近年來，無人駕駛汽車的安全性一直飽受詬病。尤其是在視覺方位的識別和判斷上，無人駕駛汽車和人類一樣，沒有 GPS 導航，很容易就會出現迷路的情況。

近日，加州理工學院（Caltech）基于人工智能和深度學習開發出一種關于視覺導航系統的全新算法，可以使無人駕駛汽車在迷路時獲得關于自身的精準定位。值得一提的是，該技術可在地形和季節變化的情況下發揮作用，這在同類測試實驗中尚屬首次。

圖 | 相關論文（來源：Science Robotics）

6 月 23 日，有關該研究過程的詳細信息發表在《科學機器人》（Science Robotics）雜志上。

相關論文以《一種季節性不變的深度變換用于視覺地形相對導航》（A seasonally invariant deep transform for visual terrain-relative navigation）為題，加州理工學院工程與應用科學部講師、研究員安東尼弗拉戈索（Anthony Fragoso）擔任第一作者。

該論文提到，視覺地形相對導航（Visual terrain related navigation，VTRN）是一種基于從機器人車輛獲取的源圖像與地理參考目標圖像配準的定位方法，也被稱為地理注冊。

VTRN 系統于 20 世紀 60 年代獲得首次開發使用，經過長達一甲子的技術革新，目前 VTRN 已經成為在 GPS 受限的環境下進行空中定位和導航的一種流行方法。

這意味著，憑借現有的地球和其他行星的高分辨率圖像數據庫，即使在沒有外部定位信號的情況下，VTRN 也能為空中和太空機器人提供準確、無漂移的導航，無人駕駛汽車也包括在內。

圖 | VTRN 系統（來源：Caltech）

盡管 VTRN 具有高精度的潛力，但它仍然非常容易受到常見和可預測的季節性因素影響，例如光照、植被變化和積雪覆蓋等。

" 來自衛星的圖像和自動駕駛汽車的圖像必須保持一致，這樣無人駕駛技術才能發揮作用。然而在實際系統中，事物會根據季節發生巨大變化，導致圖像產生差異從而無法直接比較。" 弗拉戈索在接受采訪時介紹道。

在弗拉戈索看來，VTRN 系統原有的工程配準算法比較成熟，具有可證明的幾何優勢，但它并不能適應季節性影響引起的內容變化，與現實環境的匹配能力較差，任何改變或遮擋地形的東西都有可能引起系統混淆。

圖 | 無人駕駛機視覺定位（來源：Caltech）

這種情況下，想要避免 VTRN 系統由于視覺混淆導致的迷路，只有兩種解決辦法：

一種是擁有一個龐大且完整的圖像數據庫，使無人駕駛在任何情況下都可借此定位，而這顯然不太現實。

因此，加州理工學院的研究員們選擇了第二種方式，即通過深度學習和人工智能，總結出一種能夠幫助無人駕駛汽車克服季節性變化阻礙的新算法。

弗拉戈索認為，基于深度學習的方法雖然可以適應圖像內容的變化，但會產生不確定的位置估計，這些估計要么是錯誤的，要么需要繁瑣的人工注釋。

于是在這項工作中，他通過圖像轉換架構針對性地使用深度學習來解決問題，該架構將季節性圖像轉換為穩定、不變的域，使傳統算法無需修改即可使用。簡單來說，就是一種人工智能通過梳理出人類可能遺漏的細節和特征來尋找圖像的模式。

" 我們的圖像變換保留了傳統方法的幾何結構和不確定性估計，并在極端季節性變化下展示了卓越的性能，同時還易于訓練和高度概括。" 弗拉戈索表示。

圖 | 弗拉戈索介紹 VTRN 系統（來源：Caltech）

這項研究證明了 VTRN 系統在新算法的幫助下，只要提出的架構相對穩定，經典配準方法在機器人視覺導航方面同樣可以擁有出色的表現，比如在具有挑戰性和逼真的視覺導航任務中消除地形帶來的不匹配現象，并且能夠始終如一地預測可靠的圖像。

測試數據顯示，無人駕駛汽車可以憑借新算法獲得更準確的定位，92% 的嘗試都實現了正確匹配。而且測試中出現的問題基本都可以被提前識別，從而依靠導航技術順利解決。

除此之外，VTRN 系統在太空任務中也發揮著至關重要的作用。由于傳統慣性，導航很難實現精確定位，探測器往往需要借助視覺地形相對導航來減小導航誤差，從而完成太空著陸任務。而且 VTRN 系統也可用于完成在太空環境下尋找包括水在內的科學目標。

考慮到視覺地形相對導航系統后續的技術擴展，如克服天氣變化的影響等，無人駕駛技術的安全性必將得到極大改善，同時，這將進一步推動智能駕駛時代的到來。