多伦多大学航空航天研究所(UTIAS)的研究人员推出了一对高科技工具，可以通过增强机器人系统的推理能力来提高自动驾驶汽车的安全性和可靠性。

这些创新解决了多目标跟踪问题，这是机器人系统用来跟踪物体(包括车辆、行人和骑自行车的人)的位置和运动的过程，以便在人口密集地区规划自动驾驶汽车的路线。

跟踪信息从计算机视觉传感器(2D摄像机图像和3DLIDAR扫描)收集，并在每个时间戳以每秒10次的速度进行过滤，以预测移动物体的未来运动。

“经过处理后，机器人就能对其周围环境进行一些推理。例如，十字路口有人过马路，或者前方有骑自行车的人变道，”UTIAS应用科学与工程学院博士生SandroPapais说道。“在每个时间戳，机器人的软件都会尝试将当前检测结果与过去看到的物体联系起来，但它只能回溯到很久以前。”

在日本横滨举行的2024年国际机器人与自动化会议上发表的一篇新论文中，Papais与合著者、三年级工程科学专业学生RobertRen以及UTIAS多伦多机器人与人工智能实验室主任StevenWaslander教授介绍了滑动窗口跟踪器(SWTrack)——一种基于图的优化方法，它使用额外的时间信息来防止遗漏物体。

该工具旨在提高跟踪方法的性能，特别是当物体从机器人的角度被遮挡时。

“SWTrack拓宽了机器人在规划时考虑的过去时间范围，”Papais说道。“因此，它不再受制于一帧前看到的内容和现在正在发生的事情，而是可以回顾过去五秒钟，然后尝试推理它看到的所有不同事物。”

该团队使用通过nuScenes获得的现场数据测试、训练和验证了他们的算法。nuScenes是一个公开的大型数据集，用于在世界各地城市道路上行驶的自动驾驶汽车。该数据包括团队用来对SWTrack性能进行基准测试的人工注释。

他们发现，每次将时间窗口延长至最多五秒时，跟踪性能都会变得更好。但是超过五秒后，算法的性能就会因计算时间而变慢。

“大多数跟踪算法很难推理这些时间间隔。但在我们的案例中，我们能够验证我们可以在更长的时间段内进行跟踪，并对我们周围的动态物体保持更一致的跟踪，”Papais说。

帕帕伊斯表示，他期待着在改进机器人记忆力的基础上，将其扩展到机器人基础设施的其他领域。“这只是一个开始，”他说。“我们正在研究跟踪问题，但也在研究其他机器人问题，我们可以结合更多的时间信息来增强感知和机器人推理能力。”

另一篇由硕士生ChangWon(John)Lee和Waslander共同撰写的论文介绍了UncertaintyTrack，这是一组利用概率物体检测的2D跟踪检测方法的扩展。

“概率物体检测量化了物体检测的不确定性估计，”Lee解释道。“这里的关键是，对于安全关键任务，您希望能够知道预测的检测何时可能导致下游任务(例如多物体跟踪)中的错误。这些错误可能是由于低光照条件或严重物体遮挡而发生的。

“不确定性估计让我们知道模型何时存在疑问，即何时极有可能在预测中出错。但存在这个差距，因为概率物体检测器目前不用于多跟踪物体跟踪。”

李将这篇论文作为他本科工程科学论文的一部分。现在他是Waslander实验室的硕士生，正在研究加拿大机械臂3号的视觉异常检测，这是加拿大为美国领导的Gateway月球前哨基地做出的贡献。“在我目前的研究中，我们的目标是提出一种基于深度学习的方法来检测太空中漂浮的物体，这些物体对机械臂构成潜在风险，”李说。

瓦斯兰德表示，这两篇论文中概述的进展是建立在他的实验室多年以来一直专注的研究基础上的。

“多年来，“多伦多机器人与人工智能实验室”一直致力于评估感知不确定性和扩展机器人的时间推理，因为它们是在开放世界更广泛地部署机器人的关键障碍，”Waslander说。

“我们迫切需要能够理解物体随时间推移的持久性的人工智能方法，以及能够意识到自身局限性并在路径上出现新事物或意外情况时停下来进行推理的方法。这就是我们研究的目的。”