BU提出AV学习新方法以减少所需路测数据

（原标题：像婴儿学走路一样 BU提出AV学习新方法以减少所需路测数据）

自动驾驶汽车由需要大量驾驶数据的机器学习算法提供支持，从而实现安全驾驶。但是，如果自动驾驶汽车可以像婴儿学走路一样学习驾驶，即观察和模仿周围的人，则需要的驾驶数据就会少很多。据外媒报道，波士顿大学（Boston University，BU）工程师Eshed Ohn-Bar基于上述理论开发出一种全新的学习安全驾驶技术的方法，即通过观察路上的其他汽车，并预测这些车辆对环境做出的反应，随后利用这些信息自主做出驾驶决策。

（图片来源：https://arxiv.org/pdf/2106.05966.pdf）

BU工程学院电气和计算机工程助理教授、BU的Rafik B. Hariri计算与计算科学与工程研究所的初级教师Ohn-Ba，以及BU电气和计算机工程博士生Jimuyang Zhang，最近在2021年计算机视觉和模式识别会议（Conference on Computer Vision and Pattern Recognition）上展示了他们的研究。由于希望增加各自领域研究人员之间的数据共享和合作，他们开始训练范式。目前，自动驾驶汽车需要数小时的驾驶数据来学习如何安全驾驶，但全球一些较大的汽车公司不会共享他们的大量数据，以避免竞争。

Ohn-Bar称：“每家公司在生产汽车方面的经历都相同，包括在汽车上安装传感器、聘用驾驶员驾驶汽车、收集数据以及教汽车驾驶。”共享驾驶数据可以帮助公司更快地制造安全的自动驾驶汽车，从而让社会上的每个人都能从合作中受益。 Ohn-Bar说，人工智能驾驶系统需要大量数据才能正常运行，因此没有一家公司能够独自解决这个问题。

Ohn-Bar称：“数十亿英里的路上数据之于现实事件和多样性就如一滴水之于海洋。然而，缺失的数据样本可能会引起不安全的行为和潜在车祸。”研究人员提出的机器学习算法可通过估计附近其他汽车的视点和盲点来创建周围环境的鸟瞰图，从而有助于自动驾驶汽车检测障碍物，如其他汽车或行人，并了解其他汽车的如何转弯、协商和让行的，从而避免发生碰撞。

通过这种方法，自动驾驶汽车通过将周围车辆的动作转换成自己的参考框架来学习，即他们的机器学习算法，从而驱动神经网络。周围车辆可能是没有传感器的由人类驾驶的汽车，也可能是其他公司的自动驾驶汽车。对场景中周围车辆的观察是算法训练的核心，因此这种“边看边学”范式鼓励数据共享，从而提高自动驾驶汽车的安全性。

通过使自动驾驶汽车在两个虚拟城镇中行驶，Ohn-Bar和Zhang测试了他们的“观察和学习”算法。这两个模拟城镇中，一个具有与训练环境相似的直接转弯和障碍物，另一个具有较令人出乎意料的拐角，如五向交叉路口。在这两种情景下，研究人员发现他们的自动驾驶神经网络很少发生事故，且只需一小时的驾驶数据即可训练机器学习算法，自动驾驶汽车的安全抵达目的地的准确率高达92%。

Ohn-Bar表示：“以前最好的方法也需要几个小时驾驶数据才能学会安全驾驶，令我们惊讶的是，我们的方法只需十分钟的驾驶数据。”Ohn-Bar还表示：“试验结果很有希望，但在处理复杂的城市环境方面仍然存在一些公开的挑战。考虑到被观察的车辆之间急剧变化的视角、传感器测量中的噪音和遮挡物，以及司机的不同，实现安全驾驶还是非常困难的。”

展望未来，该团队表示，这种教授自动驾驶汽车进行自动驾驶的方法也可用于其他技术。Ohn-Bar表示：“配送机器人甚至无人机都可以通过观察环境中的其他人工智能系统来学习。”