康奈尔大学的研究人员开发了一种方法，可以帮助自动驾驶汽车对以前的体验产生“记忆”，并将其用于未来的导航，尤其是在恶劣天气条件下，汽车无法安全地依赖传感器时。

使用人工神经网络的汽车对过去没有记忆，无论之前在特定道路上行驶过多少次，都处于第一次看到世界的恒定状态。

为了克服这一限制，研究人员同时发表了三篇论文。“根本问题是，我们能从重复遍历中学习吗？”资深作者、计算机科学教授基利安·温伯格（KilianWeinberger）说。“例如，当汽车的激光扫描仪第一次从远处看到一棵形状怪异的树时，它可能会误认为是行人，但一旦它足够近，物体类别就会变得清晰。因此，当你第二次驶过同一棵树时，即使在雾天或雪天，你也希望汽车现在已经学会了正确识别它。”

在博士生卡洛斯·迪亚兹·鲁伊斯（CarlosDiaz-Ruiz）的带领下，该研究小组在18个月的时间内，驾驶一辆装有激光雷达（LightDetection and Ranging）传感器的汽车，在伊萨卡及其周围15公里的环线上反复行驶40次，从而编制了一份数据集。穿越记录了不同的环境（公路、城市、校园）、天气条件（晴天、雨天、下雪天）和时间，生成的数据集有600000多个场景。

迪亚兹·鲁伊斯说：“这暴露了自动驾驶汽车面临的一个关键挑战——恶劣的天气条件。如果街道被雪覆盖，人类可以依靠记忆，但如果没有记忆，神经网络将非常不利。”

HINDSIGHT是一种利用神经网络在汽车经过物体时计算物体描述符的方法，通过压缩这些描述，空间量化稀疏历史特征，并将其存储在虚拟地图上，就像存储在人脑中的“记忆”。

下次自动驾驶汽车穿过同一位置时，它可以查询沿途每个激光雷达点的本地挤压数据库，并“记住”上次学到的内容。数据库不断更新并在车辆间共享，从而丰富了可用于执行识别的信息。

“此信息可以作为功能添加到任何基于激光雷达的三维物体探测器；”博士生尤玉荣（音）说。“检测器和壁球表示都可以联合训练，无需任何额外的监督或人工注释，这是一项耗时费力的工作。”

HINDSIGHT是团队正在进行的额外研究的先驱，这将更进一步，使汽车能够从头开始学习整个感知管道。

虽然HINDSIGHT仍然认为人工神经网络已经经过训练，可以检测物体，并增强其创建记忆的能力，但为了谨慎，假设车辆中的人工神经网络从未接触过任何物体或街道，通过对同一路线的多次遍历，它可以了解环境中哪些部分是静止的，哪些是移动的对象。慢慢地，它教会自己什么是其他交通参与者，什么是可以安全忽略的。

然后，该算法可以可靠地检测到这些对象，即使是在不属于初始重复遍历的道路上。研究人员希望这些方法能够大幅降低自动驾驶汽车（目前仍严重依赖昂贵的人工标注数据）的开发成本，并通过学习导航最常用的位置，提高此类车辆的效率。

本文由升哲科技编译，转载请注明。