如果你在野外看到一辆自动驾驶汽车，你可能会注意到车顶上有一个巨大的旋转圆筒。这是一个激光雷达传感器，它的工作原理是发送红外光脉冲，并测量它们反射物体所需的时间。这将创建一个3D点地图，作为汽车周围环境的快照。
激光雷达的一个缺点是它的3D数据是巨大的和计算密集的。例如，一个典型的64通道传感器每秒产生超过200万个点。由于额外的空间维度，最先进的3D模型需要比2D图像在推断时多14倍的计算。这意味着，为了有效地导航，工程师首先必须将数据分解成2d -这种方法的副作用是导致大量信息丢失。
但麻省理工学院的一个团队一直在研究一种使用机器学习的自动驾驶系统，这样就不需要自定义手动调节了。他们新的端到端框架可以仅使用原始的3D点云数据和低分辨率GPS地图自动导航，类似于现在智能手机上的功能。
从原始激光雷达数据中进行端到端学习是一个计算密集型的过程，因为它涉及到给计算机提供大量丰富的感官信息来学习如何驾驶。因此，该团队必须设计新的深度学习组件，更有效地利用现代GPU硬件，以便实时控制车辆。
“我们从算法和系统的角度优化了我们的解决方案，与现有的3D激光雷达方法相比，实现了大约9倍的累积加速，”博士生刘志坚(音)说，他与亚历山大·阿米尼(Alexander Amini)是这篇论文的共同第一作者。
在测试中，研究人员显示，他们的系统减少了人类驾驶员从机器上接管控制权的频率，甚至可以承受严重的传感器故障。
例如，想象你开车穿过一个隧道，然后出现在阳光下——一瞬间，你的眼睛可能会因为强光而看不见东西。类似的问题也出现在自动驾驶汽车的摄像头上，以及天气条件较差时系统的激光雷达传感器上。
来源:麻省理工学院计算机科学与人工智能实验室
为了解决这个问题，麻省理工学院团队的系统可以估计出它对任何给定预测的确定程度，因此可以在做出决策时或多或少地考虑该预测。(在从隧道出来的情况下，它基本上会无视任何由于传感器数据不准确而不可信的预测。)
该团队称他们的方法为“混合证据融合”，因为它将不同的控制预测融合在一起，从而得出运动规划的选择。
“通过根据模型的不确定性融合控制预测，系统可以适应意外事件，”麻省理工学院教授Daniela Rus说，她是这篇论文的资深作者之一。
在很多方面，该系统本身是麻省理工学院以前的三个项目的融合:
- MapLite，一个手动调优的框架，用于在没有高清3D地图的情况下驾驶
- “可变端到端导航”，这是一种机器学习系统，使用人类驾驶数据进行训练，学习如何从头开始导航
- SPVNAS是一种高效的三维深度学习解决方案，优化了神经结构和推理库
Amini表示:“我们利用了无地图驾驶的优势，并将其与端到端机器学习相结合，因此我们不需要专业程序员手动调整系统。”
作为下一步，该团队计划继续扩展他们的系统，以增加现实世界的复杂性，包括不利的天气条件和与其他车辆的动态交互。
