據外媒報道，在未來幾年內，自動駕駛汽車將漸漸成為一種流行的交通工具。不過，在此之前，研究人員需要研發工具，確保此類車輛很安全，而且能夠在人口稠密的環境中高效行駛。

由于自動駕駛汽車需要能夠繞過靜止和移動的障礙物，應該具備快速探測物體并避開的能力。實現該目標的方法之一是研發能夠預測街道上物體或人未來行為的模型，以估計當車輛靠近時，物體或人所處的位置。

但是，預測城市環境中的未來變化非常具有挑戰性，特別是需要預測人類的行為，例如行人的舉動或意料之外的行為時，尤其困難。

去年，優步（Uber）的一輛自動駕駛汽車在亞利桑那州撞死了一名49歲的女子Elaine Herzberg。該起事故以及其他數十起事故引發了大量有關自動駕駛汽車安全性，以及此類汽車是否應該在人口密集的環境中進行測試的討論。

最近，美國國家運輸安全委員會（NTSB）發布新文件表示，去年導致致命事故的優步自動駕駛汽車沒有將Herzberg確認為行人，該報告還顯示，該起事故中的自動駕駛汽車從未接受過探測人行橫道外行人的訓練。

在事故發生時，Herzberg正在亂穿馬路，NTSB報告中表示優步的軟件存在缺陷，沒有發現Herzberg，最終導致其死亡。NTSB發布的最新分析報告可能會讓優步暫停自動駕駛汽車項目，在事故發生后，該項目曾暫停了數月，并于2018年12月再次開始測試自動駕駛汽車。

此類新發現更加表明，在自動駕駛汽車能夠在真實道路上測試之前，需要研發更先進的人工智能和更可靠的軟件。有趣的是，在NTSB公布上述文件的前幾天，優步自動駕駛團隊Advanced Technologies Group、多倫多大學（University of Toronto）和加州大學伯克利分校（UC Berkeley）的研究人員提前發表了一篇論文，介紹了一種可以預測行人行為的新技術，名為離散殘差流網絡（DRF-NET）。據研究人員所說，該神經網絡可以預測行人的未來行為，同時在預測長距離行動時，捕捉固有的不確定性。

研究人員相信，通過代表空間的分類分布能夠預測行人的未來位置，然后利用此類分布來規劃和優化自動駕駛汽車的路徑，其中考慮到行人預期所處的位置。

首先，研究人員在論文中介紹了DTF-NET網絡會將道路地圖的圖像進行柵格化，即將其轉換成由離散像素組成的圖像，行人的行為被編碼成鳥瞰圖的柵格化圖像，并與詳細的語義地圖相對應。

隨后，該網絡從柵格化圖像中提取出對預測行人行為特別有用的特征。最后，研究人員對模型進行訓練，根據此類特征預測路上行人未來的行為。

研究人類采用了一個之前編制的大型數據集來訓練和評估該神經網絡，該數據集中包含了從北美幾個城市收集來的真實世界的記錄，其中帶有物體注釋和在線探測軌跡。此類記錄包括研究人員采用車載激光雷達傳感器在360度、120米視野范圍內手動標注的行人軌跡。

在研究人員進行的評估中，DTF-NET技術表現良好，在預測行人行為方面優于其他幾種基線法。因此，此種方法可能有助于提高優步自動駕駛汽車的性能，使其能夠預測行人的行動，并相應地規劃路徑。

有趣的是，DTF-NET網絡處理和預測的行人行為包括“未亂穿馬路”、“正在亂穿馬路”、“穿過人行橫道”以及人行橫道。這似乎有些諷刺，因為最近NTSB發布的文件就指出，優步自動駕駛汽車在亞利桑那州發生撞車事故時，無法探測到亂穿馬路的行人。

返回第一電動網首頁 >