自动驾驶汽车夜间视力得到提升

ISTOCK

This article is part of our exclusive IEEE Journal Watch series in partnership with IEEE Xplore（https://spectrum.ieee.org/collections/journal-watch/）.

中国的一个研究小组发现了一种帮助自动驾驶汽车在黑暗中更好地“看”的方法，将汽车的驾驶能力提高了10%以上。研究人员成功的秘诀在于几十年前关于人眼工作原理的理论。

自动驾驶汽车导航的一种方式是使用一组摄像头，每个摄像头都配备了一个特殊的过滤器来辨别入射光的偏振。偏振是指光波传播时的振荡方向，这可以提供有关它最后反弹的物体的大量信息，包括物体的表面特征和细节。

然而，虽然偏振滤光片为自动驾驶汽车提供了有关周围物体的额外信息，但该滤光片存在一些陷阱（https://spectrum.ieee.org/tag/autonomous-vehicles）。

“在提供更多信息的同时，这种双滤光片设计使夜间捕获光子变得更加困难，”中国科学院大学博士生Yang Lu说，“结果是，在低光照条件下，偏振相机的图像质量会急剧下降，细节和清晰度会受到更严重的影响。”

为了克服这个问题，Lu和他的同事们转向了一种理论，试图解释为什么人类在低光照条件下能够相对较好地分辨颜色。Retinex理论表明（https://santhalakshminarayana.github.io/blog/retinex-theory-of-color-vision），我们的视觉系统能够以两种不同的方式辨别光，即光的反射率和照度分量。重要的是，即使在低光照条件下，我们的眼睛和大脑也能够补偿光照的变化，足以辨别颜色。

Lu的团队将这一概念应用于他们的自动驾驶汽车导航系统，该系统分别处理偏振光的反射和发光特性。一种算法——在光照和黑暗条件下使用相同图像的真实世界数据进行训练——就像我们自己的视觉系统一样，可以补偿亮度的变化。第二种算法处理入射光的反射特性，去除背景噪声。

Yang Lu

尽管传统的自动驾驶汽车往往只处理光的反射特性，但这种双重方法提供了更好的结果。“最终，我们得到了一个（更）清晰的渲染图像，”Lu说。

在8月8日发表在IEEE Transactions on Intelligent Vehicles上的一项研究中，研究人员对他们的新方法RPLENet进行了测试（https://ieeexplore.ieee.org/document/10631662）。

首先，该团队使用昏暗环境的真实数据进行了模拟，以验证他们的方法可以产生更好的低光成像。然后，他们在汽车上安装了一个依赖于RPLENet的摄像头，并在真实的夜间场景中进行了测试。结果表明，在自动驾驶算法的实验中，新方法可以将驾驶精度提高约10%。

Lu指出，这种新方法可能会带来更安全的自动驾驶汽车。他说：“我们在测试中取得的优异结果，特别是在真实的夜间场景中，证明了我们方法的实际应用潜力。”

然而，RPLENet方法的一个挑战是，它需要对难以获得的数据集（例如，同一物体在不同光照场景下的图像）进行大量训练。

Lu说：“未来，我们计划进一步探索弱监督和无监督学习方法，以减少对大量标记数据的依赖。这将加速算法的发展，并有助于在现实应用中提供更高效、更具成本效益的解决方案。”