麻省理工学院（MIT）正在研究一种新方法，通过模仿人类司机的驾驶方式，让自动驾驶汽车在不熟悉的区域行驶。
在蒙特利尔举行的2019机器人和自动化国际会议上，关于此项研究的论文显示，这种被称为“变分端到端和定位”的技术使用最基本的地图和摄像机来分析和一个新，也就是说，在程序里本来是没有编写这个新的详细数据信息。
自动驾驶汽车的发展表明，提升自动驾驶能力的任务是多么困难，并了人类和机器智能之间的巨大鸿沟——不仅在计算能力方面，而且在双方如何解决问题方面也是如此。
夸张一点来说，就像一个人可以从伦敦的特拉法加广场走到利物浦街站，而他只需注意沿途的酒吧就能完成任务。
人们通过一张简单的地图就有可能将其与他们周围所看到的事物联系起来。看似无关的数据也可以根据情况被忽略或综合到中。
而即使是在熟悉的区域，自动驾驶汽车也往往依赖非常复杂的传感器阵列来生成详细的地图和数据库，用于定位、绘制地图、目标金字旁的女孩名字检测、径规划和转向控制。
MIT研究小组表示，设计“变分端到端和定位”的目的是模仿人类方式，从人类司机那里学习，然后只用一个简单的地图和摄像机提供的信息来适应新的情况。
这个想法背后的依据，是机器能够对模糊的地图信息进行纠正，然后添加细节并确定车辆的，这样系统就可以更新它到预期目的地的线。
为了计算机，该研究小组让一名人类驾驶员操控一辆自动驾驶版本的丰田普锐斯，同时用几个摄像头和一个GPS收集郊区街道、道结构和障碍物的数据。
与更传统的依赖非常复杂的机器推理和数据库的方法不同，MIT的方法是从视觉线索中学习。这意味着当车辆进入一个新的区域时，除了一张基本的地图，它不需要任何其他详细的指导。
在计算机科学与人工智能实验室（CSAIL）的丹妮拉?鲁斯（Daniela Rus）领导下，MIT团队开发的这种端到端系统的不同之处在于，就像人类一样，它是专门为寻找目的地而设计的，而不是专注于沿着设计线走。
它利用的是从人类驾驶员那里学到的知识，然后运用统计方法来预测一个完整的概率分布，这使得车辆在特定时间点所有可能的转向命令都会被考虑到。
MIT表示，这一预测基于一种名为卷积神经网络（CNN）的机器学习模型，一种让车辆通过与人类司机培训期间收集的图像驾驶来学习的方法。
“一开始，在一个T型口，汽车可以有多种转向选择。”鲁斯解释说，“这个模型也从考虑所有这些方向开始，但是当它看到越来越多人类司机的数据时，它看到的是左转或右转，但是没有人直走。”
“变分端到端和定位”还允许汽车考虑其他可见的线索，如标志、道线和其他标记，以确定它所处的道类型并预测十字口状况，以及在特定情况下如何驾驶。
此外，它还可以分析街道模式，以帮助确定自己的。具体来说，当车辆“看”到的道与地图上的线高概率匹配时，表明系统对进行了正确定位。
“我们的目标是实现车辆在新下的自主。”鲁斯表示，“如果我们训练一辆自动驾驶汽车在城市中行驶，比如在剑桥的街道上，系统也应该能够在树林中顺利地行驶，即使这是一个它从未见过的。”