作为计算机科学系DPhil的一部分完成了这项研究的YasinAlmalioglu说：“在具有挑战性的恶劣天气下，自动驾驶汽车难以实现精确定位是这些仅限于相对小规模试验的主要原因。到现在。例如，下雨或下雪等天气可能会导致自动驾驶汽车在转弯前检测到自己在错误的车道上，或者由于定位不准确而在十字路口停车太晚。
为了克服这个问题，Almalioglu和他的同事开发了一种新颖的自我监督深度学习模型，用于自我运动估计，这是驾驶系统的一个重要组成部分，可以估计汽车相对于从汽车本身观察到的物体的移动位置。该模型将来自视觉传感器(可能会被不利条件破坏)的详细信息与来自不受天气影响的来源(如雷达)的数据结合在一起，因此可以在不同的天气条件下使用每种传感器的优势。
该模型使用多个公开可用的数据集进行训练，其中包括来自多个传感器(如相机、激光雷达和雷达)在不同设置下的数据，包括可变光/暗水平和降水。这些用于生成算法以重建场景几何并根据新数据计算汽车的位置。在各种测试情况下，研究人员证明该模型显示出强大的全天候性能，包括雨、雾、雪以及白天和黑夜的条件。
该团队预计，这项工作将使自动驾驶汽车更接近安全、平稳的全天候自动驾驶，并最终在社会中得到更广泛的应用。
共同监督这项研究的牛津大学计算机科学系的NikiTrigoni教授说：“精确定位能力为的众多核心功能提供了基础，例如运动规划、预测、态势感知和避免碰撞。.这项研究为软件堆栈提供了一个令人兴奋的补充解决方案，以实现这种能力。”
AndrewMarkham教授(牛津大学计算机科学系)也是该研究的共同主管，他补充说：“估计的精确位置是在具有挑战性的条件下实现可靠自动驾驶的关键里程碑。这项研究有效地利用了互补性不同传感器的各个方面，以帮助在困难的日常场景中导航。”
