在雪中驾驶是AI传感器团队的共同努力
没有人喜欢驾驶暴风雪，包括自动驾驶汽车。为了让自动驾驶汽车在雪天道路上更安全，工程师们从汽车的角度来看待问题。全自动驾驶汽车的主要挑战是应对恶劣的天气。雪尤其会混淆关键的传感器数据，这些数据有助于车辆测量深度、找到障碍物并保持在黄线的正确一侧，假设它是可见的。密歇根州的基威诺半岛每年冬天平均降雪超过 200 英寸，是将自动驾驶汽车技术推向极限的理想场所。在SPIE Defence + Commercial Sensing 2021上发表的两篇论文中，密歇根理工大学的研究人员讨论了雪地驾驶场景的解决方案，这些解决方案可以帮助在芝加哥，底特律，明尼阿波利斯和多伦多等冰雪城市带来自动驾驶选择。
就像有时的天气一样，自主权不是晴天或下雪是非指定。自动驾驶汽车涵盖了一系列级别，从市场上已有的带有盲点警告或制动辅助功能的汽车，到可以切换自动驾驶模式的车辆，再到可以完全自主导航的其他车辆。主要汽车制造商和研究型大学仍在调整自动驾驶技术和算法。有时会发生事故，这可能是由于汽车的人工智能(AI)错误判断或驾驶员滥用自动驾驶功能所致。
人类也有传感器：我们的扫描眼睛、我们的平衡感和运动感以及我们大脑的处理能力帮助我们了解我们的环境。这些看似基本的输入使我们能够在几乎所有场景中驾驶，即使对我们来说是新的，因为人类的大脑擅长概括新的体验。在自动驾驶汽车中，安装在万向节上的两个摄像头使用立体视觉来扫描和感知深度以模仿人类视觉，而平衡和运动可以使用惯性测量单元进行测量。但是，计算机只能对他们之前遇到的或经过编程识别的方案做出反应。
由于人工大脑还没有出现，特定任务的人工智能 (AI) 算法必须主导——这意味着自动驾驶汽车必须依赖多个传感器。鱼眼相机扩大了视野，而其他相机的作用很像人眼。红外线接收热信号。雷达可以看穿雾和雨。光探测和测距(激光雷达)穿透黑暗，编织出激光束线的霓虹灯挂毯。
“每个传感器都有局限性，每个传感器都覆盖另一个传感器的背部，”密歇根理工大学计算学院计算助理教授、该研究的主要研究人员之一 Nathir Rawashdeh 说。他致力于通过称为传感器融合的人工智能过程将传感器的数据整合在一起。
他说：“传感器融合使用具有不同形式的多个传感器来了解场景。” “当输入具有复杂的模式时，您无法针对每个细节进行详尽的编程。这就是我们需要人工智能的原因。”
Rawashdeh 在密歇根理工大学的合作者包括他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，以及 Bos 实验室的硕士生和毕业生：Akhil Kurup、Derek Chopp 和 Zach杰弗里斯。Bos 解释说，激光雷达、红外和其他传感器本身就像一句古老谚语中的锤子。“'对于锤子来说，一切看起来都像钉子，'”博斯引述道。“好吧，如果你有一把螺丝刀和一把铆钉枪，那么你就有更多的选择。”
大多数自主传感器和自动驾驶算法都是在阳光明媚、清晰的景观中开发的。知道世界其他地方不像亚利桑那州或南加州，博斯的实验室开始在大雪期间在密歇根理工大学的自动驾驶汽车(由人类安全驾驶)中收集当地数据。Rawashdeh 的团队，尤其是 Abu-Alrub，从德国和挪威的积雪道路上倾倒了 1000 多帧激光雷达、雷达和图像数据，开始教授他们的 AI 程序雪是什么样子以及如何看过去。
“并非所有的雪都是生而平等的，”博斯说，并指出雪的多样性使传感器检测成为一项挑战。Rawashdeh 补充说，预处理数据并确保准确标记是确保准确性和安全性的重要步骤：“人工智能就像一个厨师——如果你有好的食材，就会有一顿美餐，”他说。“给AI学习网络肮脏的传感器数据，您将得到一个不好的结果。”
低质量数据是一个问题，实际污垢也是一个问题。就像道路污垢一样，传感器上的积雪是一个可以解决但很麻烦的问题。一旦视野清晰，自动驾驶汽车传感器在检测障碍物方面仍不总是一致。Bos 提到了一个很好的例子，它在清理本地收集的数据时发现了一只鹿。激光雷达说这个斑点没什么(30% 的可能性是障碍物)，相机看到它就像一个昏昏欲睡的人坐在方向盘上(50% 的可能性)，红外传感器大喊“哇”(90% 确定那是鹿)。
让传感器及其风险评估相互交流和学习，就像三个盲人找到大象的寓言：每个人都触摸大象的不同部位——动物的耳朵、躯干和腿——然后得出不同的结论。关于它是什么动物的结论。使用传感器融合，Rawashdeh 和 Bos 希望自主传感器能够共同找出答案——无论是大象、鹿还是雪堆。正如 Bos 所说，“通过使用传感器融合，我们将得出一个新的估计，而不是严格投票。”
虽然驾驶 Keweenaw 暴风雪是自动驾驶汽车的出路，但他们的传感器可以更好地了解恶劣天气，并且随着传感器融合等技术进步，有朝一日将能够在积雪的道路上安全行驶。
标签： AI传感器团队