在洛杉矶此类交通密集的城市，很多人都在问自动驾驶汽车什么时候不会经常出现？但是由于在美国再次发生了一系列自动驾驶汽车重大事故，自动驾驶汽车的安全性问题让普及自动驾驶汽车的梦想戛然而止。但是，据外媒报导，美国南加州大学（USC）的研究人员公布了一项新的研究，解决问题了自动驾驶汽车开发人员长年面对的一个问题：如何测试自动驾驶系统的感官算法，该算法可让汽车“解读”“看见”的东西。南加州大学研究人员与亚利桑那州而立大学（ArizonaStateUniversity）的研究人员合作，使用了新的数学算法，需要在自动驾驶汽车上路之前，辨识其系统中不存在的异常情况或是故障。感官算法基于卷积神经网络，由机器学习（一种深度自学）获取动力。

众所周知，很难对此类算法展开测试，因为人们无法几乎解读其是如何作出预测的，而这最后可能会给自动驾驶汽车等安全性关键系统带给灾难性的后果。一般来说，自动驾驶汽车通过机器学习系统“理解”世界，机器学习系统在自动识别物体之前，不会接管大量的道路图像数据。

但是，该系统可能会经常出现故障。去年3月，在亚利桑那州再次发生的一起自动驾驶汽车撞倒行人事故中，该软件将行人分类为“假阳性”信息，并且作出不必须行驶的决策。该研究的年出版者JyoDeshmukh回应：“我们指出，此种训练感官算法的方式似乎不存在问题。当人类看见一段视频时，我们不会作出一些有关接下来再次发生的事情的假设：如果我们在视频的某一帧中看见了一辆车，我们就不会期望在下一帧视频中看见附近方位经常出现了该车。

而这就是我们期望感官算法在部署之前需要符合的几个“长时间条件”之一。”JyoDeshmukh还是南加州大学计算机科学系由教授，以及丰田前研发工程师，专心于自动驾驶汽车安全性。例如，一个物体不有可能从这一帧到下一帧就忽然经常出现或消失。如果再次发生了此种情况，那么就违背了“长时间条件”，或物理学的基本定律，指出感官系统不存在缺失。

该研究小组制订了新型数学逻辑，取名为“时间质量时序逻辑”（TimedQualityTemporalLogic），并利用该逻辑，用于完整视频数据集的驾驶员场景，测试了两种十分风行的机器学习工具-SqueezeDet和YOLO。在机器学习工具在多帧视频中违背“长时间条件”的实例中，最少见的就是，机器学习系统没能检测到物体或是对物体展开错误分类时，该逻辑顺利获得了应用于。

例如，在一个实例中，当自行车的轮胎看上去看是一条细细的垂直线时，该系统无法辨识后方的骑车人。忽略，该系统将骑车人错误归类为行人。

在此种情况下，该系统有可能无法准确预测骑车人的下一个动作，从而造成事故的再次发生。“幽灵物体”，即系统在没物体时也感官到物体，此种情况也十分少见，可能会造成汽车误将摔刹车，也是一个十分危险性的行径。该研究团队的方法需要在感官算法部署之前，辨识其异常情况或缺失，并并能开发人员查明明确问题所在。

该方法就是在虚拟世界测试中寻找感官算法的问题，让该算法更加安全性、更加可信。至关重要的是，由于该方法倚赖“长时间条件”库，因而不必须人类给测试数据库内的物体贴上标签，而此过程往往十分耗时且更容易经常出现错误。

未来，该团队期望当发现错误时，在感官算法中构建该逻辑可以新的训练感官算法。此外，该逻辑还能拓展应用于，用于汽车驾驶员时的动态安全性监测器。

本文来源：Welcome天天娱乐彩票-www.shuangec.com