盖世汽车讯 位于自动驾驶汽车传感器内的编码器可以将道路上获取的运动和其他信息转换为电信号，然后将其作为反馈提供给运行汽车的软件，以便做出明智的决策。这个过程很像人类如何利用从五种感官传到大脑的反馈来学习和明智地行事。

但是，如果必须更换一个传感器，而新部件对信息的编码方式与深度神经网络（DNN）（经过训练以控制汽车的大脑）不同，该怎么办？

图片来源：弗吉尼亚大学

据外媒报道，弗吉尼亚大学（University of Virginia）工程与应用科学学院Copenhaver研究员Meriel von Stein表示，当更换的传感器是其他品牌或存在其他不匹配的情况时，就会存在安全隐患。为了解决这个问题，von Stein发明了一种名为PreFixer的增强编码器。

“DNN不再能可靠地从新的传感器硬件中推断信息，”von Stein说道。“这种情况可能发生在自动系统版本更新时，也可能发生在售后市场将一个传感器换成另一个传感器时。”相关研究论文已发表于期刊《IEEE Robotics and Automation Letters》。

LESS实验室接受挑战

Von Stein的导师是计算机科学教授Sebastian Elbaum，负责领导UVA工程学院的LESS实验室（Leading Engineering for Safe Hardware，安全硬件领先工程）。Von Stein也是该实验室的成员之一，并与客座副教授Hongning Wang和Elbaum合作撰写了关于PreFixer概念验证的论文。

该论文指出，自动驾驶系统需要大量传感数据来训练其组合深度神经网络。然而，常见的传感器硬件迁移对于准确的数据流来说是一个问题。“这需要开发定制的转换，以使新的传感器数据适应旧的训练网络，或者用新的传感器数据重新训练新的网络，”Von Stein表示。“但这些替代方案既昂贵又不切实际。”

该论文声称PreFixer是“第一种减轻ADS（自动驾驶系统）中传感器硬件迁移影响的技术，成功率高、实施成本低，对部署流程的干扰最小。”

虚拟道路测试

Von Stein及其同事在高保真驾驶模拟器上测试摄像头传感器迁移方法，重建了10条编码器从未见过的100米长的道路。与其他可用解决方案相比，她想看看汽车在使用新增强的传感器的情况下能保持其路线的程度以及它能安全行驶多远。

但她解释说，PreFixer增强编码器是模拟摄像头传感器的一部分，它为DNN增加了一个预处理步骤。“该编码器经过训练，可以优化传感器输入的重建以及该传感器输入的DNN预测。”

这两个部分共同充当解码器的解释器，为控制器提供信息。翻译过程中丢失的想法更少。从理论上讲，这可以使行进路线更直、更准确，并减少因DNN混乱而导致的停顿。

PreFixer的表现如何？

“我们测量了偏离道路中心线的情况，以及安装新传感器和编码器后汽车平均行驶了多少米，”von Stein说道。

该团队的结果表明，他们的方法与其他现成的补偿先前摄像头传感器损失的方法一样好甚至更好，而只需要10%的常规训练数据即可实现。

在某些情况下，训练DNN可能需要几天甚至几周的计算时间，但这次缩短了50%。von Stein表示，PreFixer可能被行业采用的下一步是快速原型系统，这些系统需要避免每次系统感知硬件发生变化时都要进行繁琐的数据收集过程。