位于自动驾驶汽车传感器内部、名为编码器的设备可将在道路上获取的运动和其他信息转换成电信号，然后作为反馈信息，供运行汽车的软件做出明智的决策。
这个过程很像我们人类如何利用从五官到大脑的反馈来学习和明智地行事。 但是，如果你必须更换一个传感器，而新部件编码的信息与深度神经网络（DNN）--经过训练来控制汽车的大脑--不同，那该怎么办？
弗吉尼亚大学工程与应用科学学院的科本哈弗研究员梅里尔-冯-斯坦恩（Meriel von Stein）认为，如果更换的传感器是不同品牌或其他不匹配的产品，就会产生安全隐患。"DNN 无法再可靠地推断新传感器硬件的信息，"冯-斯坦恩说。 "为了帮助解决这个问题，他发明了一种名为 PreFixer 的增强编码器，研究成果发表在 IEEE Robotics and Automation Letters上。
LESS 实验室接受挑战
Von Stein 接受了计算机科学教授 Sebastian Elbaum 的指导，Elbaum 是弗吉尼亚大学工程学院 LESS 实验室（安全硬件领先工程实验室）的负责人，Von Stein 是该实验室的成员之一。 Von Stein曾是美国宇航局戈达德太空飞行中心和肯尼迪航天中心的软件工程师，长期致力于研究和解决车辆和无人机的自主系统问题。
论文称，PreFixer 是 "第一种减轻 ADS（自动驾驶系统）中传感器硬件迁移影响的技术，成功率高，实施成本低，对部署流水线的干扰最小"。
虚拟道路测试
Von Stein 和她的同事们在高保真驾驶模拟器上测试了他们的摄像头传感器迁移方法，再现了编码器以前从未见过的 10 条各 100 米长的道路。 她想看看，与其他可用的解决方案相比，使用新增强的传感器，汽车能在多大程度上保持其行驶路径，以及能安全行驶多远。 但是，PreFixer 增强编码器是模拟摄像头传感器的一部分，它为 DNN 增加了一个预处理步骤，她解释说："这个编码器已经过训练，可以优化传感器输入的重建以及 DNN 对该传感器输入的预测。"工具的这两部分结合在一起，就像为控制器提供信息的解码器的解释器。 翻译过程中丢失的想法更少。 从理论上讲，这将使行进路线更直、更准确，减少因 DNN 混乱而造成的停顿。
PreFixer 的表现如何？
"我们测量了与道路中心线的偏差，以及汽车在安装了新传感器和编码器后平均行驶了多少米，"von Stein 说，"研究小组的结果表明，他们的方法与其他现成的补偿前置摄像头传感器损失的方法相比，性能相当甚至更好，而所需的训练数据仅为通常方法的 10%。
训练 DNN 的时间在某些情况下可能需要数天到数周的计算时间，而他们的方法缩短了 50%。 她说，PreFixer 下一步可能会在行业中得到采用，用于正在进行快速原型开发的系统，这些系统需要避免每次感知硬件发生变化时都要进行艰苦的数据收集。 讨论她的研究只是她所说的科本哈佛奖学金经历的一个方面，她说这是一次丰富多彩、收获颇丰的经历。 研究金的优势之一是，冯-斯坦因可以计划访问不同的机器人实验室，并将她的技术应用于不同的系统，从机器人机械臂到医疗设备。
原文链接: Meriel von Stein et al, Automated Generation of Transformations to Mitigate Sensor Hardware Migration in ADS, IEEE Robotics and Automation Letters (2024). DOI: 10.1109/LRA.2024.3405810
