多伦多大学提升机器人系统推理能力 以改进自动驾驶汽车物体追踪能力

盖世汽车讯 据外媒报道，加拿大多伦多大学（University of Toronto）的一组工程研究人员正专注于提升自动驾驶汽车等机器人系统的推理能力，以增强此类系统在不断变化的环境中的可靠性和安全运行能力。

自动驾驶推理能力（图片来源：多伦多大学）

多目标物体跟踪是自动驾驶汽车领域中一个至关重要的问题，也是Steven Waslander教授领导的多伦多大学机器人与AI实验室（UTIAS）的研究重点。机器人系统追踪移动物体（包含其他车辆、行人和骑行者等）的位置和运动，从而在人口密集的地区规划行进路径。

追踪信息主要从计算机视觉传感器（2D摄像头图像和3D激光雷达扫描）中收集，并在每个时间戳处以每秒10次的频率进行过滤，以预测移动物体的未来运动。

UTIAS博士生Sandro Papais表示：“一旦处理完毕，机器人就能够对周围环境进行推理。例如，十字路口有人在过马路，或者前方骑行者正在变道。在每个时间戳处，机器人软件都会尝试将当前的探测结果与过去观察到的物体进行关联，然而其回溯能力仅限于有限时间范围内。”

在于日本横滨举办的2024年国际机器人与自动化大会（ICRA）上，Papais及合著者Robert Ren和Waslander发表了一篇新论文，介绍了滑动窗口追踪器（Sliding Window Tracker，SWTrack）。该款基于图像优化的方法采用额外的信息来避免错过目标物体，提高追踪方法的性能，尤其是在当前视角下物体被遮挡时。

Papais表示：“我目前的研究方向是通过改进机器人的记忆能力来拓展其推理能力。SWTrack可以扩大机器人在规划路径时考虑的过去时间范围，使其不再局限于仅仅关注一帧前所见的事情以及当前发生的事情，而是能够回顾过去五秒钟内所观察到的内容，并尝试对看到的所有不同事物进行推理。”

该研究团队采用nuScenes（一款用于自动驾驶汽车的公共大型数据集）在从现场车辆收集的数据集上测试、训练和验证了他们的算法。此类车辆已在世界各地城市的不同道路上行驶过，而且数据中包含了团队能够用来对SWTrack性能进行基准测试的人工注释信息。

研究人员发现，当将时间窗口延长至最大5秒时，追踪性能会得到改善。然而，在超过5秒后，算法的性能会因计算时间而减慢。

Papais表示：“在处理这些时间间隙时，大多数追踪算法都会面临困难。然而，在我们的案例中，我们能够证明可以延长追踪时间，并实现对周围动态物体更稳定的追踪效果。”

Waslander的实验室小组也在ICRA上发表了第二篇关于多目标物体追踪问题的论文，由Chang Won (John) Lee共同撰写。

该论文介绍了UncertaintyTrack，即一组针对2D跟踪-检测方法的扩展方法，旨在利用概率性目标检测来进行多目标物体追踪。

UTIAS学生指出：“概率性目标探测量化了目标物体探测的不确定性估计。关键问题是，对于安全关键任务，人们希望能够了解预测的探测结果可能导致哪些错误，例如由于低光照条件或物体被重度遮挡等原因。不确定性估计可以让我们知道模型何时存在疑问，即，何时很可能出现预测性错误的情况。但存在一个缺口，因为当前尚未将概率性目标探测器应用于多目标物体追踪。在我的当前研究中，我们旨在开发一种基于深度学习的方法，用于探测悬浮在空中的环境中可能对机器人手臂构成潜在威胁的物体。”