在洛杉矶此类交通密集的城市,很多人都在问自动驾驶汽车什么时候会出现?但是由于在美国发生了一系列自动驾驶汽车重大事故,自动驾驶汽车的安全问题让普及自动驾驶汽车的梦想戛然而止。
但是,据外媒报道,美国南加州大学(USC)的研究人员发布了一项新研究,解决了自动驾驶汽车开发人员长期面临的一个问题:如何测试自动驾驶系统的感知算法,该算法可让汽车“理解”“看到”的东西。
南加州大学研究人员与亚利桑那州立大学(Arizona State University)的研究人员合作,采用了新数学算法,能够在自动驾驶汽车上路之前,识别其系统中存在的异常情况或是故障。
感知算法基于卷积神经网络,由机器学习(一种深度学习)提供动力。众所周知,很难对此类算法进行测试,因为人们无法完全理解其是如何做出预测的,而这最终可能会给自动驾驶汽车等安全关键系统带来灾难性的后果。
一般来说,自动驾驶汽车通过机器学习系统“了解”世界,机器学习系统在自动识别物体之前,会接收大量的道路图像数据。但是,该系统可能会出现故障。去年3月,在亚利桑那州发生的一起自动驾驶汽车撞死行人事故中,该软件将行人分类为“假阳性”信息,并且做出不需要停车的决策。
该研究的合著者Jyo Deshmukh表示:“我们认为,此种训练感知算法的方式显然存在问题。当人类看到一段视频时,我们会做出一些有关接下来发生的事情的假设:如果我们在视频的某一帧中看到了一辆车,我们就会希望在下一帧视频中看到附近位置出现了该车。而这就是我们希望感知算法在部署之前能够满足的几个“正常条件”之一。” Jyo Deshmukh还是南加州大学计算机科学系教授,以及丰田前研发工程师,专注于自动驾驶汽车安全。例如,一个物体不可能从这一帧到下一帧就突然出现或消失。如果发生了此种情况,那么就违反了“正常条件”,或物理学的基本定律,表明感知系统存在缺陷。
该研究小组制定了新型数学逻辑,名为“时间质量时序逻辑”(Timed Quality Temporal Logic),并利用该逻辑,使用原始视频数据集的驾驶场景,测试了两种非常流行的机器学习工具 - Squeeze Det和YOLO。
在机器学习工具在多帧视频中违反“正常条件”的实例中,最常见的就是,机器学习系统未能检测到物体或是对物体进行错误分类时,该逻辑成功得到了应用。例如,在一个实例中,当自行车的轮胎看起来看是一条细细的垂直线时,该系统无法识别后方的骑车人。相反,该系统将骑车人错误归类为行人。在此种情况下,该系统可能无法正确预测骑车人的下一个动作,从而导致事故的发生。“幽灵物体”,即系统在没有物体时也感知到物体,此种情况也非常常见,可能会导致汽车误踩刹车,也是一个非常危险的举动。
该研究团队的方法能够在感知算法部署之前,识别其异常情况或缺陷,并可让开发人员查明具体问题所在。该方法就是在虚拟测试中找到感知算法的问题,让该算法更安全、更可靠。至关重要的是,由于该方法依赖“正常条件”库,因而不需要人类给测试数据库内的物体贴上标签,而此过程往往非常耗时且容易出现错误。
未来,该团队希望当发现错误时,在感知算法中集成该逻辑可以重新训练感知算法。此外,该逻辑还能扩展应用,用作汽车驾驶时的实时安全监测器。
作者:余秋云
- LTC3119EUFD 5V、2MHz 宽输入稳压器的典型应用电路
- LTC3833EFE 演示板,VIN = 4.5V 至 24V,VOUT1 = 1.5V @ 15A,电感器 DCR 电流检测,89.4% 效率
- 三相逆变系统
- 【训练营】智能插座-410946K
- [已验证]CN3085倍量镍氢充电器改造
- WIFIduino ESP8266
- 尺子新工程
- DC323A-B,用于 LTC1751EMS8-3.3 稳压电荷泵 DC/DC 转换器的演示板 @ 2V 至 4.5V 输入,3.3Vout @ 40mA
- 在 AD9279 的 I/Q 输出之后使用 ADA4896-2ACPZ-RL 作为滤波器、I/V 转换器、电流加法器和 ADC 驱动器的典型应用电路
- L7818C 稳压器用于光控制器的典型应用 (Vo(min) = Vxx + VBE)