为无人驾驶的汽车导航带来人性化的推理

为了给自动驾驶汽车带来更多类似人类的推理，麻省理工学院的研究人员创建了一个系统，该系统仅使用简单的地图和视觉数据，使无人驾驶汽车能够在新的复杂环境中导航。

通过观察和简单的工具，人类驾驶员非常善于驾驶以前没有驾驶过的道路。我们只是将我们周围看到的内容与我们在GPS设备上看到的内容进行匹配，以确定我们的位置以及我们需要去的地方。然而，无人驾驶汽车在这种基本推理中挣扎。在每个新区域，汽车必须首先映射和分析所有新道路，这非常耗时。这些系统还依赖于复杂的地图 - 通常由3-D扫描生成 - 这些地图在计算上非常密集，可以动态生成和处理。

在本周举行的机器人与自动化国际会议上发表的一篇论文中，麻省理工学院的研究人员描述了一种自动控制系统，它可以“学习”人类驾驶员在小区域内行驶道路时的转向模式，仅使用来自摄像机馈送的数据和简单的类似GPS的地图。然后，受过训练的系统可以通过模仿人类驾驶员来控制沿着全新区域中的计划路线的无人驾驶汽车。

与人类驾驶员类似，系统还可以检测其地图与道路特征之间的任何不匹配。这有助于系统确定其位置，传感器或映射是否不正确，以便纠正汽车的航向。

为了最初训练系统，一名操作人员控制了无人驾驶的丰田普锐斯 - 配备了几个摄像头和一个基本的GPS导航系统 - 从当地郊区街道收集数据，包括各种道路结构和障碍物。当自主部署时，系统成功地沿着预定路径在不同的森林区域中导航汽车，该区域被指定用于自主车辆测试。

“通过我们的系统，你不需要事先在每条道路上进行训练，”麻省理工学院的第一作者亚历山大·阿米尼说。“你可以下载一张新的汽车地图，以便在以前从未见过的道路上进行导航。”

“我们的目标是实现对于在新环境中驾驶而言非常强大的自主导航，”共同作者Daniela Rus，计算机科学和人工智能实验室(CSAIL)主任以及Andrew和Erna Viterbi电气工程和计算机科学教授补充说。 。“例如，如果我们培训一辆自动驾驶汽车在城市环境中驾驶，例如剑桥街道，那么该系统也应该能够在树林中顺利驾驶，即使这是一个前所未有的环境。”

加入Rus和Amini的是丰田研究所的研究员Guy Rosman和麻省理工学院航空航天学副教授Sertac Karaman。

点对点导航

传统导航系统通过多个模块处理来自传感器的数据，这些模块是为定位，映射，物体检测，运动规划和转向控制等任务而定制的。多年来，Rus的团队一直在开发“端到端”导航系统，该系统处理输入的传感数据和输出转向命令，无需任何专用模块。

然而，到目前为止，这些模型都经过严格设计，可以安全地沿着道路前进，没有任何真正的目的地。在新的论文中，研究人员在一个以前看不见的环境中推进了他们的端到端系统，从目标到目的地。为此，研究人员训练他们的系统在驾驶时的任何特定时刻预测所有可能的转向命令的完整概率分布。

该系统使用称为卷积神经网络(CNN)的机器学习模型，通常用于图像识别。在训练期间，系统会观察并学习如何驾驶人类驾驶员。CNN将方向盘旋转与通过摄像机和输入的地图观察到的道路曲率相关联。最终，它为各种驾驶情况学习最可能的转向命令，例如直道，四向或T形交叉点，叉和旋转。

“最初，在T形交叉路口，汽车可以转向许多不同的方向，”罗斯说。“该模型首先考虑所有这些方向，但随着它看到越来越多关于人们做什么的数据，它会看到有些人向左转，有些人向右转，但没有人走直线。直截了当被排除在外方向，模型得知，在T形交叉点，它只能向左或向右移动。“

地图说什么?

在测试中，研究人员使用随机选择的路线输入系统。驾驶时，系统从摄像机中提取视觉特征，使其能够预测道路结构。例如，它识别道路一侧的远程停车标志或换行符，作为即将到来的交叉路口的标志。在每个时刻，它使用其预测的转向命令概率分布来选择最可能遵循其路线的概率分布。

重要的是，研究人员说，该系统使用易于存储和处理的地图。自主控制系统通常使用激光雷达扫描来创建大规模，复杂的地图，大约需要4,000千兆字节(4太字节)的数据来存储旧金山市。对于每个新目的地，汽车必须创建新的地图，这相当于大量的数据处理。然而，研究人员系统使用的地图仅使用40千兆字节的数据捕获整个世界。

在自动驾驶期间，系统还连续地将其视觉数据与地图数据匹配并记录任何不匹配。这样做有助于自动驾驶汽车更好地确定它在道路上的位置。并且它确保汽车保持在最安全的路径，如果它被输入矛盾的输入信息：如果，例如，汽车在没有转弯的直道上巡航，并且GPS指示汽车必须向右转，汽车将知道保持直行或停车。

“在现实世界中，传感器确实会失败，”Amini说。“我们希望通过构建一个能够接受这些噪声输入的系统来确保系统对不同传感器的不同故障具有鲁棒性，并且仍能在路上正确导航和定位。”