Credit: MIT计算机科学与人工智能实验室如果你在野外看到一辆自动驾驶汽车，你可能会注意到它车顶上有一个巨大的旋转气缸。这是一个激光雷达传感器，它通过发出红外光脉冲并测量它们从物体上反弹所需的时间来工作。这将创建一个3D点地图，作为汽车周围环境的快照。激光雷达的一个缺点是其3D数据庞大且计算密集。例如，典型的64通道传感器每秒产生超过200万个点。由于额外的空间维度，最先进的3D模型在推理时需要比2D图像模型多14倍的计算量。这意味着，为了有效导航，工程师通常首先必须将数据压缩到2D——这样做的副作用是会导致大量信息丢失。
但是麻省理工学院的一个团队一直在研究一种自动驾驶系统，该系统使用机器学习，因此不需要定制的手动调节。他们新的端到端框架可以仅使用原始3D点云数据和低分辨率全球定位系统地图自主导航，类似于今天智能手机上可用的地图。
从原始激光雷达数据中进行端到端学习是一个计算密集型的过程，因为它需要给计算机提供大量丰富的感官信息来学习如何驾驶。正因为如此，该团队不得不实际设计新的深度学习组件，更有效地利用现代图形处理器硬件来实时控制车辆。
“我们已经从算法和系统的角度优化了我们的解决方案，与现有的3D激光雷达方法相比，累计加速约为9x，”博士生刘志坚说，他与亚历山大·阿米尼是这篇论文的合著者。
在测试中，研究人员表明，他们的系统减少了驾驶员从机器上接管控制权的频率，甚至可以承受严重的传感器故障。
例如，想象你开车穿过一条隧道，然后出现在阳光下——一瞬间，你的眼睛可能会因为眩光而看不清东西。自动驾驶汽车中的摄像头也会出现类似的问题，天气不好时，系统的激光雷达传感器也会出现类似的问题。
学分:麻省理工学院计算机科学与人工智能实验室为了解决这个问题，麻省理工学院团队的系统可以估计它对任何给定预测的确定程度，因此在做出决策时可以或多或少地考虑这个预测。(在从隧道中出现的情况下，它基本上会忽略任何由于传感器数据不准确而不可信的预测。)
该团队称他们的方法为“混合证据融合”，因为它将不同的控制预测融合在一起，以得出其运动规划选择。
“通过根据模型的不确定性融合控制预测，系统可以适应意外事件，”该论文的资深作者之一、麻省理工学院教授Daniela Rus说。
在许多方面，该系统本身融合了麻省理工学院之前的三个项目:
MapLite，一个无需高清3D地图的手动调整驾驶框架“变分端到端导航”，这是一个机器学习系统，使用人类驾驶数据进行训练，学习如何从头开始导航SPVNAS，一个高效的3D深度学习解决方案，优化了神经架构和推理库“我们已经利用了无地图驾驶方法的优势，并将其与端到端机器学习相结合，因此我们不需要专业的程序员手动调整系统，”Amini说。
作为下一步，该团队计划继续扩展他们的系统，以适应现实世界中日益增加的复杂性，包括不利的天气条件和与其他车辆的动态交互。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
