為了安全起見，自動駕駛汽車必須能夠準確地跟蹤周圍的行人、自行車和其他車輛的運動?，F(xiàn)在，據(jù)外媒報道，美國卡內(nèi)基梅隆大學(xué)（Carnegie Mellon University）研發(fā)了一種新方法，可更高效地訓(xùn)練此類跟蹤系統(tǒng)。

（圖片來源：卡內(nèi)基梅隆大學(xué)）

一般而言，用于訓(xùn)練跟蹤系統(tǒng)的道路數(shù)據(jù)和交通數(shù)據(jù)越多，結(jié)果就會越好。為此，卡內(nèi)基梅隆大學(xué)的研究人員研發(fā)了一種新方法，用于解鎖大量的自動駕駛數(shù)據(jù)。

大多數(shù)自動駕駛汽車主要依賴一種稱為激光雷達的傳感器進行導(dǎo)航。激光雷達是一種產(chǎn)生有關(guān)車輛周圍環(huán)境3D信息的激光設(shè)備，此種3D信息不是圖像，而是點云。車輛采用一種稱為場景流的技術(shù)了解此類數(shù)據(jù)，其中包括計算每個3D點云的速度和軌跡。一起移動的點云組通過場景流被釋義為車輛、行人或其他移動的物體。

過去，訓(xùn)練此類系統(tǒng)最先進的方法是需要使用帶有標記的數(shù)據(jù)集，此類傳感器數(shù)據(jù)已經(jīng)被注釋，隨著時間推移，會跟蹤每個3D點云。但是，手動標記此類數(shù)據(jù)集既費力又昂貴，因此，幾乎沒有標記好的數(shù)據(jù)存在。相反，場景流訓(xùn)練通常利用模擬數(shù)據(jù)進行，效率更低，之后會利用少量已標注好的真實世界數(shù)據(jù)進行微調(diào)。

卡內(nèi)基梅隆大學(xué)的研究人員則采用了不同的方法，采用未經(jīng)標記的數(shù)據(jù)進行場景流訓(xùn)練。因為通過在汽車上安裝激光雷達，并讓車輛四處行駛，生成未標記的數(shù)據(jù)相對簡單，而且數(shù)據(jù)不會短缺。

該種方法的關(guān)鍵是研發(fā)一種方法，讓系統(tǒng)能夠在場景流中探測到自己的錯誤。在每一個瞬間，該系統(tǒng)都嘗試預(yù)測每一個3D點云的移動方向和移動速度。在下一個瞬間，該系統(tǒng)就能夠測量出點云預(yù)測位置與靠近點云預(yù)測位置最近的實際位置之間的距離，該距離就是一種錯誤，需要盡可能實現(xiàn)最小化。

然后，該系統(tǒng)會將該過程逆轉(zhuǎn)，從預(yù)測的點云位置開始，向后映射出點云的起始位置。因此，會測量預(yù)測位置與實際起始位置之間的距離，從而產(chǎn)生了第二種錯誤。

然后，該系統(tǒng)會糾正此類錯誤。

雖然聽起來很復(fù)雜，不過研究人員發(fā)現(xiàn)此種方法很有效。研究人員們計算出，利用合成數(shù)據(jù)訓(xùn)練集執(zhí)行場景流訓(xùn)練的精度只有25%。當采用了少量的真實世界經(jīng)標記數(shù)據(jù)微調(diào)合成數(shù)據(jù)時，準確率提高至31%；當加入大量未標記的數(shù)據(jù)以利用他們的方法訓(xùn)練系統(tǒng)時，場景流的精度躍升至46%。

返回第一電動網(wǎng)首頁 >