卡内基梅隆大学的研究人员开发了一种新的指标，用于评估自动驾驶汽车对变化的道路条件和交通状况的反应程度，这使得首次有可能比较感知系统的准确性和反应时间。

李梦天，博士 CMU机器人学院的一名学生说，学术研究人员倾向于开发能够准确识别危险的复杂算法，但可能需要大量的计算时间。相比之下，工业工程师往往更喜欢简单，精度较低的算法，这些算法既快速又需要较少的计算，因此车辆可以更快地对危险做出响应中国机械网okmao.com。

这种权衡不仅是无人驾驶汽车的问题，也是任何需要实时感知动态世界的系统的问题，例如无人驾驶飞机和增强现实系统。到目前为止，还没有系统的方法可以在准确性和延迟之间取得平衡，即事件发生与感知系统识别该事件之间的延迟。由于缺乏合适的指标，因此很难比较竞争系统。

这个新的度量标准称为流感知准确性，它是由Li以及机器人学院副教授Deva Ramanan和伊利诺伊大学香槟分校伊利诺伊大学助理教授Yu-Xiong Wang共同开发的。他们在上个月的虚拟欧洲计算机视觉会议上展示了该文档，并在该会议上获得了最佳论文荣誉奖。

通过将感知系统在每个时刻的输出与世界真实情况进行比较，来衡量流感知的准确性。

李说：“当您完成对传感器输入的处理时，世界已经变了。”他指出，在处理过程中，汽车已经行驶了一段距离。

拉曼南说：“测量流感知的能力为现有感知系统提供了新的视角。” 根据经典性能衡量标准表现良好的系统在流感知方面的表现可能会很差。使用新引入的度量标准对此类系统进行优化可以使它们更具反应性。

团队研究的一个见识是，该解决方案并不一定要使感知系统运行得更快，而是偶尔需要适时的暂停。拉曼南补充说，跳过某些帧的处理可以防止系统越来越落后于实时事件。

另一个见解是将预测方法添加到感知处理中。正如棒球击球手在他们认为球将要到达的位置（而不是在球所在的位置）摆动一样，车辆可以预期其他车辆和行人的一些运动。团队的流媒体感知测量表明，做出这些预测所需的额外计算不会显着损害准确性或延迟。

拉曼南（Ramanan）领导的CMU Argo AI自动驾驶汽车研究中心支持了这项研究，国防高级研究计划局也提供了支持。