自动驾驶汽车很快将能从自己的记忆中学习

中科医院曝光资质 http://baidianfeng.39.net/a_yqyy/170317/5252039.html

自动驾驶汽车存在一个记忆问题，康奈尔大学的研究人员正在试图解决。

康奈尔大学的研究人员开发了一种方法，以帮助自动驾驶车辆对自己的经验建立“记忆”，并在以后的导航中使用这些记忆，特别是恶劣天气下汽车无法安全地依赖于自己的传感器的情况时。

使用神经网络的汽车对于自己的经历没有记忆，世界对于它们永远都是第一次看见，无论以前对于一段路走过多少次。

研究人员针对这种限制已经发表了三篇文章，其中两篇是在6月19-24日于新奥尔良举行的IEEE计算机视觉与模式识别会议（CVPR）上宣读的。

“根本的问题在于，我们是否能够从过去的经历中学习？“康奈尔大学计算机科学教授，资深作者克里安?温伯格（KilianWeinberger）说。“例如，第一次见到一颗奇形怪状的树时，车上的激光扫描器会远远地将其识别为行人，但在离得足够近的时候，这个物体的类别就能清楚地识别出来了。因此，下次再驾车经过这棵树时，即使在大雾或雨雪天气，你也会希望你的车子已经学会了正确地识别这棵树。”

由博士研究生卡洛斯?迪亚兹-瑞兹（CarlosDiaz-Ruiz）带头，康奈尔大学的研究团队驾驶装配有激光雷达（LiDAR——激光探测与测距）的汽车，在伊萨卡及周边15英里的环路上来回行驶，在18个月的时间里跑了40次，建立了一个数据集。这些行驶获取了各种环境（高速公路，城市，校园），天气状况（晴天，雨天，雪天）以及一天里的各个时间段。最终的数据集包含有超过60万帧的场景。

“我们的测试有意暴露自动驾驶汽车的一个关键性挑战：恶劣的天气状况，“迪亚兹-瑞兹称。”如果街道被积雪覆盖，人类可以依靠记忆，而没有记忆则是神经网络的重大缺陷。“

HINDSIGHT（后见之明）是利用神经网络在车辆经过物体时计算物体描述子（descriptorsofobjects）的方式。然后将这些描述进行压缩，研究团队将压缩后的形式称之为SQuaSH（Spatial-QuantizedSparseHistory——量化空间的稀疏历史），最后存储在虚拟地图上，类似“记忆”存储在人类大脑中。

下次自动驾驶车辆再次经过相同地点时，可以查询本地SQuaSH数据库中激光雷达沿途扫描的每一点并“记住”上次所学到的东西。数据库不断进行更新，并在车辆之间共享，从而丰富所获得的信息，并用这些信息执行模式识别。

“这些信息可以作为一种功能添加到任何基于激光雷达的三维物体探测器中，”博士研究生YurongYou称。“探测器和SQuaSH表示可以联合训练，不需要任何额外的监督，也不需要人工标注，人工标注既耗时又费力。”

HINDSIGHT是研究团队正在进行的研究项目MODEST（MobileObjectDetectionwithEphemeralityandSelf-Training——无常与自训的移动物体探测）的前导，这项MODEST研究将走得更远，允许汽车从零开始学习整个感知流程。

HINDSIGHT仍然假定人工神经网络是经过探测物体的训练的，并使用创建记忆的功能来增强它的能力。MODEST则假定车载的人工神经网络从来没见过任何物体，从来没上过街。经过多次重复通过同一路段，神经网络能学得环境中哪些部分是固定不变的，哪些是移动的。慢慢地它就教会自己区别哪些构成了交通的参与者，而哪些可以安全地忽略。

然后算法就能够可靠地探测这些物体——甚至在没有走过的路段也可以。

研究人员希望，他们的方式能够大幅降低自动驾驶车辆的研发成本（目前仍然严重依赖成本高昂的人工数据标注），并且通过学习在熟悉的路段导航，也使得自动驾驶车辆更有效率。

文章出处

本文译自cleantechnia.