研究人員結(jié)合專業(yè)知識創(chuàng)建出RealMotion——一種新穎的訓(xùn)練系統(tǒng)，可將歷史和實時場景數(shù)據(jù)與背景和基于時間的信息無縫集成，為更高效、更可靠的自動駕駛汽車技術(shù)鋪平道路。相關(guān)研究論文發(fā)表在arXiv預(yù)印本服務(wù)器上。

　　薩里大學視覺、語音和信號處理中心及以人為本人工智能研究所高級講師、這項研究的合著者Xiatian Zhu博士表示：“無人駕駛汽車不再是一個未來的夢想。機器人出租車已經(jīng)在美國和中國的部分地區(qū)投入運營，自動駕駛汽車預(yù)計最早明年就會在英國的道路上行駛。然而，每個人心中真正的問題是：它們有多安全?雖然人工智能的運作方式與人類駕駛員不同，但仍有挑戰(zhàn)需要克服。這就是我們開發(fā)RealMotion的原因——不僅為算法配備實時數(shù)據(jù)，還使其能夠整合時空的歷史背景，從而做出更準確、更可靠的決策，實現(xiàn)更安全的自主導(dǎo)航?！?/p>

　　現(xiàn)有的運動預(yù)測方法通常獨立處理每個駕駛場景，忽略了連續(xù)駕駛場景中過去和現(xiàn)在環(huán)境的相互關(guān)聯(lián)性。這種限制阻礙了準確預(yù)測周圍車輛、行人和其他代理在不斷變化的環(huán)境中的行為的能力。

　　相比之下，RealMotion可以更清楚地了解不同的駕駛場景。整合過去和現(xiàn)在的數(shù)據(jù)可以增強對未來運動的預(yù)測，解決預(yù)測多個代理運動的固有復(fù)雜性。

　　使用自動駕駛研究領(lǐng)域的領(lǐng)先基準Argoverse數(shù)據(jù)集進行的大量實驗凸顯了RealMotion的準確性和性能。與其他AI模型相比，該框架在最終位移誤差(FDE)(即預(yù)測的最終目的地與真實的最終目的地之間的距離)方面實現(xiàn)了8.60%的改善。它還展示了計算延遲的顯著減少，使其非常適合實時應(yīng)用。

　　薩里以人為本的人工智能研究所所長Adrian Hilton教授表示：“隨著自動駕駛汽車即將在英國上路，確保人們的安全至關(guān)重要。朱Zhu博士及其團隊開發(fā)的RealMotion為現(xiàn)有方法提供了重大進展。通過讓自動駕駛汽車實時感知周圍環(huán)境，并利用歷史背景做出明智的決策，RealMotion為我們的道路更安全、更智能的導(dǎo)航鋪平了道路?！?/p>

　　雖然研究人員遇到了一些限制，但該團隊計劃繼續(xù)研究，以進一步提高RealMotion的能力并克服各項挑戰(zhàn)。該框架有可能在塑造下一代自動駕駛汽車方面發(fā)揮關(guān)鍵作用，確保未來導(dǎo)航系統(tǒng)更安全、更智能。