近年来，无人驾驶汽车的安全性一直饱受诟病。尤其是在视觉方位的识别和判断上，无人驾驶汽车和人类一样，没有GPS导航，很容易就会出现迷路的情况。
　　近日，加州理工学院基于人工智能和深度学习开发出一种关于视觉导航系统的全新算法，可以使无人驾驶汽车在迷路时获得关于自身的精准定位。值得一提的是，该技术可在地形和季节变化的情况下发挥作用，这在同类测试实验中尚属首次。

　　相关论文
　　有关该研究过程的详细信息发表在《科学·机器人》杂志上。
　　相关论文以《一种季节性不变的深度变换用于视觉地形相对导航》为题，加州理工学院工程与应用科学部讲师、研究员安东尼·弗拉戈索担任第一作者。
　　该论文提到，视觉地形相对导航（Visualterrain related navigation，VTRN）是一种基于从机器人车辆获取的源图像与地理参考目标图像配准的定位方法，也被称为地理注册。
　　VTRN系统于20世纪60年代获得首次开发使用，经过长达一甲子的技术革新，目前VTRN已经成为在GPS受限的环境下进行空中定位和导航的一种流行方法。
　　这意味着，凭借现有的地球和其他行星的高分辨率图像数据库，即使在没有外部定位信号的情况下，VTRN也能为空中和太空机器人提供准确、无漂移的导航，无人驾驶汽车也包括在内。

　　尽管VTRN具有高精度的潜力，但它仍然非常容易受到常见和可预测的季节性因素影响，例如光照、植被变化和积雪覆盖等。
　　“来自卫星的图像和自动驾驶汽车的图像必须保持一致，这样无人驾驶技术才能发挥作用。然而在实际系统中，事物会根据季节发生巨大变化，导致图像产生差异从而无法直接比较。”弗拉戈索在接受采访时介绍道。
　　在弗拉戈索看来，VTRN系统原有的工程配准算法比较成熟，具有可证明的几何优势，但它并不能适应季节性影响引起的内容变化，与现实环境的匹配能力较差，任何改变或遮挡地形的东西都有可能引起系统混淆。
　　这种情况下，想要避免VTRN系统由于视觉混淆导致的迷路，只有两种解决办法：
　　一種是拥有一个庞大且完整的图像数据库，使无人驾驶在任何情况下都可借此定位，而这显然不太现实。
　　因此，加州理工学院的研究员们选择了第二种方式，即通过深度学习和人工智能，总结出一种能够帮助无人驾驶汽车克服季节性变化阻碍的新算法。
　　弗拉戈索认为，基于深度学习的方法虽然可以适应图像内容的变化，但会产生不确定的位置估计，这些估计要么是错误的，要么需要繁琐的人工注释。
　　于是在这项工作中，他通过图像转换架构针对性地使用深度学习来解决问题，该架构将季节性图像转换为稳定、不变的域，使传统算法无需修改即可使用。简单来说，就是一种人工智能通过梳理出人类可能遗漏的细节和特征来寻找图像的模式。

　　“我们的图像变换保留了传统方法的几何结构和不确定性估计，并在极端季节性变化下展示了卓越的性能，同时还易于训练和高度概括。”弗拉戈索表示。
　　这项研究证明了VTRN系统在新算法的帮助下，只要提出的架构相对稳定，经典配准方法在机器人视觉导航方面同样可以拥有出色的表现，比如在具有挑战性和逼真的视觉导航任务中消除地形带来的不匹配现象，并且能够始终如一地预测可靠的图像。
　　测试数据显示，无人驾驶汽车可以凭借新算法获得更准确的定位，92%的尝试都实现了正确匹配。而且测试中出现的问题基本都可以被提前识别，从而依靠导航技术顺利解决。
　　除此之外，VTRN系统在太空任务中也发挥着至关重要的作用。由于传统惯性，导航很难实现精确定位，探测器往往需要借助视觉地形相对导航来减小导航误差，从而完成太空着陆任务。而且VTRN系统也可用于完成在太空环境下寻找包括水在内的科学目标。
　　考虑到视觉地形相对导航系统后续的技术扩展，如克服天气变化的影响等，无人驾驶技术的安全性必将得到极大改善，同时，这将进一步推动智能驾驶时代的到来。（摘自美《深科技》） （编辑/费勒萌）