स्वायत्त वाहन (ऑटोोनॉमस व्हीकल) सुरक्षित रूप से दुनिया में नेविगेट करने के लिए अपनी आँखों और अपने मस्तिष्क के बीच एक निरंतर, उच्च-गति वाली बातचीत पर निर्भर करते हैं। "आँखें" अक्सर कैमरों का एक संयोजन होती हैं, जो एक मानव चालक की तरह सड़क के समृद्ध रंगों और आकारों को देखती हैं, और LiDAR नामक लेजर स्कैनर, जो वस्तुओं से प्रकाश को परावर्तित करके सटीक दूरियों को मापता है। जहाँ कैमरे कार को बताते हैं कि कोई वस्तु क्या है, वहीं LiDAR उसे बताता है कि वह वस्तु त्रि-आयामी स्थान में ठीक कहाँ है। हालाँकि, यह लेजर डेटा पूर्ण नहीं है। क्योंकि स्कैनर सीमित संख्या में प्रकाश किरणें छोड़ता है, दुनिया की resulting तस्वीर अक्सर विरल (स्पार्स) होती है, जैसे बड़े छेदों वाला एक जाल, जिससे दूरी के मापन में अंतराल रह जाते हैं। इसके अलावा, कार स्वयं हमेशा चलती रहती है, जिससे यह अंतर करना कठिन हो जाता है कि कोई वस्तु वास्तव में चल रही है या वह केवल इसलिए चलती हुई प्रतीत होती है क्योंकि कार अपनी स्थिति बदल रही है। जब ये दो कारक मिलते हैं—डेटा में अंतराल और वाहन की गति—तो आस-पास की कार के स्थान का कार का अनुमान एक क्षण से दूसरे क्षण तक अनिश्चित रूप से उछल सकता है, जिससे एक अस्थिर और अविश्वसनीय पथ बन सकता है जो खतरनाक निर्णयों का कारण बन सकता है।

शोधकर्ताओं ने लंबे समय से इन ऊबड़-खाबड़ पथों को सुचारू बनाने का प्रयास किया है, लेकिन पारंपरिक तरीकों के लिए अक्सर भारी मात्रा में मानव-लेबल वाले डेटा की आवश्यकता होती है ताकि कंप्यूटर को यह सिखाया जा सके कि एक "सही" पथ कैसा दिखता है, या वे केवल एक व्यापक फ़िल्टर लागू करते हैं जो भौतिकी के पीछे की समझ के बिना गति को धुंधला कर देता है। फलाक नियाज़, जे-जुन यू और योंग मिन जेंग द्वारा किए गए एक नए अध्ययन ने एक अलग दृष्टिकोण पेश किया है जिसमें बिना किसी मानव लेबल के काम किया जा सकता है। उन्होंने एक ऐसी प्रणाली विकसित की है जो भौतिकी के नियमों को एक शिक्षक के रूप में उपयोग करके आसपास के वाहनों के अस्थिर गहराई अनुमानों (डेप्थ एस्टीमेट्स) को सुधारना सीखती है। दृश्य के प्रत्येक एकल बिंदु की दूरी का अनुमान लगाने के बजाय, उनकी विधि विशेष रूप से वाहनों पर ध्यान केंद्रित करती है। यह कुछ सेकंड तक एक कार की गति को देखती है और एक सरल प्रश्न पूछती है: क्या यह गति तर्कसंगत है? यदि कोई कार अचानक आगे या पीछे कूदती है जो वास्तविक यातायात की सुचारू, निरंतर गति के विरुद्ध है, तो सिस्टम जान जाता है कि दूरी का मापन गलत था और इसे समायोजित करता है।

इस कार्य का मूल आधार कार की अपनी गति का चतुर उपयोग है, जिसे 'ईगो-मोशन' कहा जाता है, ताकि एक स्थिर संदर्भ ढांचा बनाया जा सके। कल्पना कीजिए कि स्वायत्त वाहन राजमार्ग पर चल रहा है; जैसे-जैसे यह आगे बढ़ता है, दुनिया अपने चारों ओर बदलती हुई प्रतीत होती है। शोधकर्ताओं की प्रणाली लेजर स्कैनर से प्राप्त कच्चे, अस्थिर दूरी मापों को गणितीय रूप से एक निश्चित, वैश्विक मानचित्र (ग्लोबल मैप) में स्थानांतरित करती है, जिससे प्रभावी रूप से कार की अपनी गति का प्रभाव समाप्त हो जाता है। एक बार जब डेटा को इस स्थिर दुनिया में रख दिया जाता है, तो सिस्टम समय के साथ एक विशिष्ट वाहन के प्रक्षेपवक्र (ट्रैजेक्टरी) को देख सकता है। यह इस धारणा पर कार्य करता है कि सड़क पर अधिकांश कारें कम समय के लिए अपेक्षाकृत निरंतर गति और दिशा के साथ चलती हैं। यदि सिस्टम देखता है कि किसी वाहन की स्थिति फ्रेमों के बीच बेतहाशा उछल रही है, तो वह इसे स्पार्स लेजर डेटा या सेंसर शोर के कारण होने वाली त्रुटि के रूप में पहचान लेता है। सिस्टम फिर एक हल्के न्यूरल नेटवर्क का उपयोग करके एक छोटा सुधार अनुमानित करता है, जिससे वाहन की स्थिति को वापस एक सुचारू, भौतिक रूप से प्रशंसनीय पथ पर लाया जा सके।

जो इस दृष्टिकोण को विशेष रूप से शक्तिशाली बनाता है वह यह है कि इसे यह बताने के लिए किसी मानव की आवश्यकता नहीं है कि सही पथ क्या है। अतीत में, ऐसी प्रणाली को प्रशिक्षित करने के लिए हजारों घंटों के वीडियो की आवश्यकता होती थी जहाँ मनुष्यों ने मैन्युअल रूप से हर कार के चारों ओर 3D बॉक्स बनाए थे ताकि कंप्यूटर को "सही" उत्तर दिखाया जा सके। यह नई विधि अपनी स्वयं की सुपरविजन सिग्नल बनाती है। यह नियम लागू करके कि एक कार का पथ सुचारू और उसकी पिछली गति के अनुरूप होना चाहिए, सिस्टम अपनी गलतियों को खुद सुधारना सीखता है। यह एक क्षण में कार की स्थिति की तुलना उस स्थान से करता है जहाँ उसे पिछले दो क्षणों के आधार पर होना चाहिए था। यदि गणित में कोई विसंगति दिखती है, तो सिस्टम गहराई के रीडिंग को समायोजित करने के लिए सीखता है ताकि उस त्रुटि को कम किया जा सके। यह विधि को वास्तविक दुनिया के डेटासेट से बड़ी मात्रा में कच्चे ड्राइविंग डेटा पर प्रशिक्षित करने की अनुमति देता है, जिससे यह अत्यधिक स्केलेबल और वास्तविक दुनिया में तैनाती के लिए व्यावहारिक बन जाता है।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण KITTI Raw डेटासेट का उपयोग करके किया, जिसमें वास्तविक शहरी ड्राइविंग परिदृश्यों से सिंक्रोनाइज्ड वीडियो और लेजर स्कैन शामिल हैं। उन्होंने अपनी स्व-पर्यवेक्षित (सेल्फ-सुपरवाइज्ड) सुधार विधि की तुलना मानक तकनीकों से की, जैसे कि लेजर बिंदुओं का औसत लेना या पारंपरिक गणितीय फिल्टर जैसे कि कलमन फिल्टर का उपयोग करना, जो डेटा को सुचारू करने के लिए आमतौर पर उपयोग किए जाते हैं। परिणामों ने स्थिरता में स्पष्ट सुधार दिखाया। नई विधि ने वाहन के अनुमानित स्थान में औसत त्रुटि को लगभग 9.4 प्रतिशत कम कर दिया और मध्यिका (median) त्रुटि को 14 प्रतिशत से अधिक कम कर दिया। शायद इससे भी महत्वपूर्ण बात यह है कि इसने ट्रैक किए गए वाहनों की गति को काफी हद तक सुचारू बना दिया। शोधकर्ताओं ने इस सहजता को "जर्क" (jerk) नामक एक मीट्रिक का उपयोग करके मापा, जो यह मापता है कि किसी वाहन की गति या दिशा कितनी अचानक बदलती है। उनकी विधि ने औसत जर्क को 21 प्रतिशत से अधिक कम कर दिया, जिसका अर्थ है कि अन्य वाहनों के अनुमानित पथ बहुत कम अस्थिर थे और वास्तविक वाहनों के चलने के तरीके के अधिक अनुरूप थे।

अध्ययन ने यह भी जांचा कि जब लेजर डेटा को जानबूझकर खराब किया गया था—यह सिम्युलेट करते हुए कि सेंसर बाधित हो सकता है या मौसम खराब हो सकता है—तो सिस्टम कितनी अच्छी तरह से टिका रहा। यहाँ तक कि जब लेजर डेटा की मात्रा को काफी कम कर दिया गया, तब भी सिस्टम ने प्रक्षेपवक्रों को स्थिर करने की अपनी क्षमता बनाए रखी, जिससे पता चलता है कि 'टेम्पोरल कंसिस्टेंसी कंस्ट्रेंट' एक मजबूत सुरक्षा जाल के रूप में कार्य करता है। यह विधि विभिन्न दूरियों में प्रभावी साबित हुई, हालांकि इसने निकट और मध्यम-दूरी वाले क्षेत्रों में सबसे महत्वपूर्ण सुधार दिखाया जहाँ स्वायत्त ड्राइविंग के निर्णय सबसे महत्वपूर्ण होते हैं। सिस्टम को कम्प्यूटेशनल रूप से कुशल भी बनाया गया था, जो मानक ऑटोमोटिव हार्डवेयर पर वास्तविक समय में उपयोग के लिए पर्याप्त तेज़ है, जो एक ऐसे वाहन के लिए आवश्यक है जिसे अपने वातावरण के प्रति तुरंत प्रतिक्रिया देनी होती है।

एक वस्तु-स्तर (ऑब्जेक्ट लेवल) पर ध्यान केंद्रित करके, शोधकर्ताओं ने गहरे शिक्षण (डीप लर्निंग) मॉडल से जुड़े भारी कम्प्यूटेशनल खर्च से परहेज किया। उनका नेटवर्क छोटा और तेज़ है, जिसे पूरे विश्व को देखने के बजाय विशेष रूप से एक पहचाने गए कार की दूरी को बदलने के लिए डिज़ाइन किया गया है। यह लक्षित दृष्टिकोण सिस्टम को बिना किसी महंगे, एनोटेटेड डेटासेट के गति और त्रुटि सुधार के जटिल पैटर्न सीखने की अनुमति देता है। निष्कर्ष बताते हैं कि वाहन की स्वयं की गति एक शक्तिशाली, अंतर्निर्मित संकेत प्रदान करती है जिसका उपयोग कंप्यूटर को अधिक स्पष्ट रूप से देखना सिखाने के लिए किया जा सकता है। यह कार्य सेंसर द्वारा प्रदान किए गए शोर भरे, अपूर्ण डेटा और सुरक्षित स्वायत्त नेविगेशन के लिए आवश्यक सुचारू, विश्वसनीय समझ के बीच के अंतर को पाटता है, और यह सिद्ध करता है कि ड्राइविंग की गतिशील दुनिया में भौतिकी-आधारित बाधाएं मानव लेबल की तुलना में अधिक प्रभावी शिक्षक हो सकती हैं।