秒殺高精地圖？MIT&豐田稱靠簡單地圖和視覺可讓無人車適應新環境

上周，機器人領域頂級會議 ICRA 2019 公布了最佳論文獎項，共有三篇論文入圍該獎項。其中一篇是來自 MIT 和豐田研究院的《Variational End-to-End Navigation and Localization》，這項工作探索了如何使自動駕駛汽車具備人類推理能力，即僅憑藉簡單地圖和視覺數據就可以適應新型複雜環境中的路線。

為了將更加類似人類的推理能力賦予自動駕駛汽車，MIT 創建了一個系統，可使自動駕駛汽車在僅使用簡單地圖和視覺數據的情況下，在新型複雜環境中運行。

人類司機很擅長在之前未見過的道路上駕駛汽車，他們使用的是觀察能力和簡單的工具。人類會將周圍事物與 GPS 設備提供的信息進行匹配，以確定自己所在位置和目的地位置。而這項對人類很基礎的推理能力對自動駕駛汽車來說卻非常困難。自動駕駛汽車在每個新區域都必須先定位和分析所有新道路，而這會花費大量時間。自動駕駛系統還依賴於 3D 掃描生成的複雜地圖，而這在運行時造成了極大的計算成本。

MIT 和豐田研究院合作的研究《Variational End-to-End Navigation and Localization》介紹了一種自動控制系統，該系統僅僅利用來自視頻攝像頭和簡單 GPS 地圖的數據，即可「學習」人類司機在小型區域開車的駕駛模式。訓練得到的系統可以控制自動駕駛汽車像人類司機一樣，在全新區域內沿著規劃路線行駛。

研究者擴展了能夠理解地圖的端到端駕駛網路。他們定義了一個新的變分網路，該網路能夠根據環境的原始攝像頭數據和更高級路線圖進行學習，以預測可能的控制指令的完整概率分布，以及能夠在地圖內指定路線上導航的確定性控制指令。

此外，受人類駕駛員可以進行粗略定位的啟發，研究者根據地圖和觀察到的視覺道路拓撲之間的對應關係，制定了如何使用其模型來定位機器人的方案。研究者在真實駕駛數據上評估了該演算法，並推斷了在不同類型的豐富駕駛場景下推斷的轉向命令的穩健性。

該研究提出的變分端到端模型。

與人類司機類似，該系統還可以監測地圖和道路特徵之間不匹配的地方。這有助於系統確定其位置、感測器或地圖是否準確，從而糾正汽車的行駛路線。

最初訓練系統時，人類操作員控制一輛配備多個攝像頭和基礎 GPS 導航系統的豐田普銳斯自動駕駛汽車，並收集當地郊外街道的數據，包括多種道路結構和障礙物。在自動部署新區域的信息後，該系統可在預先規劃好的路線上成功導航。

該研究的第一作者、MIT 學生 Alexander Amini 表示：「使用我們的系統後，你無需預先在每條道路上進行訓練，只需下載一張新地圖。」該研究的共同作者、CSAIL 負責人 Daniela Rus 表示，「我們的目標是創建一個對新環境具備穩健性的自動駕駛導航系統。例如，當我們訓練一輛在城市環境中行駛的自動駕駛汽車時，該系統可以讓這輛車在樹林中也能順暢行進，即使這個環境它從來沒見過。」

點到點導航

傳統的導航系統通過針對定位、繪製地圖、目標檢測、運動規劃和轉向控制等任務而定製的多個模塊來處理感測器數據。Daniela Rus 組多年來一直致力於研發「端到端」的導航系統，即無需任何專用子模塊即可處理輸入感測器數據和輸出控制指令。

但是，截止到目前，這些模型僅限於在沒有實際目的地的情況下安全地沿著道路行駛。在這項研究中，研究者的端到端導航系統可以在新環境中向著目的地行進。為此，研究者訓練該系統預測駕駛過程中任意瞬間所有可能控制指令的完整概率分布。

該系統使用卷積神經網路（CNN）作為模型的主幹。在訓練過程中，該系統從人類司機處觀察和學習如何駕駛汽車。CNN 將方向盤轉動和道路曲率進行關聯，其中曲率信息通過攝像頭和輸入地圖獲得，並最終學習最適合不同駕駛場景（如直路、十字路口、T 形交叉口、岔口轉彎、環形交叉路等）的駕駛指令。

Daniela Rus 表示：「T 形交叉口有很多可選方向，該模型一開始會思考所有可能方向，但是隨著它越來越多地觀察人類駕駛員的行為，它發現人們要麼向左轉要麼向右轉，沒人直走。於是『直走』這個選擇就被排除了，模型學習到在 T 形交叉口只能左轉或右轉。」

導航地圖又是怎樣的？

在測試中，研究者向系統輸入一張隨機選擇路線的地圖。駕駛過程中，該系統會從攝像頭抽取視覺特徵，從而預測道路結構。例如，它可以識別遠處的停車標誌或路邊的停止線，這些特徵可以作為十字路口的預告標誌。在每一時刻，自動控制系統都會根據其預測的轉向指令概率分布，選擇最可能的路線行進方式。

研究人員表示，重要的是系統使用的地圖易於儲存和處理。自動控制系統一般會使用激光雷達掃描器創建大規模的複雜地圖，僅存儲舊金山一個城市就需要約 4TB 的數據。對於每一個新的目的地，汽車必須創建新的地圖，這意味著需要處理大量數據。然而在該研究構建的自動控制系統中，捕捉整個世界的地圖也就 40GB 的數據量。

在自動駕駛過程中，系統同樣會不停地匹配視覺數據和地圖數據，並記錄不匹配的地方。這樣有助於自動駕駛汽車更好地確定它在道路上的位置。如果輸入信息相互矛盾，這還能確保汽車在最安全的路線上。例如如果汽車在一條筆直的公路上前行，而 GPS 顯示汽車必須右轉，那麼汽車就會知道到底是繼續前行還是停下來。

Amini 說：「在現實世界中，感測器確實會失靈。我們希望建立一個對不同感測器故障具備穩健性的系統，也就是說在接收到這些雜訊輸入後，系統仍能準確地定位其在道路上的位置和導航。」

模型架構。

實驗

研究者在現實場景對該系統進行了訓練，並在測試集上對其進行了測試。

使用導航輸入進行駕駛

研究者使用一張路線圖和 routed、unrouted 地圖的轉向角度估計展示了該系統的駕駛能力。下圖展示了該系統的輸入和轉向角度的參數分布。routed 和 unrouted 地圖中的道路顯示為白色。

在新型道路環境中的控制輸出。

模型評估。

減少定位不確定性

研究者展示了如何使用演算法 1 基於觀測到的駕駛方向使用模型定位車輛位置。

演算法 1

對後驗不確定性改進的評估。

研究者量化了交叉路口附近的後驗不確定性減少程度，如下圖所示：

交叉路口附近的後驗不確定性減少情況。

粗略定位

利用感知的粗略定位。

論文鏈接：https://arxiv.org/abs/1811.10119

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！