我们在驾驶时经常遇到这样的情况：空无一人的街道两旁停着一排汽车，并无任何危险迹象。但是停放的车辆后面有一条小街。这时，我们会减速，以免撞到从小街过来的人。正确地解释这一情形，并得出正确的结论需要大量的经验。相比之下，自动驾驶汽车有时表现得像初学者。计算机科学家Jurgen Gall教授解释说，“我们的目标是使自动驾驶汽车能预测危险情况，以便更快地做出反应。” Gall是波恩大学计算机视觉工作组的主席，该工作组与摄影测量研究所的同事，以及自动智能系统工作组合作，正在研究解决这一问题的方法。科学家们提出了实现这一目标的第一步。Gall 解释说，“我们已经优化了我们的算法，以补充和解释激光雷达数据，使汽车能够在早期阶段预测潜在的危险。” 激光雷达是安装在大多数自动驾驶汽车车顶的旋转激光。激光光束被周围环境反射，激光雷达系统测量光反射到传感器上的时间，并利用这段时间计算距离。Gall解释称，“该系统每转一圈，就能探测到车辆与周围12万个点之间的距离。” 但是，随着距离的增加，测量点之间的距离会变大，就如在气球上画一张脸，当充气时，眼距会越来越大。因此，即使是人类，也几乎不可能从一次激光雷达扫描（即一次旋转的距离测量）中获得对周围环境的准确认识。摄影测量研究所的Jens Behley博士解释说，“几年前，卡尔斯鲁厄大学（KIT）总共进行了43000次扫描，记录了大量的激光雷达数据。现在，我们已经从几十次扫描中提取了序列，并将其叠加在一起。”通过此种方式获得的数据还包含传感器在车辆驶出几十码时记录的点。简而言之，这些不仅显示了现在的状况，也表明了未来的情形。 计算机科学研究所在读博士Martin Garbade强调说，“这些叠加的点云包含了重要的信息，比如场景的几何形状，及其其中物体的空间尺寸，而进行一次扫描并不能获得这些信息。此外，我们还标记了每一个点，例如人行道、行人和骑摩托车的人等。”科学家为其软件输入一对数据：一次激光雷达扫描数据作为输入，包括所需语义信息的相关叠加数据作为输出。他们对数千对数据重复了这一过程。 Gall教授解释说，“在该训练阶段，算法学会了补全和解释单次扫描。这意味着它可以添加缺失的测量值，并解释扫描结果。”场景补全过程可以正确补全大约一半的缺失数据。而语义解释，即推断哪些物体隐藏在测量点后面，结果并不理想，计算机的最高准确率仅为18%。 然而，科学家们认为这一研究分支仍处于起步阶段。Gall强调，“到目前为止，只是缺少大量的数据集来训练相应的AI方法。我们的工作正在缩小差距。我认为，在未来几年，我们能将提高语义解释的准确率提高到50%。”这可能会对自动驾驶的性能产生巨大影响。好的驾驶员能预见危险的情况，并提前调整驾驶。据外媒报道，波恩大学（University of Bonn）研究人员开发了一种算法，能帮助自动驾驶汽车预测未知的危险。研究人员还将提供数据集，用于培训和测试其方法，将使今后开发和改进这类过程更加简单。 我们在驾驶时经常遇到这样的情况：空无一人的街道两旁停着一排汽车，并无任何危险迹象。但是停放的车辆后面有一条小街。这时，我们会减速，以免撞到从小街过来的人。正确地解释这一情形，并得出正确的结论需要大量的经验。相比之下，自动驾驶汽车有时表现得像初学者。计算机科学家Jurgen Gall教授解释说，“我们的目标是使自动驾驶汽车能预测危险情况，以便更快地做出反应。” Gall是波恩大学计算机视觉工作组的主席，该工作组与摄影测量研究所的同事，以及自动智能系统工作组合作，正在研究解决这一问题的方法。科学家们提出了实现这一目标的第一步。Gall 解释说，“我们已经优化了我们的算法，以补充和解释激光雷达数据，使汽车能够在早期阶段预测潜在的危险。” 激光雷达是安装在大多数自动驾驶汽车车顶的旋转激光。激光光束被周围环境反射，激光雷达系统测量光反射到传感器上的时间，并利用这段时间计算距离。Gall解释称，“该系统每转一圈，就能探测到车辆与周围12万个点之间的距离。” 但是，随着距离的增加，测量点之间的距离会变大，就如在气球上画一张脸，当充气时，眼距会越来越大。因此，即使是人类，也几乎不可能从一次激光雷达扫描（即一次旋转的距离测量）中获得对周围环境的准确认识。摄影测量研究所的Jens Behley博士解释说，“几年前，卡尔斯鲁厄大学（KIT）总共进行了43000次扫描，记录了大量的激光雷达数据。现在，我们已经从几十次扫描中提取了序列，并将其叠加在一起。”通过此种方式获得的数据还包含传感器在车辆驶出几十码时记录的点。简而言之，这些不仅显示了现在的状况，也表明了未来的情形。 计算机科学研究所在读博士Martin Garbade强调说，“这些叠加的点云包含了重要的信息，比如场景的几何形状，及其其中物体的空间尺寸，而进行一次扫描并不能获得这些信息。此外，我们还标记了每一个点，例如人行道、行人和骑摩托车的人等。”科学家为其软件输入一对数据：一次激光雷达扫描数据作为输入，包括所需语义信息的相关叠加数据作为输出。他们对数千对数据重复了这一过程。 Gall教授解释说，“在该训练阶段，算法学会了补全和解释单次扫描。这意味着它可以添加缺失的测量值，并解释扫描结果。”场景补全过程可以正确补全大约一半的缺失数据。而语义解释，即推断哪些物体隐藏在测量点后面，结果并不理想，计算机的最高准确率仅为18%。 然而，科学家们认为这一研究分支仍处于起步阶段。Gall强调，“到目前为止，只是缺少大量的数据集来训练相应的AI方法。我们的工作正在缩小差距。我认为，在未来几年，我们能将提高语义解释的准确率提高到50%。”这可能会对自动驾驶的性能产生巨大影响。
我们在驾驶时经常遇到这样的情况：空无一人的街道两旁停着一排汽车，并无任何危险迹象。但是停放的车辆后面有一条小街。这时，我们会减速，以免撞到从小街过来的人。正确地解释这一情形，并得出正确的结论需要大量的经验。相比之下，自动驾驶汽车有时表现得像初学者。计算机科学家Jurgen Gall教授解释说，“我们的目标是使自动驾驶汽车能预测危险情况，以便更快地做出反应。” Gall是波恩大学计算机视觉工作组的主席，该工作组与摄影测量研究所的同事，以及自动智能系统工作组合作，正在研究解决这一问题的方法。科学家们提出了实现这一目标的第一步。Gall 解释说，“我们已经优化了我们的算法，以补充和解释激光雷达数据，使汽车能够在早期阶段预测潜在的危险。” 激光雷达是安装在大多数自动驾驶汽车车顶的旋转激光。激光光束被周围环境反射，激光雷达系统测量光反射到传感器上的时间，并利用这段时间计算距离。Gall解释称，“该系统每转一圈，就能探测到车辆与周围12万个点之间的距离。” 但是，随着距离的增加，测量点之间的距离会变大，就如在气球上画一张脸，当充气时，眼距会越来越大。因此，即使是人类，也几乎不可能从一次激光雷达扫描（即一次旋转的距离测量）中获得对周围环境的准确认识。摄影测量研究所的Jens Behley博士解释说，“几年前，卡尔斯鲁厄大学（KIT）总共进行了43000次扫描，记录了大量的激光雷达数据。现在，我们已经从几十次扫描中提取了序列，并将其叠加在一起。”通过此种方式获得的数据还包含传感器在车辆驶出几十码时记录的点。简而言之，这些不仅显示了现在的状况，也表明了未来的情形。 计算机科学研究所在读博士Martin Garbade强调说，“这些叠加的点云包含了重要的信息，比如场景的几何形状，及其其中物体的空间尺寸，而进行一次扫描并不能获得这些信息。此外，我们还标记了每一个点，例如人行道、行人和骑摩托车的人等。”科学家为其软件输入一对数据：一次激光雷达扫描数据作为输入，包括所需语义信息的相关叠加数据作为输出。他们对数千对数据重复了这一过程。 Gall教授解释说，“在该训练阶段，算法学会了补全和解释单次扫描。这意味着它可以添加缺失的测量值，并解释扫描结果。”场景补全过程可以正确补全大约一半的缺失数据。而语义解释，即推断哪些物体隐藏在测量点后面，结果并不理想，计算机的最高准确率仅为18%。 然而，科学家们认为这一研究分支仍处于起步阶段。Gall强调，“到目前为止，只是缺少大量的数据集来训练相应的AI方法。我们的工作正在缩小差距。我认为，在未来几年，我们能将提高语义解释的准确率提高到50%。”这可能会对自动驾驶的性能产生巨大影响。