即使這是一個它從未見過的環(huán)境，系統(tǒng)也應(yīng)該能夠順利應(yīng)對
麻省理工學(xué)院（MIT）正在研究一種新方法，通過模仿人類司機的駕駛方式，讓自動駕駛汽車在不熟悉的區(qū)域行駛。
在蒙特利爾舉行的2019機器人和自動化國際會議上，關(guān)于此項研究的論文顯示，這種被稱為“變分端到端導(dǎo)航和定位”的技術(shù)使用最基本的地圖和攝像機來分析和導(dǎo)航一個新位置，也就是說，在程序里本來是沒有編寫這個新位置的詳細數(shù)據(jù)信息。
自動駕駛汽車的發(fā)展表明，提升自動駕駛能力的任務(wù)是多么困難，并揭示了人類和機器智能之間的巨大鴻溝——不僅在計算能力方面，而且在雙方如何解決問題方面也是如此。
舉例來說，只需要一張粗略的地圖和他們的眼睛，人類就能很容易地在陌生、復(fù)雜的地方找到路。
夸張一點來說，就像一個人可以從倫敦的特拉法加廣場走到利物浦街站，而他只需注意沿途的酒吧就能完成任務(wù)。
可以看到，人類可以利用非常基本的信息，然后將其應(yīng)用于非常復(fù)雜的情況。
人們通過一張簡單的地圖就有可能將其與他們周圍所看到的事物聯(lián)系起來。看似無關(guān)的數(shù)據(jù)也可以根據(jù)情況被忽略或綜合到導(dǎo)航中。
而即使是在熟悉的區(qū)域，自動駕駛汽車也往往依賴非常復(fù)雜的傳感器陣列來生成詳細的地圖和數(shù)據(jù)庫，用于定位、繪制地圖、目標檢測、路徑規(guī)劃和轉(zhuǎn)向控制。
對于像舊金山這樣的大城市來說，需要生成的地圖容量可能有4TB那么大。
MIT研究小組表示，設(shè)計“變分端到端導(dǎo)航和定位”的目的是模仿人類方式，從人類司機那里學(xué)習(xí)，然后只用一個簡單的地圖和攝像機提供的信息來適應(yīng)新的情況。
這個想法背后的依據(jù)，是機器能夠?qū)δ：牡貓D信息進行糾正，然后添加細節(jié)并確定車輛的位置，這樣系統(tǒng)就可以更新它到預(yù)期目的地的路線。
為了教會計算機，該研究小組讓一名人類駕駛員操控一輛自動駕駛版本的豐田普銳斯，同時用幾個攝像頭和一個GPS收集郊區(qū)街道、道路結(jié)構(gòu)和障礙物的數(shù)據(jù)。
與更傳統(tǒng)的依賴非常復(fù)雜的機器推理和數(shù)據(jù)庫的方法不同，MIT的方法是從視覺線索中學(xué)習(xí)。這意味著當車輛進入一個新的區(qū)域時，除了一張基本的地圖，它不需要任何其他詳細的指導(dǎo)。
在計算機科學(xué)與人工智能實驗室（CSAIL）的丹妮拉?魯斯（Daniela Rus）領(lǐng)導(dǎo)下，MIT團隊開發(fā)的這種端到端導(dǎo)航系統(tǒng)的不同之處在于，就像人類一樣，它是專門為尋找目的地而設(shè)計的，而不是專注于沿著設(shè)計路線走。
它利用的是從人類駕駛員那里學(xué)到的知識，然后運用統(tǒng)計方法來預(yù)測一個完整的概率分布，這使得車輛在特定時間點所有可能的轉(zhuǎn)向命令都會被考慮到。
MIT表示，這一預(yù)測基于一種名為卷積神經(jīng)網(wǎng)絡(luò)（CNN）的機器學(xué)習(xí)模型，一種讓車輛通過與人類司機培訓(xùn)期間收集的圖像駕駛來學(xué)習(xí)的方法。
“一開始，在一個T型路口，汽車可以有多種轉(zhuǎn)向選擇。”魯斯解釋說，“這個模型也從考慮所有這些方向開始，但是當它看到越來越多人類司機的數(shù)據(jù)時，它看到的是左轉(zhuǎn)或右轉(zhuǎn)，但是沒有人直走。”
通過這種方式，自動駕駛汽車就能知道如何處理包括T型路口在內(nèi)的不同類型的道路。
“變分端到端導(dǎo)航和定位”還允許汽車考慮其他可見的線索，如標志、道路線和其他標記，以確定它所處的道路類型并預(yù)測十字路口狀況，以及在特定情況下如何駕駛。
此外，它還可以分析街道模式，以幫助確定自己的位置。具體來說，當車輛“看”到的道路與地圖上的線路高概率匹配時，表明系統(tǒng)對位置進行了正確定位。
這樣，一個4TB大小的城市地圖就可以減少到40GB。
此外，當數(shù)據(jù)不匹配時，該系統(tǒng)的適應(yīng)性也要高得多，能夠處理傳感器故障和噪聲輸入。
“我們的目標是實現(xiàn)車輛在新環(huán)境下的自主導(dǎo)航。”魯斯表示，“如果我們訓(xùn)練一輛自動駕駛汽車在城市環(huán)境中行駛，比如在劍橋的街道上，系統(tǒng)也應(yīng)該能夠在樹林中順利地行駛，即使這是一個它從未見過的環(huán)境。