蓋世汽車訊 自動駕駛汽車想要安全地行駛，就需要“了解”周圍的事物。自動駕駛汽車可以利用現(xiàn)有的交通狀況圖像進行練習，從而學習這一能力。據(jù)外媒報道，埃因霍溫理工大學（TU/e）研究人員Panagiotis Meletis將各種交通圖像集合在一起，可提升自動駕駛汽車的感知能力。

（圖片來源：techxplore.com）

那個戴著帽子的年輕人是在等人，還是打算過馬路？一個球滾到街上，會不會有孩子跑來追它？那輛藍色的小汽車是要并排泊車，還是要開走？在城市駕駛時，我們需要經(jīng)常評估這些情況。因此，自動駕駛汽車面臨的主要挑戰(zhàn)之一是根據(jù)“看到”的周圍事物，得出正確結(jié)論，從而預測意外情況。

Panagiotis Meletis解釋稱，要更深入地了解交通狀況，首先要確定自動駕駛汽車從攝像頭接收到的圖像中的各種物體。在專注于圖像識別的視頻編碼與架構(gòu)（Video Coding & Architectures）研究小組中，Meletis參與了移動感知系統(tǒng)實驗室（Mobile Perception Systems Lab）的一個項目：自動駕駛汽車定期前往TU/e校園進行測試駕駛。“它需要能夠判斷看到的是紅綠燈、樹、行人、自行車，還是車輛。”在更詳細的層面上，它還需要能夠識別車輪或四肢，因為這些能指示運動方向和道路使用者的意圖。

我們可為人工神經(jīng)網(wǎng)絡(luò)（AI）提供大量交通情況圖像，其中所有相關(guān)元素都被標記，來教會其分析交通場景。然后，通過給AI輸入新的、未標記的圖像來衡量其理解水平。如下圖所示，不同的顏色展示了AI是如何解讀圖像的：汽車是藍色的，自行車是暗紅色的，人的手臂是橙色的，軀干是灰色的。

（圖片來源：techxplore.com）

在研究開始時，只有少數(shù)公開可用的圖像數(shù)據(jù)集描述交通場景，Meletis表示，“現(xiàn)在有很多數(shù)據(jù)集，每個都有自己的重點。想想那些包含交通燈、自行車手、行人等的圖像。”但是每個數(shù)據(jù)集都被標記為不同的系統(tǒng)。Meletis在更高的語義層面上，將這些標注連接起來。“例如，汽車、公共汽車和卡車都屬于‘車輛’范疇。騎行者、摩托車手和駕駛員都屬于‘駕駛員’。在這些定義的幫助下，我能夠使用所有可用數(shù)據(jù)集同時訓練AI，產(chǎn)生更好的效果。”

在2018年計算機視覺和模式識別大會組織的一個研討會上，其中一項比賽是關(guān)于“強大視覺（robust vision）”，需要對有視覺影響的交通圖像進行分析，如大雨或過度暴露在陽光下。基于包含許多此類低質(zhì)量圖像的數(shù)據(jù)集，Meletis開發(fā)的系統(tǒng)表現(xiàn)優(yōu)于其他參與者。Meletis還表示，過去的一年，他們成功地編譯了兩個新的數(shù)據(jù)集，用于整體場景理解。

返回第一電動網(wǎng)首頁 >