车东西(公众号:chedongxi)
文 | 六毛

据国外媒体techspot报道,MIT麻省理工学院)的工程师们研发了一个新的系统,该系统有望帮助自动驾驶汽车在拐角处避免发生意外的碰撞事故。

新系统基于ShadowCam系统打造,使用图像配准和视觉测距技术,可有效地分析地面阴影的变化从而确定拐角处是否有正在移动的物体。

目前这个系统还并不完善,应用范围非常局限,不过研究人员表示有望于几年内取得新的进展。丰田研究所(Toyota Research Institute)资助了该系统的研发。

一、MIT新系统能感知阴影变化 未来可用于自动驾驶汽车和其他自主系统

据国外媒体techspot消息,为提升自主系统(autonomous systems)安全性,MIT(麻省理工学院)的工程师已研发出一款新的系统,新系统能够感知地面阴影上的微小变化,以此为依据来确定拐角的地方是否有移动物体正在靠近。

未来,自动驾驶汽车有望通过这个系统快速地规避从拐角处或者车辆之间突然出现的行人、汽车,以此避免碰撞事故的发生。同时,在医院走廊上移动、运送药物和物品供给的机器人也有机会使用到这个系统。

MIT为无人车研发出新型感知系统 可判断拐角车辆 比激光雷达还快

▲MIT发布新闻

MIT的研究人员在一篇论文中描述了成功进行的测试实验,实验设计安排了一辆自动驾驶汽车在停车场周围行驶和一辆自动驾驶轮椅在走廊上面移动。实验中,在对正在接近的汽车进行感知和停车规避方面,新系统在识别速度上击败了传统的激光雷达(只能检测到可见物体),它的速度比激光雷达要快半秒多。

研究人员表示,半秒多看起来似乎是段很短的时间,但是当它对应于快速移动的自动驾驶汽车时,就变得很重要了。

“在将机器人应用在有移动物体的环境中时,我们的方法能够向机器人发出预警,提醒机器人拐角处正有人靠近,汽车由此可以减速、变道、提前准备来避免发生碰撞事故。”论文作者之一、计算机科学与人工智能实验室(CSAIL)主管Daniela Rus和电子工程与计算机科学教授Andrew、Erna Viterbi补充说道。

在他们看来,最大的梦想是为在街道上快速行驶的各类车辆提供基于“X射线”的眼睛。

据techspot报道,当前这个系统仅在室内环境下进行过测试,目前可应用范围十分有限。

室内环境下机器人的速度会更慢,与此同时室内的照明条件也会更加统一,这些情况对于系统而言,检测和分析阴影都会变得更容易。

据了解,该自主系统研发项目得到了丰田研究所(Toyota Research Institute)的资助。

二、新系统基于ShadowCam系统打造 采用图像配准和视觉测距技术

研究人员在被称作“ShadowCam”的系统的基础上,推出了这项新的技术。据了解,ShadowCam系统的早期版本由MIT教授William Freeman和Antonio Torralba合作开发,它将计算机视觉技术用于检测、分类地面阴影的变化。

信息输入环节,ShadowCam利用了一系列由摄像头采集的视频帧,这些采集数据用摄像头可专门记录、拍摄诸如拐角处等某一特定区域的情况。

不同时间下光照强度也有所不同,ShadowCam利用这一情况来对采集到的每一帧图像进行检测,从而确定那些正在移动或者靠近的物体。图像上阴影的某些变化依靠肉眼或许很难看到、检测到,不过可以由物体及环境的各类属性信息来进行确定。

ShadowCam计算这些信息,并将收集到的图像分成不同的类别,包括静止的或者动态的、运动的物体。系统如果接收到了动态图像,它就会做出相应的反应。

ShadowCam系统应用于自动驾驶汽车前,还需要做一些改进。例如,早期版本的ShadowCam系统会依赖于使用被称作“AprilTags”的增强现实标签来标定某个区域,AprilTags相当于是简化版本的QR(Quick Response)码。但是,使用AprilTags修改真实世界的情况是不切实际的。

对此,MIT的研究人员开发了一种结合图像配准和新的视觉测距技术的方法。图像配准通常被用于计算机视觉开发领域,其本质上是通过覆盖多层图像来揭示图像上的变化。例如,医学图像配准可以通过让医学扫描图片重合来比较、分析对象在解剖结构上的差异。

Mars Rovers(火星漫游者)使用的视觉测距法,是通过分析一系列图像及其几何特征来实时评估摄像头的运动状况。研究人员专门采用了“直接稀疏测距法”(Direct Sparse Odometry,即DSO),这种方法能够计算环境中的特征点位。本质上,DSO可在3D点云上绘制出环境特征,然后由计算机视觉管道选择位于兴奋区(例如靠近角落的地板)中的要素(感兴趣的区域由人工提前进行标注了)。

MIT为无人车研发出新型感知系统 可判断拐角车辆 比激光雷达还快

▲Mars Exploration Rovers(图源:NASA

ShadowCam会将从兴奋区域获取到的图像信息输入到图像序列,进而使用DSO-图像配准方法来覆盖机器人相同视点上的所有图像。即便是机器人正在移动,ShadowCam系统也能够确定完全相同的像素块,这些像素块上的阴影被定位,以此来帮助检测图像之间发生的细微差别。

此外在系统采用的信号技术方面,可能包含有阴影的像素在颜色上被增强。这使得来自阴影变化的极其微弱的信号能够更容易地被检测到,如果增强后的信号达到某个阈值,ShadowCam系统就会将图像分类到“动态”部分。根据该信号的强度,该系统可能提醒告诉机器人减速或者停止运动。

Naser表示,“一旦检测到该信号,你就可以更加注意安全。因此这可能是某个从拐角处、车辆间跑出来的人的影子,所以自动驾驶汽车检测到这种情况时它会减速或者完全把车停下。”

根据来自MIT官方的消息,研究人员曾对使用了AprilTags方法和新的基于DSO的方法的系统性能进行了评估,在这项测试中一辆自动驾驶轮椅被安排驶向走廊的各个角落。结果显示,两个方法都提供了相同的70%的分类准确率,这表明AprilTags不再是必须的了。

而在一项单独进行的测试中,研究人员首先给在停车场的自动驾驶汽车安装上了ShadowCam系统,同时这辆汽车的前大灯被关闭以此来模仿夜间行驶环境。

结果显示,ShadowCam检测到正在绕立柱行驶的汽车的速度比激光雷达快了0.72秒,除此之外,由于研究人员已基于停车场的照明条件对ShadowCam做了校准,所以该系统的分类精度达到了86%左右。

MIT的研究人员计划进一步开发这个系统,从而能够让该系统可以在不同的室内和室外照明条件下工作。

结语:自动驾驶技术在不断发展

感知环境和目标识别是自动驾驶技术研发非常重要的一个环节,如何识别拐角处的物体则是其中的一个难点。此前有媒体报道称,来自斯坦福大学的团队曾研发出基于超快速激光脉冲的自动驾驶系统,可用于识别拐角处的物体。整体来看,未来可能还会有不同的识别技术上线,自动驾驶技术处在不断探索和发展的过程当中。