外媒報道，密歇根理工大學(xué)霍頓校區(qū)的研究人員目前正在對全自動駕駛汽車在惡劣天氣下的行駛狀況進行測試。測試在密歇根州的基威諾（Keweenaw）半島進行。該半島每年冬天的平均降雪量超過200英寸，是進行自動駕駛汽車技術(shù)極限測試的理想地點。

　　在最近的SPIE Defense + Commercial Sensing 2021會議上發(fā)表的兩篇論文中，密歇根理工大學(xué)的研究人員推出雪天駕駛場景的解決方案，可幫助芝加哥、底特律、明尼阿波利斯和多倫多等多雪城市實現(xiàn)自動駕駛。

　　（圖片來源：密歇根理工大學(xué)）

　　第一篇論文涉及的是提供多個傳感器融合和人工智能改進自動駕駛汽車導(dǎo)航。在自動駕駛汽車中，安裝在平衡環(huán)的兩個攝像頭使用立體視覺來掃描和感知深度，以模仿人類視覺，同時使用一個慣性測量單元估算平衡和運動。然而，計算機只能對之前遇到過或被編程識別的場景做出反應(yīng)。

　　由于人工大腦還未出現(xiàn)，針對特定任務(wù)的人工智能算法必須掌控車輛，這意味著自動駕駛汽車必須依賴多個傳感器。魚眼攝像頭視野較大，而其他攝像頭視野非常接近人眼；紅外線接收熱信號；雷達可以穿透霧和雨；用于光檢測和測距的LiDAR可在黑暗環(huán)境下使用，并發(fā)出多束激光束線，形成一個霓虹燈掛毯。

　　密歇根理工大學(xué)計算學(xué)院計算助理教授、該研究的主要研究人Nathir Rawashdeh表示：“每個傳感器都有局限性，但互相補充。”Nathir Rawashdeh致力于通過使用傳感器融合的人工智能過程將傳感器數(shù)據(jù)整合在一起。

　　Nathir Rawashdeh還表示：“傳感器融合使用多個不同模式的傳感器來理解場景。當輸入含有復(fù)雜模式時，我們無法對每個細節(jié)進行詳盡編程，因此需要人工智能。”在密歇根理工大學(xué)，Rawashdeh的電氣和計算機工程博士生Nader Abu-Alrub、電氣和計算機工程助理教授Jeremy Bos，以及Bos實驗室的碩士生和畢業(yè)生Akhil Kurup、Derek Chopp和Zach Jeffries也參與了該項目。

　　第二篇論文涉及的是能夠區(qū)分動物和雪的自動駕駛汽車系統(tǒng)。多數(shù)自主傳感器和自動駕駛算法的開發(fā)環(huán)境都陽光充足且視線清晰。但并不是所有地方都如亞利桑那州或南加州的天氣一般，因此在降雪量較大的時候，Bos實驗室開始收集密歇根理工大學(xué)的自動駕駛汽車（由人類安全駕駛）的當?shù)財?shù)據(jù)。 Rawashdeh團隊，特別是Abu-Alrub，從德國和挪威的積雪道路上收集了1000多幀激光雷達、雷達和圖像數(shù)據(jù)，并開始教授其AI程序認識并穿透雪。

　　Bos稱：“并非所有的雪都是一樣的。因此雪的多樣性也給傳感器檢測帶來了挑戰(zhàn)。Rawashdeh補充說：”對數(shù)據(jù)進行預(yù)處理并確保標記準確對于保障準確性和安全性非常重要。人工智能就像廚師，食材好，才能做出好餐食。如果給到AI學(xué)習(xí)網(wǎng)絡(luò)的數(shù)據(jù)較差，則結(jié)果也會非常差勁。“

　　低質(zhì)量數(shù)據(jù)問題和實際污垢一樣，都是現(xiàn)實存在的問題。就像道路污垢一樣，傳感器積雪問題可以解決但很麻煩。即使視野清晰，自動駕駛汽車傳感器在檢測障礙物方面也仍不總是一致。Bos舉了一個很好的例子，傳感器在清理本地收集的數(shù)據(jù)時發(fā)現(xiàn)了一只鹿。激光雷達表示斑點不重要（30%的可能性是障礙物），而在攝像頭中，它就像一個昏昏欲睡的人掌握著方向盤（有50%的可能性），但紅外傳感器就會大喊”哇“（90%確定這是一只鹿）。

　　讓傳感器及其風(fēng)險評估相互交流和學(xué)習(xí)，就像印度三個盲人找到大象的寓言：每個人都觸摸大象的不同部位：耳朵、軀干和腿，隨后得出不同的結(jié)論。通過傳感器融合，Rawashdeh和Bos希望自主傳感器能夠共同找出答案，無論結(jié)果是大象、鹿還是雪堆。正如Bos所說：”通過使用傳感器融合，我們將得出一個全新估算，而不是嚴格投票。“

　　來源：蓋世汽車

　　作者：劉麗婷