麻省理工学院研究人员_麻省理工学院研究人员开发系统帮助自动驾驶汽车“看清”周围角落

根据盖世太保的报道，为了提高自动驾驶系统的安全性，麻省理工大学的工程师们开发了感知地面影子的微小变化，判断移动物体是否通过角落的系统。 将来，自动驾驶员有望利用该系统快速避开拐角处的其他车辆、行人以及周围停放的车辆，避免发生碰撞。

(照片来源:麻省理工学院)

研究人员在论文中叙述了自动驾驶车在停车场成功的实验。 如果检测到车辆靠近并停车，则该基于车辆的系统比只能检测到常规可见物体的激光雷达快半秒。 目前，该系统只在室内环境中进行了测试。 机器人在室内的速度一直很慢，照明条件也一致，系统容易感知影子进行分析。

扩展ShadowCam

研究人员建立了一个名为ShadowCam (阴影摄影机)的系统，利用计算机视觉技术检测和分类地面阴影的变化。 迄今为止，麻省理工大学教授William Freeman和Antonio Torralba共同开发了该系统的旧版本。

ShadowCam使用摄影机的视频帧序列将特定区域(例如角落前面的地面)定位到目标位置。 该系统可以从多个图像中检测光强度的时间变化。 这些变化可能表明物体是远离还是靠近。 一些变化可能难以用肉眼检测，但可由对象和环境的各种属性决定。 ShadowCam对这些信息进行计算，将图像分类，设为包含静止物体的图像、或者包含动态移动物体的图像。 对于视频，系统会作出相应的响应。

将ShadowCam应用于自动驾驶车需要一些进展。 例如，在以前的版本中利用增强现实标签AprilTags，像简化的二维码那样排列区域。 机器人扫描AprilTags，检测并计算相对于标签的正确的3D位置和方向。 ShadowCam使用标记作为环境特性，并将可能包含阴影的特定像素块作为目标。 但是，利用AprilTags修改现实环境是不现实的。

研究人员开发了一种新的方法，将图像配准与新的视觉测量技术相结合。 图像配准通常用于计算机视觉化，实质上标记多个图像以显示图像的变化。

视觉测量技术通过分析图像序列中的姿势和几何图形，实时估计相机的运动。 研究人员特别采用直接稀疏测度法( DSO )，可以在AprilTags这样的环境下计算特征点。 基本上，DSO在三维点云上绘制环境属性，而计算机视觉管道仅选择感兴趣区域中的属性，如角落附近的地板。 (事先手动填写关注领域。 中所述情节，对概念设计中的量体体积进行分析

ShadowCam为了取得关注区域的输入图像序列，使用DSO图像对准方法，标记机器人同一视点的所有图像。 即使机器人移动，也可以瞄准阴影的像素点，有助于检测图像之间的微小偏移。

其次是信号放大。 包含阴影的像素颜色越深，信噪比就越低。 这有助于检测阴影变化非常微弱的信号。 强调信号的部分取决于与附近其他阴影的偏离程度，当达到某个阈值时，ShadowCam将该图像分类为动画。 根据信号强度的不同，有时会通知机器人减速或停止。 研究人员说:“检测到这个信号后要小心。 也许是拐角后面出来的人影，还是停车的影子，自动驾驶车减速或完全停车。”

无标签测试

在某些测试中，研究人员使用基于AprilTags和DSO的新方法，评价了该系统对移动或静止物体的分类性能。 这两种方法的分类精度均达到70%，表明不需要AprilTags。

在另一个测试中，在停车场的自动驾驶车上设置ShadowCam，关闭前灯，模拟夜间驾驶条件，比较激光雷达和车辆检测时间。 在某个场景中，阴影凸轮检测出来自柱子后面的车辆速度比激光雷达快约0.72秒。 另外，研究人员特别根据车库的照明条件，将阴影cam的分类精度调整到86%左右。

其次，研究人员进一步开发了该系统，使其能够在不同的室内和室外照明条件下工作。 将来可能有一种加速系统中的阴影检测速度以实现目标区域标记过程的自动化的方法。