为使自动驾驶汽车具备更接近人类的推理能力，麻省理工学院的研究人员开发出一种系统，仅利用简单地图和视觉数据，便可使无人驾驶汽车在陌生而复杂的环境中规划并行驶路线。
人类驾驶员凭借观察和简单工具，非常擅长在从未行驶过的道路上导航。我们只需将周围所见与GPS设备上的信息相互对照，便能确定自身位置以及需要前往的方向。然而，无人驾驶汽车在这一基本推理上却力不从心。每到一个新区域，汽车都必须先对所有新道路进行建图和分析，这非常耗时。此外，这些系统还依赖复杂的地图，这些地图通常由三维扫描生成，在运行中生成和处理都需要大量计算。
在本周举行的国际机器人与自动化会议上发表的一篇论文中，麻省理工学院的研究人员描述了一种自主控制系统。该系统仅利用摄像头视频数据和一张简单的类GPS地图，便能“学习”人类驾驶员在小范围道路上行驶时的转向模式。随后，经过训练的系统可以通过模仿人类驾驶员，控制无人驾驶汽车沿规划路线驶入全新区域。
与人类驾驶员相似，该系统还会检测其地图与道路特征之间的任何不一致之处。这有助于系统判断其自身位置、传感器或地图是否存在错误，从而校正汽车的行驶路线。
在系统的初始训练阶段，人工操作员驾驶一辆配备多个摄像头和基础GPS导航系统的自动化丰田普锐斯，在当地郊区街道上采集数据，涵盖各类道路结构和障碍物。系统自主部署后，成功引导该车沿预先规划的路径，在另一片专门用于自动驾驶汽车测试的林区行驶。
“使用我们的系统，无需事先在每条道路上进行训练，”第一作者、麻省理工学院研究生亚历山大·阿米尼（Alexander Amini）说，“你可以下载一张新地图，让汽车在从未见过的道路上行驶。”
“我们的目标是实现在新环境中稳健行驶的自动导航，”合著者、计算机科学与人工智能实验室（CSAIL）主任、安德鲁和埃尔娜·维特比电气工程与计算机科学教授丹妮拉·拉斯（Daniela Rus）补充道，“例如，如果我们训练自动驾驶汽车在剑桥市街道等城市环境中行驶，那么即使是在从未见过的森林中，系统也应能够平稳行驶。”
与拉斯和阿米尼一同参与该论文研究的还有丰田研究院研究员盖伊·罗斯曼（Guy Rosman）和麻省理工学院航空航天系副教授塞尔塔·卡拉曼（Sertac Karaman）。
点对点导航
传统导航系统通过针对定位、建图、目标检测、运动规划和转向控制等任务定制的多个模块处理传感器数据。多年来，拉斯的团队一直在开发“端到端”导航系统，该系统直接处理输入的感知数据并输出转向指令，无需任何专门模块。
然而，直到现在，这些模型的设计都仅限于安全地沿道路行驶，并不考虑任何真正的目的地。在新论文中，研究人员将其端到端系统加以改进，使其能够在从未见过的环境中从起点行驶至目的地。为此，研究人员训练该系统，使其在行驶过程中预测任意时刻所有可能转向指令的完整概率分布。
该系统采用一种名为卷积神经网络（CNN）的机器学习模型，该模型通常用于图像识别。在训练过程中，系统观察并学习人类驾驶员如何转向。CNN将方向盘的转动与其通过摄像头及输入地图所观察到的道路弯曲度相关联。最终，它能够学会在各种行驶场景下最可能的转向指令，例如直行道路、四向或T形路口、岔路口以及环岛。
拉斯表示：“起初，在T形路口，汽车可能有许多不同的转弯方向。模型一开始会考虑所有这些方向，但随着它看到越来越多关于人们行为的数据，它会发现有些人左转，有些人右转，却没有人直行。直行已被排除在可能的方向之外，模型由此学会，在T形路口只能向左或向右行驶。”
地图显示了什么？
在测试中，研究人员向系统输入一张带有随机选定路线的地图。行驶时，系统从摄像头中提取视觉特征，从而能够预测道路结构。例如，它会将远处的停车标志或路边的线段断裂视为即将到来的路口的标志。在每个时刻，系统都利用其预测的转向指令概率分布，选择最可能的指令以沿路线行驶。
研究人员表示，尤为重要的是，该系统所使用的地图易于存储和处理。自动驾驶控制系统通常使用激光雷达（LIDAR）扫描来生成庞大而复杂的地图，仅旧金山市一地的数据存储就需要约4,000吉字节（4太字节）。每到一个新目的地，汽车都必须生成新地图，这意味着大量的数据处理。然而，研究人员系统所使用的地图仅需40吉字节的数据即可覆盖整个世界。
在自动驾驶过程中，系统还会持续将其视觉数据与地图数据进行匹配，并记录任何不一致之处。这有助于自动驾驶汽车更准确地确定其在道路上的位置。此外，即使汽车接收到相互矛盾的输入信息，该系统也能确保其始终行驶在最安全的路径上：例如，若汽车正行驶在没有转弯的直路上，而GPS显示车辆必须右转，那么汽车会知道应继续直行或停车。
阿米尼表示：“在现实世界中，传感器确实会出现故障。我们希望确保系统能够抵御各类传感器的不同故障，为此我们构建了一个能够接收这些有噪声输入的系统，使其仍能正确地导航并在道路上准确定位自身。”
