新的数据集可帮助火车在冬季自动驾驶

 
尽管在公共道路上最先进的无人驾驶汽车可以像冠军一样处理恶劣的天气和暴风雨，但某些类型的降雨仍然对他们构成挑战，例如下雪。那是因为积雪覆盖了对这些汽车的自我意识至关重要的摄像机，并诱使传感器感知到那里不存在的障碍物，并且因为积雪遮盖了通常用作导航地标的路标和其他建筑物。
为了刺激能够在寒冷天气下驾驶的汽车的发展，初创公司Scale AI本周开放了加拿大逆向驾驶条件(CADC)的源代码，该数据集包含56,000张图像，包括在滑铁卢大学制造的雪等条件下和多伦多大学。迄今为止，虽然已经发布了一些带有下雪传感器样本的语料库，包括林雪平大学的汽车多传感器数据集(AMUSE)和Mapillary Vistas数据集，但Scale AI声称CADC是第一个专门关注汽车中“真实世界”驾驶的人下雪的天气。
“很难开车进入雪地-许多驾驶员都知道。但是，由于下雪会影响关键的硬件和为其提供动力的AI算法，因此对于自动驾驶汽车而言，寒冷的条件尤其困难，” Scale AI首席执行官Alexandr Wang写道。 “熟练的驾驶员可以在任何天气下都走同一条路，但是如今的视听模型无法以相同的方式推广他们的体验。为此，他们需要更多的数据。”
AI Scale表示，CADC中捕获的路线是根据交通水平和障碍物(例如汽车，行人，卡车，公共汽车，车轮上的垃圾箱，交通引导物体，自行车，马和手推车以及动物)选择的，最重要的是降雪。多伦多滑铁卢大学与AI实验室(TRAIL)和滑铁卢大学的滑铁卢智能系统工程实验室(WISE Lab)共同创建了自动驾驶平台Autonomoose，工程师团队驾驶装有套件的林肯MKZ Hybrid沿滑铁卢道路20公里(12.4英里)行驶的激光雷达，惯性传感器，GPS和视觉传感器(包括8个广角摄像头)。
Scale AI利用其数据注释平台-将人工工作和审查与智能工具，统计置信度检查和机器学习检查相结合-来标记每个生成的相机图像，7,000个激光雷达扫描和75个50-100帧的场景。它声称，相对于七个不同的注释质量区域，该准确性“远远高于”人类或合成标记技术可以独立达到的准确性。
滑铁卢大学教授Krzysztof Czarnecki希望该数据集能够使更广泛的研究领域与包括Alphabet的Waymo，Argo和Yandex在内的冬季条件下测试自动驾驶汽车的公司处于平等地位。尽管Argo和Waymo均已发布了开源驾驶数据集，但它们都没有包含CADC中积雪的传感器读数。
Czarnecki说：“我们希望让研究界参与，以产生新想法并实现创新。” “这是解决真正棘手的问题的方法，这些问题太大了，任何人都无法自己解决。”