麻省理工学院的人工智能使自动驾驶汽车更像人类
创建具有人性化推理能力的无人驾驶汽车是Waymo，GM's Cruise，Uber等公司的长期追求。英特尔的Mobileye提出了一种数学模型 -责任敏感安全(RSS)- 它将道路上的决策描述为一种“常识”方法，该方法将良好习惯编成法典，例如让其他车辆获得通行权。就其本身而言，Nvidia正在积极开发安全力场，这是一个运动规划堆栈中的决策策略，通过分析实时传感器数据来监控不安全行为。
现在，麻省理工学院的一个科学家团队正在研究一种方法，该方法利用类似GPS的地图和视觉数据，使自动驾驶汽车能够学习人类转向模式，并将学到的知识应用于以前看不见的环境中的复杂计划路线。他们的工作 - 将于下个月在加利福尼亚州长滩举行的国际机器人和自动化会议上展出 - 建立在由计算机科学和人工智能实验室(CSAIL)主任Daniel Rus设计的端到端导航系统上。.
Rus及其同事的先前模型在没有目的地的情况下遵循道路，而新模型驱动到预定义的位置。“凭借我们的系统，您无需事先在每条道路上进行训练，”第一篇论文作者和麻省理工学院研究生亚历山大·阿米尼说。“你可以下载一张新的汽车地图，以便在以前从未见过的道路上进行导航。”
正如Amini和其他研究人员解释的那样，他们的AI系统观察和学习如何驾驶人类驾驶员，然后将方向盘旋转与通过摄像机和输入地图观察到的道路曲率相关联。最终，它知道最可能的转向命令用于各种驾驶情况，例如直道，四向或T形交叉点，叉子和旋转。
在实验中，研究人员为机器学习模型提供了一个随机选择的路线图。驾驶时，系统从摄像机中提取视觉特征，使其能够预测道路结构，如远距离停车标志和道路侧面的换行符。此外，它将视觉数据与地图数据相关联以识别不匹配，这有助于更好地确定其在道路上的位置并确保其保持在最安全的路径上。例如，当它在没有转弯的直道上行驶并且地图表明它需要向右转时，汽车知道要继续直行。
“在现实世界中，传感器确实会失败，”阿米尼说。“我们希望通过构建一个能够接受这些噪声输入的系统来确保系统对不同传感器的不同故障具有鲁棒性，并且仍能在路上正确导航和定位。”