使用人工神经网络发挥作用的车辆无论经过多次通过该路线，都不会拥有过去的记忆。
康奈尔大学（Cornell University）的研究人员创造了一种方法来帮助自动驾驶汽车创造以前的经验的“记忆”，并在未来的导航中使用它们，尤其是在恶劣的天气条件下，当车辆无法安全地信任其传感器时。
该团队由博士生Carlos Diaz-Ruiz领导。该小组通过驾驶配备LIDAR（光检测和射程）传感器的汽车沿着9.3英里（15公里）的环路在伊萨卡（Ithaca）的9.3英里（15公里）回路中驾驶，在18个月内及其周围40次。遍历捕获变化，天气状况（阳光明媚，多雨，下雪）和一天中的时间。结果，收集了600,000个场景。
迪亚兹·鲁兹（Diaz-Ruiz）说：“它故意暴露了自动驾驶汽车中的主要挑战之一：天气状况不佳。”“如果街道被雪覆盖，人类可以依靠记忆，但没有记忆，神经网络就处于严重的不利地位。”
在6月19日至24日在新奥尔良举行的IEEE计算机视觉和模式认可会议（CVPR 2022）的会议记录中介绍了其中的两篇论文。
事后看来是一种方法，它利用神经网络在汽车通过时计算对象的描述符。然后，它压缩了这些描述，该描述是该小组命名南瓜的？（空间定量的稀疏历史）的特征，并将它们存储在虚拟地图上，例如存储在人脑中的“记忆”。
这意味着车辆将“记住”他们上次看到的东西。该数据库不断更新并在车辆上共享。
您说：“可以将此信息作为功能添加到任何基于激光雷达的3D对象检测器中。”“探测器和壁球代表都可以共同培训，而无需任何其他监督或人类注释，这是时间和劳动力密集的。”
研究人员希望这可以降低自动驾驶汽车的开发成本，并通过学习驾驶最多使用的位置来提高此类车辆的效率。
研究小组的博士生凯蒂·卢（Katie Luo）说：“实际上，您很少第一次开路。”“无论您自己还是其他人最近曾驾驶过它，所以收集这种经验并利用它似乎很自然。”
“基本问题是，我们可以从重复的遍历中学到学习吗？”计算机科学教授Kilian Weinberger说。“例如，当汽车第一次从远处感知到它时，汽车可能会误认为行人的怪异树，但是一旦它足够接近，对象类别就会变得清晰。因此，当您第二次开车经过同一棵树时，即使在雾或雪中，您也希望这辆车现在已经学会了正确识别它。”
