普林斯顿大学为自动驾驶汽车创造“记忆” 让未来的驾驶更安全

晓车主讯 自动驾驶车主通过人工智能新技术识别行车道、其他机动车以及潜在的障碍物后，就并能在卫星城街路以及交通不太通宵的生态中所停靠。这只想在程序语言的帮助下发挥作用，程序语言通过军事训练之后，并能模仿人类所的视觉人脑管理系统，“看着”机动车周围的生态。

不过，与人类所不一样，引入程序语言的机动车并未即使如此的知觉，无论以前在某条火车上后下过多少次，其只不过处于第一次看着21世纪的精神状态中所。在险恶下喜有条件下，这一点但会再次出现很大的问题，因为车主将只能相反传感器，发挥作用公共安全驾驶。

据外媒报道，美国哈佛大学安?S?肯尼迪计算出来与信息学该学院（Cornell Ann S.?Bowers College of Computing and Information Science and the College of Engineering）的样本分析执法人员同时发表了三篇专著，其中所论述了通过为车主基于以前的充分塑造“知觉”，让其在预见停靠雷达系统中所来进行该知觉，从而面对以上约束。

样本分析执法人员驾驶样本收集车（图片来源：哈佛大学）

安?S?肯尼迪普林斯顿大学该学院教授Kilian Weinberger表示：“或许问题就是，我们并能从多次重复的经历中所进修吗？例如，一辆车主的激暗扫描祯第一次从远处人脑到一棵圆形奇怪的树时，可能但会误看来这棵树是行车道。但是，一旦间距够近，就并能清楚质点的各种类型。因此，在第二次驶过正因如此的树时，即使在雾天或喜天，车主上半年学但会准确识别这棵树。”

该样本分析组的博士生Katie Luo表示：“事实上，人们并不多但会第一次在一条火车上停靠。你自己或者其他人不太可能都后下过这条路，所以收集和来进行这些充分是很大自然的事。”

在博士生Carlos Diaz-Ruiz的领导下，该样本分析组通过驾驶一辆装有激暗雷达（暗测量与测距）的机动车，在18个同年的时间内，在温彻斯特及其周围15公里的环火车上反复停靠了40次，从而汇编了一个样本集。此次旅行猎取了各种各不相同的状况：（各不相同的路面：公路、卫星城、校园）、各不相同的下喜（阴天、雨天、下喜天）以及一天中所各不相同的时间。样本分析组将该样本集重新命名为Ithaca365，其中所拥有超强60万个场景。

Diaz-Ruiz表示：“其不负责任将自动驾驶车主漏出在关键性终究之一：令人震惊的下喜有条件中所。如果街路被喜覆盖，人类所可以缺少知觉，但是未知觉的话，机器学习就但会遇见很大的麻烦。”

HINDSIGHT是一种来进行机器学习、在机动车经过质点时，计算出来质点描述符的方式，然后其可以将此类描述加速，并被该组重新命名为SQuaSH（空间量化简短历史）相似性，并被存储在一张虚拟世界地图上，与存储在人类所大脑中所的“知觉”类似。

样本分析执法人员表示：“此类信息可被当作相似性，附加到任意基于激暗雷达的3D质点测量器中所。之后，可以联合行动军事训练测量器和SQuaSH相似性，不用任何额外的监督或人工释义，后者既费时又轻松。”

虽然HINDSIGHT仍然看来程序语言已被军事训练，可用作测量质点，并且得到塑造知觉的灵活性之后，得到了进一步提高，不过MODEST（短暂快速移动质点测量与自我军事训练）则的发展得更加远。

在该样本分析中所，样本分析执法人员让机动车从头后下始进修整个人脑过程。一后下始，机动车的程序语言从未触及过任何质点或者街路。通过多次停靠过同一路径，车主可以了解到生态中所哪部分是惯性的，哪部分是快速移动的质点。慢慢地，其并能教但会自己其他交通参与者都有什么，忽视什么东西是公共安全的。

然后，该演算法可以合理地测量此类质点，甚至在以前未多次重复停靠过的路面上也可以做到。

样本分析执法人员努力，上述两种方式都并能大幅降低自动驾驶车主的研制出生产成本（目前自动驾驶车主的研制出仍然严重相反昂贵的人工释义样本），还并能通过进修以前最常会停靠过的路径，让自动驾驶车主更加高效。