MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶
提到自动驾驶,大家自然而然地就会想到「视觉算法」派和「激光雷达」派的争论,前者依靠摄像头的纯视觉感知,后者则强调激光雷达(LiDAR)的精准测距。据了解,2021年配有激光雷达的车型将会达到23款,但多数是作为高分辨率影像信息的一种补充。 最近, MIT 计算机科学与人工智能实验室(CSAIL)团队成功展示了一种基于机器学MI习的自动驾驶系统,该端到端框架仅使用 LiDAR获取的原始 3D 点云数据和类似于手机上的低分辨率 GPS 地图就能进行自主导航,并且大大提升了鲁棒性。对依靠 LiDAR 的自动驾驶技术来说,这项研究意义重大。 图示:基于激光雷达的端到端导航。(来源:MIT CSAIL) 自动驾驶需要对车辆进行实时控制,这就需要端到端学习,可以直接从原T团始传感器数据产生实时决策进而自动控制。此外,现实世界中可部署的自动驾驶系统不仅需要准确、高效,还需要鲁棒性,而端到端模型对扰动有着较高的敏感性。 CSAIL 先前的工作表明,仅使用由摄像机的视觉数据生成的稀疏地形图和粗略的定位即可执行点对点导航。目前,计算机视觉还无法很好地应对照明等环境变化产生的影响,相反, LiDAR 传感器可以队最提供更准确的距离(深度)信息。 然而, LiDAR 的一个缺点是三维数据所带来的庞大数据量和计算量。例如,典型的64通道传感器每秒可产生超过200万个数据点;推理 3D 模型所需的计算量是推理 2D 图像的14倍。但是,将数据折叠为 2D 格式又会导致大量信息的丢失。 因此, MIT 团队基于稀疏卷积内核和硬件感知模型设计了名为 Fast-Li新研DARNet 的神经网络。通过主动降低点云的采样率,该神经网络能够高效地在完整的 LiDAR 点云上学习,做出实时控制决策。 在现实世界中,瞬时决策会因为传感器的问题出现外分布(out-of-distribution)的情况。针对这一问题,MIT 团队提出「混合证据融合」(HybridEvidential Fusion)的方法,该方法通过究,证据深度学习简单而直接地预测出决策的不确定性,再通过加权的方式智能地融合控制决策,实现可靠的转向操作。 图示:高效且强大的基于LiDAR的端到端导航框架。(来源:论文) 研究人员在全尺寸车辆上评估了他们基于激光雷达的端到端自动驾驶系统,展示了出色的车道稳定以及导航功能。该系统显着提高了鲁棒性,减少了因失控导致的人为接管次数。 多项技仅靠术保证自动化系统的优势 效率的提升保证了自动驾驶的精准控制。论文的共同一作、 MIT 在读博士生刘志健表示:「我们从算法和系统角度优化了我们的解决方案,与现有的 3D 激光雷达方法相比,累计加速了9倍之多。」 速度的提升一方面归功于端到端模型,另一方面归功于稀疏卷积内核。这个内核是源于该团队先前提出的 3D 点云计算模块稀疏点云-栅格Li卷积(SPVConv),通过在稀疏张量 (Sparse Tensor) 表示下利用三维稀疏卷积 (3D SparseConvolution) 来处理邻点信息,即使在室外较大的场景中,也可以保留精细的细节,同时大大减少了计算量,缩短了计算时间。 MIT 团队的目标一直是「实现对新环境中的驾驶具有鲁棒性的自主导航」。从2018年开发的允许无人DA驾驶汽车在没有3D地图的情况下在从未有过的道路上行驶的 MapLite ,到2019年的仅使用简单的地图和相机视觉数据使汽车在新的复杂环境中自动驾驶的端到端机器学习系统,再到如今基于 LiDAR 数据的端到端自动驾驶系统,该团队初步实现了他们的目标。 图示:基于机器学习的端到端自动驾驶系统架构图。(来源:论文) 鲁棒性的提高保证了R和新系统在现实世界中是可行的。研究人员表明,有了新的混合证据融合策略,他们的系统减少了测试时驾驶员不得不接管汽车控制的频率,甚至可以应对严重的传感器故障。MIT 教授 Daniela Rus 说:「通过基于模型不确定性的融合控制预测,该系统可以应对突发事件。」 想象一下,当你开车穿过隧道,在出隧道的那一瞬间,突然暴露在阳光下,由2D于眩光,视线可能会出现短暂丢失。自动驾驶汽车中的摄像头以及天气条件较差时的激光雷达传感器也会出现类似的问题,而新系统就可以很好地解决这个问题。通过在做出决策时赋予该预测权重,即使出现传感器数据不准确的情况(例如,穿出隧道),系统也可以忽略这些不应信任的预测。 图示:仅用 LiDAR 的模型的真实评估,红点出息为人为干预控制的地图情况。(来源:论文) 高级别自动驾驶的未来 未来的自动驾驶汽车将包括收集彩色数据的摄像机、用于高分辨率近场感知的 LiDAR和用于在恶劣天气下进行远距离感知的 RADAR 。在这套传感器组成中,LiDAR 将是最有价值、最重要的。 要实现(L3以上)高级别自动驾驶技术,最关键的零部件非「激光雷达」莫属——这几乎已经成了一个自动驾驶工程界默实现认的「公理」。3D 构建能力与准确的深度知觉,决定了激光雷达在工业勘测与自动驾驶界不可撼动的重要地位。 激光作为一种平行光,即便光线射出后遇到障碍物的阻挡,其传播也会保持准直。这也就意味着,无论是你近在眼前,还是100米开外,它都能聚焦到你身上。无数激光点根据物体距离的不同,在平面上打出深浅不一的线性阴影,形成了 3D 点云图,很像铅端到笔勾勒出的速写画。 由于激光雷达仍存在着一些尚未解决的问题,目前车载的激光雷达传感器还未得到很好地应用。但是, MIT 团队这项最新研究可以让我们看到未来实际应用的希望。无论是速度、准确度,还是鲁棒性,多项技术的融合展示了出色的自动驾驶能力,相信也能为从业人员提供一些应用灵感。下一步,该团队计划继续扩展其系统,以增加现实世界中的复端自杂性,包括不利的天气条件以及与其他车辆的动态交互。 论文链接:https://arxiv.org/abs/2105.09932
- 最近发表
-
- 云计算客户的5步IaaS安全检查清单
- 火山引擎正式发布大数据研发治理套件
- 2021年人工智能在网络安全方面的发展趋势
- 腾讯云TokenHub:连续多月翻倍 日Token消耗量跃升至5万亿
- IDC 报告:2024年中国 AI 公有云服务市场规模激增,阿里云蝉联中国市场第一
- 标签: 旭化成 Aizip 毫米波雷达 肌电手势 CES2026
- 云计算开发:Python3数学函数floor()方法详解
- 标签: Waymo Alphabet 自动驾驶出租车 无人驾驶
- Anthropic 的 Claude AI 正式上线 Xcode 26,助力开发者提升编码效率
- 在混合交通流中网联自动驾驶车如何避撞:一个基于模型的强化学习方法
- 随机阅读
-
- 头上有犄角是什么梗
- 标签: 上海垣信 千帆星座 Starlink 低轨卫星
- 时间管理大师是什么梗
- 工信部等六部门:到2025年新建大型和超大型数据中心PUE优于1.3
- 标签: 广泰真空 真空装备 北交所IPO
- 云计算核心技术Docker教程:Docker使用ZFS存储驱动程序
- 标签: 潘欣 美团 多模态AI LongCat
- 标签: 华为 荣耀终端 邓斌 星际魅族
- 蟋蟀靠什么发出声音
- 标签: 洪恩 IH 儿童教育APP 财报
- 鸟为什么会有气味
- 云安全日报210705:红帽云计算应用平台发现请求伪造特权提升漏洞,需要尽快升级
- 详解PyTorch基本操作
- Salesforce瀹屾垚277浜跨編鍏冩敹璐璖lack浜ゆ槗 寰�蒋闈�复涓€涓�彲鎬曞�鎵�
- 谷歌宣布搜索整合Google Assistant翻译模式 推出全新模型LaMDA
- 标签: 新桥生物 givastomig 港交所 CLDN18.2
- 标签: 快手 火绒安全 直播攻击 AI攻防
- 标签: 陈天桥 盛大集团 发现式AI ChatGPT
- 标签: 同程旅行 元宝 AI春晚总动员 春节旅游
- 谷歌Gemini深度集成Google Photos 支持从相册生成个性化AI图像
- 搜索
-
- 友情链接