“麻省理工开发更高效的自动驾驶汽车激光雷达传感技术”

汽车信息自动驾驶汽车激光雷达传感器的原理是发射红外光脉冲，测量其从物体反射所需的时间，并将其作为汽车周围环境的图像绘制3d点地图。

(图片来源: MIT计算机科学与应用； 国际智能实验室)

激光雷达的一个缺点是其3d数据量庞大，而且计算量大。 例如，典型的64通道传感器每秒产生200万个以上的点。 与2d图像相比，进行估计时，由于多余的空空间维度，最先进的3d模型需要14倍的计算。 因此，为了比较有效地进行导航，工程师必须首先将数据分解为2d，但这种做法会丢失大量的新闻。

据外国媒体报道，麻省理工学院的团队正在研究采用机器学习的自动驾驶系统，旨在无需进行定制的手动调整。 研究人员开发的新型端到端框架只需要采用原始的3d点云数据和低分辨率gps地图，就可以像目前高端智能手机的功能一样自动进行导航。

由于涉及向计算机提供大量丰富的感知新闻学习驾驶方法，因此这是一个基于原始激光雷达数据进行端到端学习的计算密集型过程。 因此，该团队必须设计新的深度学习组件，更有效地利用现代图形解决方案单元( gpu )硬件，实时控制车辆。

博士生zhijian liu说:“我们从算法和系统方面优化了我们的处理方案，与现有的3d激光雷达的做法相比，达到了约9倍的累计加速。” 测试表明，新系统减少了人类司机从机器交接控制权的频率，也能承受严重的传感器故障。

人们开车通过隧道出现在阳光下，有时一瞬间被强光遮住眼睛。 自动驾驶汽车的照相机，以及天气条件不好的情况下，自动驾驶系统的激光雷达传感器也会发生同样的问题。 与这个问题相比，麻省理工学院团队的系统可以估算出对任何预测的清晰度。 这是因为在做出决定时，可以权衡其预测。 (从隧道出来时，该系统基本上忽略了传感器数据不准确引起的不可靠预测。 ）

这个小组将其做法称为“混合证据融合”。 那是因为融合了不同的控制预测，得到了运动计划的选择。 麻省理工学院教授daniela rus说:“基于模型的不确定性，融合了控制预测，系统能够适应意想不到的事情。”

在许多方面，这个系统本身就是麻省理工学院以前三个项目的融合:

/ S2/]地图lite :手动调整用于在没有hd3d地图的情况下运行的框架；

/ S2/] variational端到端导航可变端到端导航:使用人类驾驶数据进行训练，从零开始导航

spvnas:高效的三维深度学习处理方案优化了神经体系结构和推理库。

研究人员alexander amini说:“利用无地图驾驶的特点，将它与端到端的机器学习相结合。 这是因为专业程序员不需要手动调整系统”。 下一步，小组将继续扩充系统，增加现实世界的许多复杂性，包括不利的天气条件和与其他车辆的动态交互。