蓋世汽車訊 自動駕駛汽車激光雷達傳感器的工作原理是發送紅外光脈沖，并測量它們從物體反射回來所需的時間，從而創建3D點地圖，作為汽車周圍環境的圖像。

（圖片來源：MIT Computer Science & Artificial Intelligence Lab）

激光雷達的缺點之一是其3D數據量巨大，而且是計算密集型的。例如，典型的64通道傳感器每秒產生超過200萬個點。與2D圖像相比，在進行推斷時，由于額外的空間維度，最先進的3D模型需要多14倍的計算，因此，為了有效地導航，工程師必須首先將數據分解為2D，但此種方法會導致大量信息丟失。

據外媒報道，麻省理工學院的團隊一直在研究使用機器學習的自動駕駛系統，旨在無需進行自定義手動調節。研究人員開發的新的端到端框架可以僅使用原始的3D點云數據和低分辨率GPS地圖自動導航，類似于目前智能手機中的功能。

由于涉及到為計算機提供大量豐富的感知信息來學習如何駕駛，因此根據原始激光雷達數據進行端到端學習是一個計算密集型的過程。為此，該團隊必須設計新的深度學習組件，更有效地利用現代GPU（圖形處理單元）硬件，以便實時控制車輛。

博士生Zhijian Liu表示，“我們從算法和系統方面優化了我們的解決方案，與現有的3D激光雷達方法相比，達到了大約9倍的累積加速。”測試顯示，新系統減少了人類駕駛員從機器上接管控制權的頻率，甚至可以承受嚴重的傳感器故障。

人們開車穿過隧道，然后出現在陽光下，一瞬間，人眼可能會因為強光而看不清。自動駕駛汽車攝像頭，以及天氣條件較差時，自動駕駛系統的激光雷達傳感器都會出現類似的問題。針對這一問題，麻省理工學院團隊的系統可以估計其對任何給定預測的確定程度，因此在制定決策時，可以權衡該預測。（在從隧道出來的情況下，該系統基本上會無視由于傳感器數據不準確而導致的不可信的預測。）

該團隊稱其方法為“混合證據融合”，因為它將不同的控制預測融合在一起，從而得出運動規劃選項。麻省理工學院教授Daniela Rus稱，“根據模型的不確定性，融合控制預測，系統可以適應意外事件。”

在很多方面，該系統本身是麻省理工學院此前的三個項目的融合：

MapLite：手動調整框架，用于在沒有高清3D地圖的情況下駕駛；

variational end-to-end navigation可變端到端導航：機器學習系統，使用人類駕駛數據進行訓練，學習如何從零開始導航；

SPVNAS：高效的3D深度學習解決方案，優化了神經架構和推理庫。

研究人員Alexander Amini表示，“我們利用無地圖駕駛的優勢，并將其與端到端機器學習相結合，因此不需要專業程序員手動調整系統。”下一步，該團隊計劃繼續擴展該系統，增加現實世界的復雜性，包括不利的天氣條件，以及與其他車輛的動態交互。

返回第一電動網首頁 >