新算法帮助自动驾驶汽车找到自己，夏天还是冬天

没有GPS，自主系统很容易丢失。现在，加州理工学院开发的一种新算法允许自主系统通过观察周围的地形来识别自己的位置，这项技术首次在不考虑地形季节变化的情况下工作。

一般过程称为可视地形相对导航（VTRN），最早是在20世纪60年代开发的。通过比较附近的地形和高分辨率卫星图像，自主系统可以定位自己。

问题是，为了使它工作，当前一代的VTRN要求它所观察的地形与其数据库中的图像非常匹配。任何改变或遮蔽地形的东西，如积雪或落叶，都会导致图像不匹配，并污染系统。所以，除非在任何可能的情况下都有一个景观图像数据库，否则VTRN系统很容易混淆。

为了克服这一挑战，加州理工学院（Caltech）为美国宇航局管理的喷气推进实验室（JPL）的航空航天与控制与动力系统布伦教授、研究科学家Soon Jo Chung实验室的一个团队转向深度学习和人工智能（AI），以消除阻碍当前VTRN系统的季节性内容。

“经验法则是，卫星图像和自动驾驶车辆图像必须具有相同的内容，才能使当前的技术发挥作用。他们所能处理的不同之处在于，Instagram过滤器可以改变图像的色调18） ，讲师兼科学家，科学机器人论文的主要作者然而，在实际系统中，由于图像不再包含相同的对象，无法直接进行比较，因此情况会随着季节而发生巨大变化。”

这一过程是由钟和弗拉戈索与研究生康纳李合作开发的（BS'17，而大多数的计算机视觉策略都依赖于人类注释者，这些注释者仔细地管理着大量的数据集来教算法如何识别它所看到的东西，而这个算法却让算法自己来教自己。人工智能通过挑出人类可能忽略的细节和特征来寻找图像中的模式。

用新系统补充当前一代的VTRN可以获得更精确的定位：在一个实验中，研究人员尝试使用基于相关的VTRN技术对夏季树叶图像和冬季树叶图像进行定位。他们发现性能并不比投币好多少，50%的尝试都会导致导航失败。相比之下，在VTRN中插入新算法的效果要好得多：92%的尝试是正确匹配的，剩下的8%可以提前确定为有问题的，然后使用其他已建立的导航技术轻松地进行管理。

“电脑可以找到我们眼睛看不见的模糊模式，甚至可以捕捉到最小的趋势，”李说。他说：“VTRN在普通但具有挑战性的环境中面临着变成不可行技术的危险。”为了解决这个问题，我们挽救了几十年的工作。”

除了用于地球上的无人驾驶飞机之外，该系统还可用于太空任务。例如，喷气推进实验室（JPL）火星探测器任务中的进入、下降和着陆（EDL）系统首次在这颗红色行星上使用VTRN降落在杰泽罗陨石坑（Jezero Crater），这个地点以前被认为太危险，无法安全进入。对于“毅力”等火星车，“一定程度的自主驾驶是必要的，”钟说，“因为地球和火星之间的传输需要7分钟，而且火星上没有GPS。”研究小组考虑了火星极地地区也有强烈的季节变化，条件类似于地球，新系统可以改进导航，支持科学目标，包括寻找水源。

接下来，Fragoso、Lee和Chung将扩展该技术，以考虑天气的变化：雾、雨、雪等。如果成功，他们的工作将有助于改善无人驾驶汽车的导航系统。