麻省理工学院帮助自动驾驶汽车看清周围角落

据外媒报道，为了提高自动驾驶系统的安全性，麻省理工学院的工程师们开发了一种系统，可以感知地面阴影中的微小变化，从而确定是否有移动的物体从拐角处经过。未来，自动驾驶汽车有望使用该系统，快速避开拐角处的其他车辆或行人，以及周围停放的车辆，以免发生碰撞。

图片来源：麻省理工学院

研究人员在论文中描述了自动驾驶汽车在停车场成功行驶的实验。当探测到有车辆驶近并停车时，此种基于车辆的系统比传统只能探测到可见物体的激光雷达要快半秒。目前，该系统仅在室内环境下进行了测试。机器人在室内的速度要慢得多，照明条件也更一致，因此系统更容易感知和分析阴影。

扩展ShadowCam

研究人员构建了名为ShadowCam（阴影摄像头）的系统，使用计算机视觉技术，检测和分类地面阴影的变化。此前，麻省理工学院教授William Freeman和Antonio Torralba合作开发了该系统的较早版本。

ShadowCam使用摄像头的视频帧序列，瞄准特定的区域，例如角落前方的地面。该系统可以根据多幅图像，检测光线强度随时间的变化，这些变化可能表明有物体正远离或靠近。其中一些变化肉眼可能很难检测到，但是可以由对象和环境的各种属性来确定。ShadowCam计算这些信息，并将图像进行分类，分别为包含静止物体的图片，或包含动态的、移动的物体的图片。如果是动态图像，该系统就会做出相应的反应。

将ShadowCam应用到自动驾驶汽车上需要一些进展。例如，早期的版本利用增强现实标签AprilTags，类似于简化的二维码，将区域进行排列。机器人扫描AprilTags，检测并计算它们相对于标签的精确3D位置和方向。ShadowCam使用标签作为环境特征，瞄准可能包含阴影的特定像素块。但是利用AprilTags修改现实环境是不现实的。

研究人员开发了新方法，结合了图像配准和新的视觉测程技术。图像配准通常用于计算机视觉，本质上是对多个图像进行标注，以显示图像中的变化。

视觉测程技术通过分析图像序列中的姿态和几何图形，实时估计摄像头的运动。研究人员特别采用直接稀疏测程法（DSO），可以在类似AprilTags捕获的环境中计算特征点。本质上，DSO在3D点云上绘制环境特征，然后计算机视觉管道只选择位于兴趣区域的特征，例如角落附近的地板。（事先手动标注兴趣区域。）

由于ShadowCam获取兴趣区域的输入图像序列，因此使用的是DSO图像配准方法，标注机器人相同视点的所有图像。即使机器人移动时，也能够瞄准阴影处的像素点，帮助检测图像之间的细微偏差。

接下来是信号放大。可能包含阴影的像素颜色加深，会降低信噪比。这使得阴影变化的极其微弱的信号更容易被探测到。增强信号部分取决于它与附近其他阴影的偏离程度，如果达到某个阈值，ShadowCam会将该图像归类为动态图像。根据信号的强度，系统可能会告诉机器人减速或停止。研究人员表示，“如果检测到该信号，你就必须小心了。它可能是从角落后面跑出来的人的影子，或者是一辆停着的车的影子，所以自动驾驶汽车会减速或者完全停下来。”

无标签测试

在一项测试中，研究人员使用AprilTags和基于DSO的新方法评估了该系统对移动或静止的物体进行分类的性能。这两种方法的分类准确率都达到了70%，表明不再需要AprilTags。

在另一项测试中，研究人员在停车场中的一辆自动驾驶汽车上安装ShadowCam，关闭大灯，模拟夜间驾驶条件，并与激光雷达比较车辆检测时间。在一个示例场景中，ShadowCam检测到柱子后面驶来的车辆的速度比激光雷达大约快0.72秒。此外，由于研究人员特别根据车库照明条件，对ShadowCam进行调整，使其分类准确率达到86%左右。

下一步，研究人员将进一步开发该系统，以确保其可在不同的室内和室外照明条件下工作。未来，可能会有方法加速系统的阴影检测速度，实现目标区域标注过程的自动化。