就能使自動駕駛汽車在新的複雜環境中導航

  • 时间:

【张大仙直播违规】

該系統使用一種稱為捲積神經網絡(CNN)的機器學習模型,該模型通常用於圖像識別。在訓練過程中,系統觀察並學習人類駕駛員如何駕駛。CNN將方向盤轉動與攝像頭和輸入地圖觀察到的道路曲率聯繫起來。最終,它學會了各種駕駛情況下最有可能的轉向指令,這些情況包括筆直的道路、十字路口或T形路口、岔路口和彎道。

在自動駕駛過程中,系統還會不斷將其視覺數據與地圖數據進行匹配,並記錄任何不匹配的地方。這有助於自動駕駛汽車更好地確定自己的位置。如果輸入信息互相矛盾,它能確保汽車在最安全的道路上行駛。比如,如果汽車在一條沒有轉彎的直路上行駛,而GPS顯示必須右轉,那麼汽車能知道是繼續直行還是停下來

在近期的國際機器人與自動化會議上,麻省理工學院的研究人員發表了一篇論文,描述了一種自動控制系統,該系統只使用攝像頭數據和類似GPS的簡單地圖,就能“學習”人類司機在小範圍內的駕駛模式。然後,它可以模仿人類駕駛員,控制自動駕駛汽車在全新的區域沿著規劃路線行駛。該系統與人類駕駛員類似,能檢測出地圖與道路特征之間的不匹配。這有助於系統確定其位置、傳感器或地圖是否正確,以便糾正汽車的行駛方向。

然而,到目前為止,這些模型都是嚴格按照安全路線設計的,沒有考慮任何真正的目的地。在這篇新論文中,研究人員改進了他們的端到端系統,使自動駕駛汽車在全新的環境中,從一個目的地行駛到另一目的地。為此,研究人員訓練他們的系統,使其在駕駛過程中的任何特定時刻,都能預測所有可能的駕駛指令的全概率分佈。

人類駕駛員特別擅長觀察並使用簡單的工具,在從未駕駛過的道路上進行導航。我們只是簡單地將看到的周圍環境信息與GPS設備信息進行匹配,來確定我們在哪裡,以及需要去哪裡。而自動駕駛汽車卻很難做到這一點。在新的地區,汽車必須首先規劃、分析所有的新道路,這非常耗時。該系統還依賴複雜的地圖,這些地圖通常是由3D掃描生成,需要大量的計算才能實時生成、處理。

第一作者、麻省理工學院研究生Alexander Amini表示,“使用我們的系統,你不需要預先在每條路上進行訓練,你只需下載一張新的地圖,就讓汽車在從未見過的道路上行駛。”

Rus說,“在T型交叉口,汽車可以轉向很多不同的方向。開始時,這個模型會考慮所有方向,但是有越來越多的數據顯示人們是如何做的時候,它會看到一些人左轉,一些人右轉,但是沒有人直行。因此,直行被排除在可能的方向之外。這時模型就知道,在T形交叉口,它只能向左或向右行駛。”

傳統的導航系統使用多個模塊處理傳感器數據,這些模塊是為定位、映射、目標檢測、運動規劃和轉向控制等任務定製的。多年來,Rus的團隊一直在開發“端到端”的導航系統,該系統不需要任何專門模塊,就能處理輸入多傳感器數據,並輸出轉向命令。

(圖片來源:麻省理工大學官網)訊 據外媒報道,為了使自動駕駛汽車進行更多類似人類的推理,麻省理工學院研究人員經創建了一個系統,該系統只使用簡單的地圖和可視化數據,就能使自動駕駛汽車在新的複雜環境中導航。

為了訓練這套系統,一名人工操作員操控一輛自動豐田普銳斯,該車配備了一些攝像頭和一個基本的GPS導航系統,從當地郊區街道收集數據,包括各種道路結構和障礙物。該系統成功地為自動駕駛汽車導航,使汽車沿著預先規劃的路徑在一個不同的林區行駛,該區域專門用於自動車輛測試。

研究人員表示,該系統使用的地圖易於存儲和處理。自動控制系統通常使用激光雷達掃描來創建大規模、複雜的地圖,僅存儲舊金山的地圖信息就需要大約4000 GB (4TB)的數據。汽車必須為每個新目的地創建新的地圖,這意味著要處理大量的數據。而他們的系統使用的地圖只需要40G的數據就能捕捉所有信息。

合著者、計算機科學與人工智能實驗室(CSAIL)主任Daniela Rus和電氣工程與計算機科學教授Andrew 和Erna Viterbi Professor 補充道,“我們的目標是使自動駕駛汽車能夠在新環境下自動導航。比如,如果我們訓練一輛自動駕駛汽車,讓它在城市環境中行駛,比如在劍橋的街道,那麼該系統也能夠在樹林中平穩行駛,即使是它從未見過的環境。”

在測試中,研究人員向系統輸入一張地圖,地圖路線是隨機選擇的。在駕駛時,該系統從攝像頭中提取視覺特征,預測道路結構。例如,它識別一個遙遠的停車標誌或路邊變道標誌,來決定在即將到來的十字路口如何行駛。它隨時都在利用預測轉向命令概率分佈,來選擇最有可能符合其路線的命令。