如果无人驾驶汽车想要安全地在交通中行驶，它们需要“了解”周围的事物。

他们可以通过练习现有的交通状况的图像来学习这一点。Panagiotis Meletis将各种交通图像集合在一起，以增强TU/e自动驾驶汽车的感知能力。

那个戴着帽子的年轻人是在等人呢，还是打算过马路?一个球滚到街上，会不会有孩子跑来追它?那辆蓝色的小丰田是要平行停车，还是要开走?当你在城市里开车时，你需要经常评估这些情况，这就需要从开车的人那里获得一些严肃的交通洞察力。因此，自动驾驶汽车面临的主要挑战之一，是根据它“看到”周围的东西得出正确的结论，这样它就能够预测意外情况——这是安全参与交通的先决条件。

希腊研究人员Panagiotis Meletis解释说，要更深入地了解交通状况，第一步是正确地确定自动驾驶汽车从摄像头接收到的图像中的各种物体。在专门从事图像识别的视频编码与架构组，他参与了移动感知系统实验室的一个项目:一辆自动驾驶汽车定期前往TU/e校园进行测试驾驶。“它需要能够判断它看到的是红绿灯还是树、行人、自行车还是车辆。”在更详细的层面上，它还需要能够识别车轮或四肢，因为它们能指示运动方向和道路使用者的意图。

灰色的躯干

你可以教人工神经网络(人工智能，或AI)分析交通场景，通过给它提供大量的交通情况的图像，其中所有相关元素都被标记。然后，你可以通过给人工智能输入新的、未标记的图像来衡量它的理解水平。如下图所示。在下图中，颜色向我们展示了人工智能是如何解读图像的:汽车是蓝色的，自行车是暗红色的，人的手臂是橙色的，躯干是灰色的。

理想的图像处理显示对象(白色轮廓)和语义信息(颜色)。信贷:Panagiotis Meletis

当Meletis开始他的博士研究时，只有少数公开可用的图像数据集描述交通场景，他说。现在有几十个，每个都有自己的重点。想想那些包含交通灯、自行车手、行人等的图像。”但问题是，每个数据集都被标记为不同的系统。

Meletis的贡献在于，他成功地将这些标签在更高的所谓语义层面上连接起来。“给你一个概念:汽车、公共汽车和卡车都属于‘车辆’范畴。自行车手、摩托车手和司机都是“司机”的具体例子。在这些定义的帮助下，我能够用所有可用的数据集同时训练我们的人工智能。这立刻产生了更好的效果。”

大雨

他的方法的威力在2018年计算机视觉和模式识别大会组织的一个研讨会上得到了证明。“这是一个有一万多人参加的大型年度会议，包括所有主要的科技公司。那年的一项比赛是关于“强健视觉”(robust vision)的，需要对有视觉危害的交通图像进行分析，比如大雨或过度暴露在阳光下。我们的系统在包含许多此类降级图像的数据集上表现得比其他所有参与者都好。”

在过去的一年里，Meletis作为博士后继续在这个项目上工作，同时他在审查他的论文，这是他的小组的常见做法。“在此期间，我们成功地编译了两个新的数据集，用于整体场景理解。”在疫情爆发之前，Meletis是TU/e沟通团队的一员，该团队在他的祖国希腊招募学生和博士候选人。“我对埃因霍温的大学和氛围非常感兴趣，我想把这一点传达给我的同胞，他们可能不会因为对未知的恐惧而迈出去埃因霍温的一步。”

和未来?“我在找一份能将最新科学见解付诸实践的工作，这份工作要介于学术界和工业界之间。由于疫情，最好是在荷兰或欧洲其他地方。我也可能在时机合适的时候搬到美国。”

点击分享到