蓋世汽車訊 據(jù)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(jìn)行測試。測試在密歇根州的基威諾（Keweenaw）半島進(jìn)行。該半島每年冬天的平均降雪量超過200英寸，是進(jìn)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(jìn)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(yùn)動。然而，計算機(jī)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(dá)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(bǔ)充?！盢athir 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(dāng)輸入含有復(fù)雜模式時，我們無法對每個細(xì)節(jié)進(jìn)行詳盡編程，因此需要人工智能?！痹诿苄砉ご髮W(xué)，Rawashdeh的電氣和計算機(jī)工程博士生Nader Abu-Alrub、電氣和計算機(jī)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(dāng)?shù)財?shù)據(jù)。 Rawashdeh團(tuán)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(dá)、雷達(dá)和圖像數(shù)據(jù)，并開始教授其AI程序認(rèn)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(bǔ)充說：“對數(shù)據(jù)進(jìn)行預(yù)處理并確保標(biāo)記準(zhǔn)確對于保障準(zhǔn)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?！?/p>

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(dá)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(yán)格投票。”

返回第一電動網(wǎng)首頁 >