測此類物體，甚至在之前沒有重復行駛過的道路上也可以做到。

研究人員希望，上述兩種方法都能夠大幅降低自動駕駛汽車的研發成本（目前自動駕駛汽車的研發仍然嚴重依賴昂貴的人工注釋數據），還能夠通過學習之前最常行駛過的路徑，讓自動駕駛汽車更高效。

關鍵詞： 自動駕駛汽車