為了安全起見，自動駕駛汽車必須能夠準確地跟蹤周圍的行人、自行車和其他車輛的運動。現在，據外媒報道，美國卡內基梅隆大學（Carnegie Mellon University）研發了一種新方法，可更高效地訓練此類跟蹤系統。

一般而言，用于訓練跟蹤系統的道路數據和交通數據越多，結果就會越好。為此，卡內基梅隆大學的研究人員研發了一種新方法，用于解鎖大量的自動駕駛數據。

大多數自動駕駛汽車主要依賴一種稱為激光雷達的傳感器進行導航。激光雷達是一種產生有關車輛周圍環境3D信息的激光設備，此種3D信息不是圖像，而是點云。車輛采用一種稱為場景流的技術了解此類數據，其中包括計算每個3D點云的速度和軌跡。一起移動的點云組通過場景流被釋義為車輛、行人或其他移動的物體。

過去，訓練此類系統最先進的方法是需要使用帶有標記的數據集，此類傳感器數據已經被注釋，隨著時間推移，會跟蹤每個3D點云。但是，手動標記此類數據集既費力又昂貴，因此，幾乎沒有標記好的數據存在。相反，場景流訓練通常利用模擬數據進行，效率更低，之后會利用少量已標注好的真實世界數據進行微調。

卡內基梅隆大學的研究人員則采用了不同的方法，采用未經標記的數據進行場景流訓練。因為通過在汽車上安裝激光雷達，并讓車輛四處行駛，生成未標記的數據相對簡單，而且數據不會短缺。

該種方法的關鍵是研發一種方法，讓系統能夠在場景流中探測到自己的錯誤。在每一個瞬間，該系統都嘗試預測每一個3D點云的移動方向和移動速度。在下一個瞬間，該系統就能夠測量出點云預測位置與靠近點云預測位置最近的實際位置之間的距離，該距離就是一種錯誤，需要盡可能實現最小化。

然后，該系統會將該過程逆轉，從預測的點云位置開始，向后映射出點云的起始位置。因此，會測量預測位置與實際起始位置之間的距離，從而產生了第二種錯誤。

然后，該系統會糾正此類錯誤。

雖然聽起來很復雜，不過研究人員發現此種方法很有效。研究人員們計算出，利用合成數據訓練集執行場景流訓練的精度只有25%。當采用了少量的真實世界經標記數據微調合成數據時，準確率提高至31%；當加入大量未標記的數據以利用他們的方法訓練系統時，場景流的精度躍升至46%。
? ? ? ?責任編輯：tzh