這些是安裝在汽車頂部的光探測和測距（LiDAR）壓力變送器，它們往往會增加風阻，這是電動汽車的主要缺點。這些壓力變送器可以增加約10,000美元的汽車費用。然而，盡管存在缺點，但大多數專家認為，LiDAR壓力變送器為自動駕駛汽車提供了唯一合理的手段，可以安全地感知道路上的各種危險，包括汽車和行人。

 現在，康奈爾大學的一個研究小組發現，一種更簡單的技術，利用位于擋風玻璃兩側的一對低成本攝像機，可以識別與LiDAR壓力變送器具有幾乎相同精度的物體，但只有一小部分成本。

 科學家指出，當從鳥瞰圖而不是更常見的正面視圖研究捕獲的圖像時，它們的精度增加了三倍以上，從而使立體相機成為LiDAR壓力變送器的可行且成本有效的選擇。

 自動駕駛汽車的一個基本問題是識別汽車周圍的物體 - 顯然這對于汽車導航環境至關重要。視覺深度估計中的偽LiDAR：彌合自主駕駛中三維物體檢測的差距。

 “ 人們普遍認為，如果沒有激光雷達，就無法制造自動駕駛汽車，”溫伯格說。“ 至少在原則上，我們已經表明它是可能的。”

 Yan Wang是該論文的第一作者，也是計算機科學的博士生。

 LiDAR壓力變送器使用激光來產生周圍環境的3D點圖，通過光速確定物體的距離。立體攝像機通常依賴于幾個視角來建立深度，就像人眼一樣，它們看起來很有前途。然而，它們在物體檢測方面的精確度低得可憐，傳統觀點認為它們非常不準確。  隨后，Wang和合作者仔細檢查了立體攝像機的數據，他們意外地發現他們的數據幾乎與LiDAR一樣準確。他們發現，在檢查立體攝像機的數據時會出現精度差距。

 在大多數自動駕駛汽車的情況下，壓力變送器或攝像機記錄的數據在卷積神經網絡的幫助下進行檢查 - 卷積神經網絡是一種機器學習形式，能夠通過應用識別與其相關的模式的濾波器來檢測圖像。像這樣的卷積神經網絡已被證明在檢測常規彩色照片中的物體方面非常出色; 但是，如果從前面指定3D數據，它們往往會扭曲3D數據。因此，當王和他的同事將表現從正面視角改為從鳥瞰視角看到的點云時，精度提高了三倍多。

 當你有攝像機圖像時，它就是如此，因此，很容易看到正面視圖，因為這是相機看到的。但也存在這個問題，因為如果你從前面看到物體，那么它們被處理的方式實際上會使它們變形，并且你將物體模糊到背景中并使它們的形狀變形。

 最終，立體攝像機可能被用作檢測低價汽車中物體的關鍵方式，或者作為配備LiDAR的高端汽車的備用方法，Weinberger說。

 “ 自動駕駛汽車行業一直不愿意放棄LiDAR，即使成本很高，因為其出色的續航精度 - 這對于汽車周圍的安全至關重要，”。和SC Thomas Sze Sibley機械和航空航天工程學院院長和該論文的合著者。“ 范圍檢測和準確性的顯著提高，以及相機數據的鳥瞰圖，有可能徹底改變這個行業。”

 計算機科學的共同作者和助理教授Bharath Hariharan說，這些成果對自動駕駛汽車有影響。

 在假設這些算法總是可以提取相關信息的假設下，當前實踐中存在將數據原樣饋送到復雜機器學習算法的趨勢。我們的結果表明這不一定是真的，我們應該考慮如何表示數據。