為了保證安全，自動(dòng)駕駛汽車必須準(zhǔn)確跟蹤行人，自行車和周圍其他車輛的運(yùn)動(dòng)。因此，卡內(nèi)基梅隆大學(xué)開發(fā)了一種新方法，訓(xùn)練這些跟蹤系統(tǒng)讓它們更有效。

一般而言，可用于訓(xùn)練跟蹤系統(tǒng)的道路和交通場(chǎng)景數(shù)據(jù)越多，結(jié)果越好。為此，CMU研究人員找到了一種獲得大量自動(dòng)駕駛數(shù)據(jù)的方法。

“與以前的方法相比，我們的方法更加健壯，因?yàn)槲覀兛梢栽诟�大的�?shù)據(jù)集上進(jìn)行訓(xùn)練，”與CMU機(jī)器人學(xué)院助理教授David Held合作的研究實(shí)習(xí)生Himangi Mittal說。

場(chǎng)景流估計(jì)

CMU這種方法是最近比較流行的所謂場(chǎng)景流估計(jì)，就是光流的三維版本，表述了圖像／點(diǎn)云中每個(gè)點(diǎn)在前后兩幀的變化情況。目前對(duì)場(chǎng)景流的研究還局限在實(shí)驗(yàn)室階段，由于缺乏實(shí)際數(shù)據(jù)（打標(biāo)成本太高）以及客觀的評(píng)價(jià)指標(biāo)，離工程應(yīng)用還有不小的距離。此外，巨大的計(jì)算量也是一個(gè)瓶頸。

大多數(shù)自動(dòng)駕駛汽車主要基于稱為激光雷達(dá)的傳感器進(jìn)行導(dǎo)航，該激光設(shè)備會(huì)生成有關(guān)汽車周圍環(huán)境的3D信息。這種3D信息不是圖像，而是點(diǎn)云。車輛利用此數(shù)據(jù)的一種方式是使用一種稱為場(chǎng)景流的技術(shù)。這涉及計(jì)算每個(gè)3D點(diǎn)的速度和軌跡。通過場(chǎng)景流將一起移動(dòng)的點(diǎn)組解釋為車輛，行人或其他移動(dòng)物體。

過去，用于訓(xùn)練此類系統(tǒng)的最新方法要求使用標(biāo)記的數(shù)據(jù)集，已標(biāo)注注釋的傳感器數(shù)據(jù)，會(huì)隨時(shí)間推移跟蹤每個(gè)3D點(diǎn)。手動(dòng)標(biāo)記這些數(shù)據(jù)集既費(fèi)力又昂貴，因此，幾乎沒有標(biāo)記數(shù)據(jù)集。所以，場(chǎng)景流訓(xùn)練通常是使用效果不佳的模擬數(shù)據(jù)執(zhí)行的，然后使用少量存在標(biāo)記的真實(shí)世界數(shù)據(jù)進(jìn)行微調(diào)。

CMU提出的一種自我監(jiān)督的場(chǎng)景流估計(jì)方法。使用COM兩個(gè)自我監(jiān)督損失的組合，模擬由人類注釋創(chuàng)建的監(jiān)督，即使用未標(biāo)記的數(shù)據(jù)進(jìn)行場(chǎng)景流訓(xùn)練。同時(shí)，使用周期一致性損失，以確保產(chǎn)生的場(chǎng)景流在時(shí)間上是一致的。由于通過在汽車上安裝激光雷達(dá)并四處行駛，相對(duì)容易生成未標(biāo)記的數(shù)據(jù)，因此不乏這些數(shù)據(jù)。

他們方法的關(guān)鍵是為系統(tǒng)開發(fā)一種方法來檢測(cè)場(chǎng)景流中的自身錯(cuò)誤。在每個(gè)瞬間，系統(tǒng)都會(huì)嘗試預(yù)測(cè)每個(gè)3D點(diǎn)的移動(dòng)方向和移動(dòng)速度。在下一瞬間，它會(huì)測(cè)量該點(diǎn)的預(yù)測(cè)位置與最接近該預(yù)測(cè)位置的點(diǎn)的實(shí)際位置之間的距離。

然后，系統(tǒng)從預(yù)測(cè)的點(diǎn)位置開始向后逆轉(zhuǎn)，以返回該點(diǎn)的原始位置。此時(shí)，它會(huì)測(cè)量預(yù)測(cè)位置與實(shí)際起點(diǎn)之間的距離，并且所產(chǎn)生的距離會(huì)形成第二種誤差。

然后，系統(tǒng)將糾正這些錯(cuò)誤。

霍爾德說：“事實(shí)證明，要消除這兩個(gè)錯(cuò)誤，系統(tǒng)實(shí)際上需要學(xué)習(xí)做正確的事，而從未被告知正確的事是什么�！�

聽起來可能有些費(fèi)解，但發(fā)現(xiàn)它運(yùn)作良好。研究人員使用一組綜合數(shù)據(jù)訓(xùn)練得出的場(chǎng)景流精度僅為25％。當(dāng)使用少量現(xiàn)實(shí)世界中標(biāo)記的數(shù)據(jù)對(duì)合成數(shù)據(jù)進(jìn)行微調(diào)時(shí)，準(zhǔn)確性提高到31％。當(dāng)他們添加大量未標(biāo)記的數(shù)據(jù)來使用他們的方法訓(xùn)練系統(tǒng)時(shí)，場(chǎng)景流的準(zhǔn)確性躍升至46％。

研究團(tuán)隊(duì)在6月14日至19日舉行的計(jì)算機(jī)視覺和模式識(shí)別（CVPR）會(huì)議上介紹了他們的方法。CMU Argo AI自主車輛研究中心為這項(xiàng)研究提供了支持，并獲得了NASA太空技術(shù)研究獎(jiǎng)學(xué)金的額外支持。