Artificial Neural Expert System based YOLO$_{Gen_1}$ detector for Autonomous Driving Problem

驾驶汽车需要驾驶员与道路之间进行持续且瞬时的对话。眼睛扫描危险，大脑处理闪烁灯光或突然停车的含义，而双手则执行必要的转向或刹车。几十年来，工程师们一直试图赋予机器这种能力，构建无需人类帮助即可观察和决策的系统。挑战是巨大的，因为世界是不可预测的：行人可能会从路缘步入路面，或者交通信号灯可能会发生故障。为了解决这个问题，研究人员依赖于两个主要工具：作为机器“眼睛”的传感器，以及作为其“大脑”的软件。眼睛通常使用摄像头或雷达来发现物体，而大脑则使用复杂的计算机程序来理解这些物体的含义并决定下一步该做什么。目标是创造一种能够安全、高效地行驶的车辆，从而应对现实世界交通中混乱的现状。

突尼斯马纳尔大学的一位研究人员提出了一种构建此类系统的新方法，将更敏锐的“眼睛”与更经验丰富的“大脑”结合在一起。他们引入了一种名为 YOLOGen1 的新型检测器，作为其自动驾驶系统的视觉传感器。与以往经常在识别微小或远距离物体时遇到困难的版本不同，这种新型检测器旨在以卓越的清晰度观察道路。它不依赖于易受天气影响的雷达，而是使用一种基于摄像头的复杂组合模型协同工作。研究人员发现，这种新型检测器在标准驾驶数据集上的识别置信度超过了 98%。在利用特定驾驶场景数据集进行的测试中，它的表现优于其他几种领先模型，能够更准确地发现更多的汽车、行人及标志。

然而，看清道路仅仅是成功的一半；车辆还必须决定如何反应。研究人员通过创建一种被称为“人工神经网络专家系统”的新型决策系统解决了这一问题。可以将它想象成一位既研读过驾驶规则手册、又能从自身错误中学习的数字驾驶员。传统的计算机程序遵循僵化的规则：如果灯是红色的，就停车。但如果灯坏了并一直卡在红色呢？一个僵化的程序会永远停在那里。然而，这种新系统可以识别出灯光被遮挡的情况，并切换策略，例如将其视为停止标志来处理。它通过根据后续情况不断更新其内部规则来实现这一点，使其能够处理标准规则失效的情况。该系统旨在确保安全，确保即使在学习过程中，也绝不会选择危险的路径。

为了使该系统能够实时运行，研究人员组织了软件架构，使计算机的不同部分能够同时协作，而不是等待一个任务完成后再开始下一个任务。他们在标准的笔记本电脑处理器上测试了整个设置，无需昂贵的显卡。结果令人瞩目：即使在简单的硬件上，该系统处理视频并做出驾驶建议的速度也超过了实时速度。在模拟中，该系统成功应对了复杂的场景，例如由于故障导致持续红灯的情况，通过动态改变其决策逻辑来保持车辆安全行驶。研究人员利用真实世界的视频片段验证了他们的方法，表明该系统可以为驾驶员或自动驾驶车辆提供有用且即时的建议。

研究表明，通过将高精度的视觉检测器与灵活的学习型决策系统相结合，自动驾驶车辆可以变得更加安全和可靠。研究人员证明，他们的新型检测器 YOLOGen1 是目前用于识别驾驶场景中物体的最有效版本。他们还展示了其决策系统可以适应失效的规则和意外的障碍物，这是实现能够应对真实交通混乱状况的车辆的关键一步。虽然该系统已在模拟和录制视频中经过了广泛测试，但研究人员指出，在将其用于量产车之前，有必要在实际道路上进行进一步测试。他们的工作提供了一条充满希望的前行之路，证明了机器不仅可以清晰地观察道路，还能对所发现的问题进行思考。