据麦姆斯咨询介绍，激光雷达(LiDAR)是光探测和测距的缩写，目前越来越普遍地应用于我们日常生活和工作之中，例如苹果iPhone、iPad，以及服务机器人，它们利用激光测量距离，从而实现对周围空间的精确测绘。此外，在卫星上，激光雷达被用来测量海拔高度;在自动驾驶汽车中，激光雷达被用于绘制道路和探测障碍物等。现在，麻省理工学院(MIT)的研究人员正在利用机器学习技术对激光雷达数据进行更好的实时处理。

眼前的问题：简而言之，激光雷达功能强大，但数据处理速度慢。一款典型的激光雷达每秒可以产生数百万个深度数据点，这很快就超出了汽车内置的数据处理能力，因此汽车上的系统将三维激光雷达数据压缩为二维数据，在转换过程中丢失了很多细节。

相比之下，麻省理工学院的研究人员正在使用端到端的机器学习框架，利用低分辨率的GPS地图和原始的3D激光雷达数据。为了快速处理针对大量激光雷达数据进行深度学习的繁重计算负载，以实现实时自动驾驶，麻省理工学院的研究人员为深度学习模型设计了新的组件，从而更好地利用GPU。“我们已经从算法和系统两个角度优化了解决方案，与现有的3D激光雷达方法相比，累计加速提高了大约9倍。”麻省理工学院博士生、该论文的共同主要作者Zhijian Liu在接受麻省理工学院Adam Conner Simons采访时介绍说。

早期的测试数据显示，麻省理工学院研发的系统减少了人类接管汽车的时间，并经受住了主要的传感器故障。这在很大程度上是由于系统的“赌注对冲”：它估计任何给定预测的确定性，然后相应地对每个预测进行加权。这有助于保护系统免受误导性输入，例如恶劣天气期间“凌乱”的激光雷达数据。“通过根据模型的不确定性融合控制预测，该系统可以适应突发事件。”麻省理工学院电气工程和计算机科学教授、该论文资深作者之一Daniela Rus说道。

研究人员希望他们的工作将有助于为未来的自动驾驶系统铺平道路。这种系统需要更少的人工干预，才能提供令人满意的结果。“我们利用了无地图驾驶方法的优点，并将其与端到端机器学习相结合，这样我们就不需要程序员手动调整系统了。”该论文的另一位共同作者Alexander Amini介绍说。

下一步，研究人员正致力于通过天气事件建模和道路上的其他车辆采集数据来扩展系统。