據(jù)麥姆斯咨詢介紹，激光雷達（LiDAR）是光探測和測距的縮寫，目前越來越普遍地應用于我們日常生活和工作之中，例如蘋果iPhone、iPad，以及服務機器人，它們利用激光測量距離，從而實現(xiàn)對周圍空間的精確測繪。此外，在衛(wèi)星上，激光雷達被用來測量海拔高度；在自動駕駛汽車中，激光雷達被用于繪制道路和探測障礙物等�，F(xiàn)在，麻省理工學院（MIT）的研究人員正在利用機器學習技術對激光雷達數(shù)據(jù)進行更好的實時處理。

眼前的問題：簡而言之，激光雷達功能強大，但數(shù)據(jù)處理速度慢。一款典型的激光雷達每秒可以產(chǎn)生數(shù)百萬個深度數(shù)據(jù)點，這很快就超出了汽車內置的數(shù)據(jù)處理能力，因此汽車上的系統(tǒng)將三維激光雷達數(shù)據(jù)壓縮為二維數(shù)據(jù)，在轉換過程中丟失了很多細節(jié)。

相比之下，麻省理工學院的研究人員正在使用端到端的機器學習框架，利用低分辨率的GPS地圖和原始的3D激光雷達數(shù)據(jù)。為了快速處理針對大量激光雷達數(shù)據(jù)進行深度學習的繁重計算負載，以實現(xiàn)實時自動駕駛，麻省理工學院的研究人員為深度學習模型設計了新的組件，從而更好地利用GPU。“我們已經(jīng)從算法和系統(tǒng)兩個角度優(yōu)化了解決方案，與現(xiàn)有的3D激光雷達方法相比，累計加速提高了大約9倍。”麻省理工學院博士生、該論文的共同主要作者Zhijian Liu在接受麻省理工學院Adam Conner Simons采訪時介紹說。

早期的測試數(shù)據(jù)顯示，麻省理工學院研發(fā)的系統(tǒng)減少了人類接管汽車的時間，并經(jīng)受住了主要的傳感器故障。這在很大程度上是由于系統(tǒng)的“賭注對沖”：它估計任何給定預測的確定性，然后相應地對每個預測進行加權。這有助于保護系統(tǒng)免受誤導性輸入，例如惡劣天氣期間“凌亂”的激光雷達數(shù)據(jù)。“通過根據(jù)模型的不確定性融合控制預測，該系統(tǒng)可以適應突發(fā)事件。”麻省理工學院電氣工程和計算機科學教授、該論文資深作者之一Daniela Rus說道。

研究人員希望他們的工作將有助于為未來的自動駕駛系統(tǒng)鋪平道路。這種系統(tǒng)需要更少的人工干預，才能提供令人滿意的結果。“我們利用了無地圖駕駛方法的優(yōu)點，并將其與端到端機器學習相結合，這樣我們就不需要程序員手動調整系統(tǒng)了。”該論文的另一位共同作者Alexander Amini介紹說。

下一步，研究人員正致力于通過天氣事件建模和道路上的其他車輛采集數(shù)據(jù)來擴展系統(tǒng)。