加州理工团队研发新算法助力无人驾驶汽车克服环境限制，导航定位准确率达百分之九十二

无人驾驶机视觉定位无人机的视觉定位

近年来，无人驾驶汽车的安全性饱受诟病。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导航会很容易迷路。

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。

最近，加州理工学院开发了一种基于人工智能和深度学习的视觉导航系统的新算法，可以让无人驾驶汽车在迷路时获得关于自己的精确定位。值得一提的是，这项技术能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

关于研究过程的详细信息发表在《科学机器人》杂志上。

相关论文名为“视觉地形相对导航的季节性不变深度变换”，加州理工学院工程与应用科学系讲师兼研究员安东尼·弗拉戈索是第一作者。

本文中提到，虚拟地形相关导航(VTRN)是一种基于从机器人车辆获得的源图像和地理参考目标图像的配准的定位方法，也称为地理配准。

VTRN系统于20世纪60年代首次开发和使用。经过长期的技术革新，VTRN已经成为GPS受限环境下空定位导航的流行方法。

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。

VTRN系统这意味着，利用现有的地球和其他行星的高分辨率图像数据库，VTRN可以在没有外部定位信号的情况下，为空众合泰空机器人，包括无人驾驶汽车，提供精确、无漂移的导航。VTRN系统

VTRN系统VTRN系统

弗拉戈索介绍VTRN系统弗拉戈索VTRN系统简介

虽然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因素的影响，如光照、植被变化和积雪。

“来自卫星的图像和自动驾驶汽车的图像必须一致，这样无人驾驶技术才能发挥作用。但在实际系统中，事物会根据季节发生很大变化，导致图像存在差异，无法直接对比。”弗拉戈索在接受采访时说。

在弗拉戈索看来，VTRN系统原有的工程注册算法已经成熟，具有可证明的几何优势，但无法适应季节性影响带来的内容变化，与真实环境的匹配能力较差。任何改变或阻挡地形的东西都可能造成系统混乱。

在这种情况下，只有两种解决方案来避免VTRN系统由于视觉混乱而丢失:

一种是拥有一个庞大完整的图像数据库，让无人驾驶司机在任何情况下都可以利用它进行定位，这显然是不现实的。

因此，加州理工学院的研究人员选择了第二种方式，即通过深度学习和人工智能，总结出一种新的算法，可以帮助无人驾驶汽车克服季节变化的障碍。

弗拉戈索认为，虽然基于深度学习的方法可以适应图像内容的变化，但它会产生不确定的位置估计，这种估计要么是错误的，要么需要繁琐的人工标注。

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。

所以在这项工作中，他使用深度学习通过图像转换架构来解决问题，将季节性图像转换到稳定不变的域中，使传统算法无需修改即可使用。简单来说，就是人工智能通过梳理出人类可能遗漏的细节和特征来搜索图像的一种模式。

“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，并在极端季节变化下表现出优异的性能，同时易于训练和高度泛化。”弗拉戈索说。

这项研究证明，在新算法的帮助下，只要所提出的VTRN系统的架构相对稳定，经典的配准方法在机器人视觉导航中也可以有优异的性能，例如在具有挑战性和真实感的视觉导航任务中消除由地形引起的失配，以及一致地预测可靠的图像。

测试数据显示，无人驾驶汽车使用新算法可以获得更准确的定位，92%的尝试都实现了正确匹配。而且测试中的问题基本都可以提前识别出来，从而通过导航技术成功解决。

此外，VTRN系统在Tai 空的任务中也起着至关重要的作用。由于传统的惯性，导航中很难实现精确定位，探测器往往需要利用视觉地形相对导航来减小导航误差，以完成Tai 空的着陆任务。此外，VTRN系统还可用于搜索科学目标，包括Tai 空环境中的水。

考虑到视觉地形相对于导航系统的后续技术拓展，比如克服天气变化的影响，无人驾驶技术的安全性将大大提高，同时，这也将进一步推动智能驾驶时代的到来。(摘自深度科技)(编辑/费列曼)