“密歇根理工大学进行测试 探索全自动驾驶汽车在恶劣天气下的行驶状况”

根据盖亚克的信息，密歇根理工大学霍顿校区的研究人员目前正在测试全自动驾驶车在恶劣天气下的行驶状况。 测试在密歇根州基韦诺( keweenaw )半岛进行。 这个半岛每年冬天的平均降雪量超过200英寸，是进行自动驾驶汽车技术极限测试的理想场所。

在最近的spie defense + commercial sensing 2021会议上发表的两篇论文中，密歇根理工大学的研究人员公布了雪天驾驶场景的处理方案，支持芝加哥、底特律、明尼阿波利斯、多伦多等多雪城市的自动驾驶。

(照片来源:密歇根理工大学)

第一篇论文是提供多个传感器的融合和人工智能以改善自动驾驶车的导航。 在自动驾驶汽车中，安装在平衡环上的两个摄像机通过立体视觉扫描深度进行感知，模仿人类的视觉，利用惯性测量单元来估计平衡和运动。 但是，计算机只能对以前遇到的或通过程序识别出的场景做出反应。

由于人工大脑还没有出现，比较特定任务的人工智能算法意味着需要控制车辆，而自动驾驶车需要依赖多个传感器。 鱼眼摄像机的视场很大，其他摄像机的视场非常接近人眼的红外线接收热信号； 雷达可以在黑暗的环境中采用能够穿透雾和雨的用于光电检测和测距的lidar，发射多束激光，形成霓虹灯挂毯。

密歇根理工大学计算学院的计算助理教授、该研究的主要研究者nathir rawashdeh说:“各传感器都有局限性，但相互补充。” nathir rawashdeh致力于通过采用传感器融合的人工智能过程整合传感器数据。

nathir rawashdeh还表示:“传感器融合将采用多种不同模式的传感器来理解场景。 如果输入包含许多复杂的模式，则需要人工智能，因此无法详细编程各个细节。 》在密歇根理工大学，rawashdeh的电气和计算机工程博士生nader abu-alrub、电气和计算机工程助理教授jeremy bos、bos研究所的硕士和毕业生akhil kurup、derek chopp

第二篇论文涉及能够区分动物和雪的自动驾驶汽车系统。 很多自主传感器和自动驾驶算法的开发环境阳光充足，视线清晰。 但是，不像亚利桑那州和南加州那样的天气很普遍。 因此，当降雪量较大时，bos实验室开始收集密歇根理工大学自动驾驶车(人类安全驾驶)的当地数据。 rawashdeh团队，特别是abu-alrub，开始从德国和挪威的积雪道路上收集1000多帧的激光雷达、雷达和图像数据，教导ai程序穿透认知和雪。

bos说:“不是所有的雪都一样。 因为这种雪的多样化也挑战了传感器检查。 rawashdeh先生补充说。 “事先解决数据并保证标记准确，对确保准确性和安全性至关重要。 人工智能就像厨师，只有食材好才能做出好饭菜。 如果ai学习用互联网的数据不好，结果也会非常差。 ”

低质量数据问题和实际的污染一样，是现实中存在的问题。 就像道路的污渍一样，传感器的积雪问题可以处理，但很麻烦。 即使视野清晰，自动驾驶车的传感器在检测障碍物方面也不一定一致。 bos举了一个很好的例子。 传感器在清理本地收集的数据时发现了鹿。 激光雷达表明斑点并不重要。 ( 30 )的可能性是障碍物。 照相机中，有可能就像犯困的人握着方向盘一样( 50岁)。 但是，红外线传感器会发出“哇”的叫声) )这显然是鹿。

让传感器与其风险判断相互交流和学习就像印度三个盲人发现大象的寓言一样。 每个人接触大象的不同部位、耳朵、躯干和脚，得出不同的结论。 通过传感器融合，rawashdeh和bos希望自主传感器无论是大象、鹿还是雪堆，都能共同找到答案。 正如bos所说，“采用传感器融合，可以得到新的估算，而不是严密的投票。 ”。