入围ICRA2019年最好论文：MIT应用粗粒度舆图完成自动驾驶

麻省理工学院的最新研究或许可以应用简单的GPS地图和视觉数据来模拟人类驾驶员的驾驶姿势模式，并将学到的知识应用到视障情况下的复杂设计路线中。该论文入围ICRA2019最佳论文。

真正的人工智能不仅仅是机械地处理惩罚数据，还可能“智能地”掌握推理分析和解决方案。人性化推理能力是自动驾驶汽车研发的临时搜索；d公司。英特尔的Mobileye提出了一个数学模型RSS，可以将人类的一些好习惯编辑成一个系统，比如给其他汽车让路，这样自动驾驶汽车就可以根据“基础知识”做出驾驶决策。英伟达正在积极开放“安全力场”(Safety ForceField)，这是移动设计客栈中的一种解决方案规划策略，它依赖于分析及时的传感器数据来监控不安全因素。

麻省理工学院的一组科学家研究出了一种——自适应端到端导航定位的方法，可以利用简单的GPS地图和视觉数据模拟人类驾驶员的驾驶姿势，将学到的知识应用到视觉障碍情况下的复杂设计路线中。所谓端到端，是指模型集成了定位、映射、物体检测、活动规划、转向控制等诸多传统自动驾驶模块，只用一个导航系统和匹配算法就惩罚了所有输入信息并输出驾驶指令。他们的影响发表在2019年蒙特利尔国际机器人和自动化会议(ICRA2019)的一篇论文中。

端到端模具

进修人类驾驶习气

多年的成长证明了自主驾驶能力的培养有多难，也揭示了机械智能与人类的巨大差距。——不仅在幼稚的计算能力上不如人类，在学习和解决问题上也不如人类。例如，人们很容易在新鲜复杂的条件下驾驶，这只能通过粗略的导航地图和他们的眼睛来实现。即使在熟悉的领域，自动驾驶汽车也必须依靠异常复杂的传感器阵列，并依靠细致的数据来进行自我定位、条件定位、物体检测、活动规划和转向控制。为了能够将异常的基础信息应用到异常复杂的情况中，人类所需要的只是一张简单的地图，比如GPS地图，并且能够将其与周围的内容联系起来，根据这些相关的信息来知道自己的位置。根据具体情况，看似不必要的数据也可以归类为导航——，就像有人可以从伦敦的特拉法尔加广场走到利物浦街站，注意沿途的酒吧一样。

这个系统与其他自动驾驶决策计划的思想的另一个区别是，它可以专注于寻找目的地，而不是像人类一样遵循某条路径。“我们的目标是在新的增长形势下完成自动驾驶导航。”“例如，如果我们练习自动驾驶汽车在城市条件下行驶，例如剑桥街道，那么系统应该能够在树林中平稳行驶，尽管这是一种前所未有的情况。”

麻省理工学院研发中心；d团队从以上人类驾驶习惯中获得灵感，让汽车在驾驶过程中不断学习新的驾驶习惯，从而获取信息辅助驾驶决策计划。

视觉摄像头

为了教授计算机人类司机的知识，该团队有一名员工驾驶一辆普通汽车，配备了几个摄像头和一个通用的全球定位系统网络，用于郊区街道、道路结构和障碍物的数据。与依赖异常复杂的机械推理和数据库的传统要领不同，MIT自动驾驶应该从视觉线索中学习。该系统从摄像机中提取视觉信息，并基于信息前景进行构建，如远处的停车标志和路边的虚线。然后，视觉数据和地图数据被链接以识别它们之间的差异。例如，当汽车行驶在不能转弯但地图显示右转的直路上时，系统知道一直向前行驶。麻省理工学院透露，这种前景是基于一种叫做卷积神经网络(CNN)的机械学习模型，该模型在练习学习如何驾驶时惩罚人类驾驶员网络的图像。以丁字路口为例。尺度说，路上的汽车可以转向许多不同的偏差。该模型将考虑所有偏差，但由于它看到一些人左转，另一些人右转。

MIT自动驾驶要领还许可汽车斟酌其他视觉线索，如路标、道线路和其他符号，以肯定它是什么样的途径并展望什么时候会涌现交叉口，以及特别状况下怎样驾驶。另外，它还能够剖析街道状况，以肯定分歧街道的地位。经由过程其展望到的高几率内容与其看到的内容相婚配，再经由过程舆图显现地位举行调解，如下图。

粗粒度舆图

MIT要领运用的这类舆图是一种只要黑色配景和白色笼统道线路条、不包罗任何路边物体和符号的粗粒度舆图。

有了这个体系，不须要事先在每条途径上举行练习。在一个新的途径状况中，只须要一张简单的舆图，就能够或许自若地行驶。用激光雷达扫描得来的高精度舆图信息有4000GB，而经由过程这类体式格局全部地球的舆图信息存储只须要40GB。

接下来，该体系研发团队愿望将其定位算法集成到整车离散途径舆图婚配的在线设置中，并供应比人类驾驶越发平安可靠的定位评价，优化细节，尽快完成完美的自动驾驶手艺。