优步开发了预测行人行为的技术同时发布了关于去年事故的新文件

　　多年来，自驾驶车辆可以逐渐成为一种流行的交通工具。然而，在这可能发生之前，研究人员将需要开发确保这些车辆安全的工具，并且能够在人口密集的环境中有效地导航。
　　由于自动驾驶汽车最终被设计成在静态和移动障碍物周围移动，它们应该能够快速地检测物体并避免它们。实现这一点的一种方法可以是开发能够预测街道上物体或人的未来行为的模型，以便估计车辆接近它们时它们将位于何处。
　　然而，预测城市环境的未来变化可能是极具挑战性的。当预测人类行为，例如行人的运动或意外动作时，尤其困难。
　　去年，Uber的自驾汽车之一是亚利桑那州一名49岁的妇女伊莲赫兹伯格（ElaineHerzberg）。这次事故与数十人一起引发了很多关于自驾车辆安全的辩论，以及这些车辆是否应该在人口稠密的环境中进行测试。
　　大约一周前，美国国家交通安全委员会（NTSB）发布的新文件显示，在去年的致命撞车事故中，优步的自动驾驶汽车直到为时已晚才认定赫茨伯格为行人。同样的报告表明，参与撞车事故的自动驾驶汽车从未接受过在人行横道以外的任何地方探测行人的训练。
　　Herzberg在事故发生时是Jaywalk，因此NTSB报告所揭示的软件缺陷将解释为什么Uber的自驾驶车辆未能发现她，这最终导致了她的死亡。NTSB发布的新分析可能会阻止公司自驾驶车辆计划，该计划于2018年12月被搁置数月后再次开始测试。
　　这些新发现突出了需要开发更先进的人工智能和更可靠的软件，然后才能在实际道路上测试自驾驶车辆。有趣的是，在NTSB发布这些文件之前的一些日子里，在Uber的高级技术小组、多伦多大学和加州大学伯克利分校（UCBerkeley）的研究人员发表了一篇论文，该论文发表在ARXIV上，引入了一种新的技术来预测称为离散残余流网络（DRFNet）的行人行为。根据研究人员，这种神经网络可以预测未来的行人行为，同时捕捉预测长距离运动的固有不确定性。
　　我们的学习网络通过预测和更新和离散在空间位置上的分布来有效地捕捉未来人类运动的多模态后验，研究人员在他们的论文中写道。
　　研究人员通过表示空间的分类分布，表达了行人未来地位的信念。然后，他们使用这些分布来规划和优化用于自驾驶车辆的路径，这些路径考虑了行人的期望位置。
　　首先，在其论文中引入的DTFNet网络光栅化了道路地图的图像，这意味着它将其转换为由离散像素组成的图像。因此，行人的行为被编码成鸟眼观察光栅化图像，其与详细的语义图对准。
　　随后，网络从栅格化图像中提取特别有用的特征，用于预测行人的行为。最后，研究人员根据这些特征训练了他们的模型来预测行人在道路上的未来行为。
　　他们使用以前编写的大规模数据集训练和评价了它们的神经网络，这些数据集包含了在北美几个城市中收集的带有对象注释和在线检测的轨道的真实世界记录。这些记录包括在360度、120米范围内使用车载激光雷达传感器手动注释的行人轨迹。
　　在研究人员进行的评价中，DTFNET技术进行得很好，超过了其他几种预测行人行为的基线方法。因此，该方法可能有助于提高Uber自驾驶车辆的性能，允许他们预测行人的移动并相应地规划其路径。
　　DRFNet的离散预测的强大性能对于基于成本的和受约束的机器人规划是非常有希望的，研究人员写道。
　　有趣的是，由DTFNet网络处理和预测的行人行为在最近的一篇文章中突出显示，其中包括待定Jaywalk、正在进行的Jaywalk和人行道穿越以及Crosswalk。这似乎有点讽刺，因为在其他事情中，NTSB发布的最新文件强调了Uber的自驾驶车辆在亚利桑那发生事故时检测Jaywalk行人的能力。
　　只有时间才会说明DRFNet网络或其他技术是否能够提高自驾驶车辆检测行人的能力。然而，目前，有一件事情似乎很清楚：在驾驶车辆可以安全地放置在道路上之前，人工智能的进步和检测行人的更好的技术是必要的。