密歇根理工大学进行测试 探索全自动驾驶汽车在恶劣天气下的行驶状况

据国外媒体报道，密歇根理工大学霍顿校区的研究人员目前正在测试全自动驾驶汽车在恶劣天气下的行驶条件。测试在密歇根州的科威瑙半岛进行。该半岛每年冬天的平均降雪量超过200英寸，是测试自动驾驶汽车技术极限的理想场所。

在最近的SPIE防务+商业传感2021会议上发表的两篇论文中，来自密歇根理工大学的研究人员介绍了一种雪天驾驶场景的解决方案，可以帮助芝加哥、底特律、明尼阿波利斯和多伦多等雪天城市实现自动驾驶。

(来源:密歇根理工大学)

第一篇论文是关于提供多传感器融合和人工智能来改善自动驾驶汽车的导航。在自动驾驶汽车中，安装在平衡环中的两个摄像头使用立体视觉扫描和感知深度，以模仿人类视觉，并使用惯性测量单元来估计平衡和运动。然而，计算机只能对以前遇到过的场景或编程识别的场景做出反应。

由于人工大脑尚未出现，特定任务的人工智能算法必须控制车辆，这意味着自动驾驶汽车必须依赖多个传感器。鱼眼相机视场大，其他相机视场非常接近人眼；红外线接收热信号；雷达可以穿透雾和雨；用于光探测和测距的激光雷达可以在黑暗环境中使用，并发射多束激光束以形成霓虹挂毯。

密歇根理工大学计算学院的计算助理教授、该研究的主要研究员纳希尔·拉瓦什代(Nathir Rawashdeh)说:“每个传感器都有局限性，但它们相互补充。”Nathir Rawashdeh致力于通过使用传感器融合的人工智能过程来集成传感器数据。

Nathir Rawashdeh还表示:“传感器融合使用不同模式的多个传感器来理解场景。当输入包含复杂的模式时，我们无法详细地对每个细节进行编程，因此我们需要人工智能。”在密歇根理工大学，Rawashdeh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 Jeffries也参与了该项目。

第二篇论文是关于可以区分动物和雪的自动驾驶汽车系统。大部分自主传感器和自动驾驶算法的开发环境阳光明朗。但并不是所有地方都像亚利桑那州或南加州的天气一样，所以当降雪很大时，Bos实验室开始收集密歇根理工大学自动驾驶汽车(由人类安全驾驶)的本地数据。Rawashdeh团队，尤其是Abu-Alrub，从德国和挪威被雪覆盖的道路上收集了超过1000帧的激光雷达、雷达和图像数据，并开始教授其AI程序理解和穿透雪。

博斯说:“并非所有的雪都是一样的。因此，雪的多样性也给传感器探测带来了挑战。Rawashdeh补充道:“为了保证准确性和安全性，对数据进行预处理并确保标记的准确性是非常重要的。人工智能就像厨师。好的食材可以做出好的饭菜。如果给AI学习网络的数据很差，结果会很差。"

低质量数据的问题和实际的污垢一样真实。就像路面泥泞一样，传感器积雪的问题可以解决但是很麻烦。即使视野清晰，自动驾驶汽车的传感器在检测障碍物时也不总是一致的。博斯举了一个很好的例子。传感器在清理本地收集的数据时发现了一只鹿。激光雷达表示地点不重要(30%的可能性是障碍物)，而在相机里，看起来就像一个瞌睡虫握着方向盘(50%的可能性)，但红外传感器会喊“哇”(90%确定是鹿)。

让传感器和它的风险评估互相交流，互相学习，就像印度三个盲人找到大象的寓言一样:每个人触摸大象的不同部位:耳朵、躯干和腿，然后得出不同的结论。通过传感器融合，Rawashdeh和Bos希望自主传感器能够共同找出答案，无论结果是一头大象、一只鹿还是一堆雪堆。正如博斯所说:“通过使用传感器融合，我们将获得一个全新的估计，而不是严格的投票。”据国外媒体报道，密歇根理工大学霍顿校区的研究人员目前正在测试全自动驾驶汽车在恶劣天气下的行驶条件。测试在密歇根州的科威瑙半岛进行。该半岛每年冬天的平均降雪量超过200英寸，是测试自动驾驶汽车技术极限的理想场所。

在最近的SPIE防务+商业传感2021会议上发表的两篇论文中，来自密歇根理工大学的研究人员介绍了一种雪天驾驶场景的解决方案，可以帮助芝加哥、底特律、明尼阿波利斯和多伦多等雪天城市实现自动驾驶。

(来源:密歇根理工大学)

第一篇论文是关于提供多传感器融合和人工智能来改善自动驾驶汽车的导航。在自动驾驶汽车中，安装在平衡环中的两个摄像头使用立体视觉扫描和感知深度，以模仿人类视觉，并使用惯性测量单元来估计平衡和运动。然而，计算机只能对以前遇到过的场景或编程识别的场景做出反应。

由于人工大脑尚未出现，特定任务的人工智能算法必须控制车辆，这意味着自动驾驶汽车必须依赖多个传感器。鱼眼相机视场大，其他相机视场非常接近人眼；红外线接收热信号；雷达可以穿透雾和雨；用于光探测和测距的激光雷达可以在黑暗环境中使用，并发射多束激光束以形成霓虹挂毯。

密歇根理工大学计算学院的计算助理教授、该研究的主要研究员纳希尔·拉瓦什代(Nathir Rawashdeh)说:“每个传感器都有局限性，但它们相互补充。”Nathir Rawashdeh致力于通过使用传感器融合的人工智能过程来集成传感器数据。

Nathir Rawashdeh还表示:“传感器融合使用不同模式的多个传感器来理解场景。当输入包含复杂的模式时，我们无法详细地对每个细节进行编程，因此我们需要人工智能。”在密歇根理工大学，Rawashdeh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 Jeffries也参与了该项目。

第二篇论文是关于可以区分动物和雪的自动驾驶汽车系统。大部分自主传感器和自动驾驶算法的开发环境阳光明朗。但并不是所有地方都像亚利桑那州或南加州的天气一样，所以当降雪很大时，Bos实验室开始收集密歇根理工大学自动驾驶汽车(由人类安全驾驶)的本地数据。Rawashdeh团队，尤其是Abu-Alrub，从德国和挪威被雪覆盖的道路上收集了超过1000帧的激光雷达、雷达和图像数据，并开始教授其AI程序理解和穿透雪。

博斯说:“并非所有的雪都是一样的。因此，雪的多样性也给传感器探测带来了挑战。Rawashdeh补充道:“为了保证准确性和安全性，对数据进行预处理并确保标记的准确性是非常重要的。人工智能就像厨师。好的食材可以做出好的饭菜。如果给AI学习网络的数据很差，结果会很差。"

低质量数据的问题和实际的污垢一样真实。就像路面泥泞一样，传感器积雪的问题可以解决但是很麻烦。即使视野清晰，自动驾驶汽车的传感器在检测障碍物时也不总是一致的。博斯举了一个很好的例子。传感器在清理本地收集的数据时发现了一只鹿。激光雷达表示地点不重要(30%的可能性是障碍物)，而在相机里，看起来就像一个瞌睡虫握着方向盘(50%的可能性)，但红外传感器会喊“哇”(90%确定是鹿)。

让传感器和它的风险评估互相交流，互相学习，就像印度三个盲人找到大象的寓言一样:每个人触摸大象的不同部位:耳朵、躯干和腿，然后得出不同的结论。通过传感器融合，Rawashdeh和Bos希望自主传感器能够共同找出答案，无论结果是一头大象、一只鹿还是一堆雪堆。正如博斯所说:“通过使用传感器融合，我们将获得一个全新的估计，而不是严格的投票。”

标签：发现

汽车资讯热门资讯