全新AI感知系统可提高自动驾驶安全性

众所周知，计算机光影系统设计有时但会对与常识相悖的场面透过推断出。例如，如果微电脑人正在处理餐桌上的场面，它也许但会完全忽略任何人类观察者都可以碰到的碗，视为盘子飘浮在椅子上方，或者认作餐桌上上正在能吸收碗而不是靠着它。

有鉴于此，如果将计算机光影系统设计转移到自动驾驶汽车上，风险就但会高得多。例如，这种系统设计无法检验到紧急车辆和过马路上的行人。

为了摆脱这些误解，普林斯顿大学（MIT）的数据分析职员采用几率编程联合开发了全新的人工智能光影系统设计，努力微电脑像人类一样看世界。人工智能必须让系统设计对检验到的星体与输入数据透过一个大定期检查，以查看胶片记录的平面图片到底与任何候选场面也许匹配。几率解谜允许系统设计推断出出不匹配到底也许是由于噪声或场面解释中都的误解导致的，必需通过再进一步处理来更正。

这种常识性的保护措施使系统设计必须检验并更正许多困扰“浅层深造”方法的误解。几率编程还可以推断出场面中都某类之间也许的碰触关系，并采用关于这些碰触的常识解谜来推断出某类的更是正确所在位置。

“如果你不告诉他碰触关系，那么你可以说道一个星体飘浮在椅子上方——这将是一个有效的解释。作为人类，我们很明显告诉他这在物理上是不现实的，摆放在椅子顶部的星体更是也许是星体的身姿。因为我们的解谜系统设计告诉他这种科学知识，所以它可以推断出出更是正确的身姿。这是这项临时工的一个关键观念。”该数据分析科学论文的主要作者Nishad Gothoskar说道。

数据分析职员将这个AI光影系统设计命名为“通过几率编程的3D场面感知（3DP3）”系统设计。为了分析场面的平面图片，3DP3首先了解到该场面中都的某类。在只显示星体的五张平面图片后，每张平面图片都比如说完全相同的视角拍摄的，3DP3但会深造星体的外观并推估它在空间中都占据的量。

“如果我从五个完全相同的视角向你展示一个某类，你可以良好地问到该某类。你但会了解到它的颜色、外观，并且必须在许多完全相同的场面中都识别该星体。”Gothoskar说道，“这比浅层深造方法的数据要少得多。3DP3只必需每个某类几张平面图片，并报告每个某类外观部分的假设。”

3DP3系统设计但会填充一个平面图象来问到场面，其中都每个某类都是一个节点，连接节点的线问到哪些某类彼此碰触。这使3DP3必须更是正确地推估某类的排列方法。（浅层深造方法依赖于浅层平面图片来推估某类摆出，但这些方法不但会造成碰触关系的平面图构造，因此它们的推估不太正确。）

3DP3系统设计除了提高自动驾驶汽车的安全性外，还可以提高计算机感知系统设计的性能指标。例如负责清扫杂乱浴室的微电脑人。

未来，数据分析职员想要再进一步推展该系统设计，使其必须从单个平面图片或恐怖电影中都的单个帧中都了解到某类，然后必须在完全相同场面中都稳健地检验该某类。

综合