Ryan Young/康奈尔大学博士生Carlos Diaz-Ruiz驾驶数据收集车，并演示了自动驾驶汽车研究人员用于创建算法的一些数据收集技术。
康奈尔大学的研究人员正在着手解决自动驾驶汽车面临的记忆问题。这个问题源于自动驾驶汽车没有办法像人类一样从经验中学习。由于汽车使用的是人工神经网络，它们无法记忆以前的经验，即使在以前驾驶过的特定道路上也是如此。因此，在恶劣天气的情况下，汽车无法依靠传感器进行安全驾驶。
为了克服这个局限性，研究人员开发了一种技术，帮助汽车创建过去的“记忆”，并将其应用于未来的导航。该技术涉及从反复的路线穿越中学习，以让汽车在重复旅程时能够正确地识别环境和障碍物。研究人员採用驾驶一辆装有激光雷达（光探测和测距）传感器的汽车，在康奈尔大学伊萨卡校区及其周围的环路反复行驶，收集不同环境、天气和时间下的超过60万个场景，积累近两年的数据。
这个研究小组发布了三篇论文，其中两篇在6月19日至24日的IEEE计算机视觉和模式识别会议（CVPR 2022）上发表，并获得了广泛关注。该项目是把自动驾驶技术从实验室中推向实际世界的一项重要进展，将有助于提高自动驾驶汽车的安全性和可靠性。
下次自动驾驶汽车经过同一位置时，它将能够利用一个名为SQuaSH的本地数据库查询沿途每个激光雷达点，从而能够再次寻找并识别这些物体。这个数据库会不断地更新并与其他车辆共享，从而拓宽可用于识别的信息。该研究的博士生Yurong You指出，这些信息可以作为功能添加到基于激光雷达的3D物体探测器中，而不需要任何额外的人工监督或注释，从而提高这个过程的效率。
TEAM HINDSIGHT正在进行的额外研究被称为MODEST（拥有短暂性和自我训练的移动物体检测），旨在允许车辆从头开始学习整个感知管道。尽管HINDSIGHT假设人工神经网络已经接受过训练，但MODEST假设车辆中的人工神经网络还没有接触到任何物体或街道。通过反复穿越同一路线，这个算法能够不断学习环境哪些部分是静止的，哪些是移动的物体。逐渐地，它能够自己学习其他交通参与者并学会区分其他物体，从而能够在不是最初经过的道路上自信地检测这些物体。
这些研究方法将有望降低自动驾驶汽车的开发成本，因为它们不再严重依赖于昂贵的人工注释数据，同时通过学习导航最常用的位置来提高自动驾驶汽车的效率。
