康奈尔大学的记忆研究人员开发了一种方法
，可以帮助自动驾驶汽车对以前的研究拥体验产生“记忆”，并将其用于未来的帮助并学导航 ，尤其是自动在恶劣天气条件下，汽车无法安全地依赖传感器时 。驾驶

使用人工神经网络的汽车汽车对过去没有记忆
，无论之前在特定道路上行驶过多少次 ，学习都处于第一次看到世界的记忆恒定状态。

为了克服这一限制，帮助并学研究人员同时发表了三篇论文 。自动“根本问题是驾驶 ，我们能从重复遍历中学习吗？”资深作者 、汽车计算机科学教授基利安·温伯格（KilianWeinberger）说。学习“例如 ，记忆当汽车的激光扫描仪第一次从远处看到一棵形状怪异的树时，它可能会误认为是行人，但一旦它足够近 ，物体类别就会变得清晰。因此，当你第二次驶过同一棵树时 ，即使在雾天或雪天 ，你也希望汽车现在已经学会了正确识别它。”

在博士生卡洛斯·迪亚兹·鲁伊斯（CarlosDiaz-Ruiz）的带领下 ，该研究小组在18个月的时间内，驾驶一辆装有激光雷达（LightDetection and Ranging）传感器的汽车
 ，在伊萨卡及其周围15公里的环线上反复行驶40次 ，从而编制了一份数据集 。穿越记录了不同的环境（公路、城市、校园）
、天气条件（晴天
、雨天 、下雪天）和时间 ，生成的数据集有600000多个场景。

迪亚兹·鲁伊斯说
 ：“这暴露了自动驾驶汽车面临的一个关键挑战——恶劣的天气条件。如果街道被雪覆盖 ，人类可以依靠记忆
，但如果没有记忆 ，神经网络将非常不利 。”

HINDSIGHT是一种利用神经网络在汽车经过物体时计算物体描述符的方法，通过压缩这些描述
，空间量化稀疏历史特征，并将其存储在虚拟地图上，就像存储在人脑中的“记忆”
。

下次自动驾驶汽车穿过同一位置时，它可以查询沿途每个激光雷达点的本地挤压数据库，并“记住”上次学到的内容 。数据库不断更新并在车辆间共享，从而丰富了可用于执行识别的信息。

“此信息可以作为功能添加到任何基于激光雷达的三维物体探测器；”博士生尤玉荣（音）说。“检测器和壁球表示都可以联合训练 ，无需任何额外的监督或人工注释，这是一项耗时费力的工作 。”

HINDSIGHT是团队正在进行的额外研究的先驱
，这将更进一步
，使汽车能够从头开始学习整个感知管道 。

虽然HINDSIGHT仍然认为人工神经网络已经经过训练，可以检测物体  ，并增强其创建记忆的能力，但为了谨慎
，假设车辆中的人工神经网络从未接触过任何物体或街道，通过对同一路线的多次遍历，它可以了解环境中哪些部分是静止的，哪些是移动的对象。慢慢地，它教会自己什么是其他交通参与者，什么是可以安全忽略的。

然后，该算法可以可靠地检测到这些对象
，即使是在不属于初始重复遍历的道路上。研究人员希望这些方法能够大幅降低自动驾驶汽车（目前仍严重依赖昂贵的人工标注数据）的开发成本
，并通过学习导航最常用的位置，提高此类车辆的效率 。

本文由升哲科技编译，转载请注明。