Apple（苹果）公司的研究人员仍然在希望推展自动驾驶汽车需要确实驶过公共道路，上周他们公开发表了一篇学术论文，讲解了利用一种可训练的神经网络技术，通过3D点云构建物体观测的方法。尽管该技术目前还正处于早期研究阶段，但未来经过完备和成熟期，或能大幅度提高LiDAR（激光雷达）自动巡弋解决方案的观测精度。利用LiDAR观测的点云数据，经过VoxelNet处置的定性结果图（为了更佳的展出，将结果呈现出在了RGB图中）据麦姆斯咨询报导，苹果公司的AI（人工智能）专家YinZhou和机器学习专家OncelTuzel近期公开发表了一篇为题“VoxelNet：应用于点云3D物体观测的端到端的机器学习”的学术论文。在这篇论文中，苹果公司的专家认为，基于3D点云构建精准的物体观测（例如LiDAR阵列所产生的3D点云数据），是许多新兴现实应用于的研发难题。

从自动驾驶汽车到扫地机器人，这些需要人工操作者，而在现实环境中构建自律巡弋的机器设备，必须较慢、精准地观测周围的关键障碍物。苹果公司指出，比起基于2D光学的观测方法，LiDAR技术由于需要获取深度信息，从而更佳的构建空间内的物体观测和定位，而被指出是一种更为可信的替换方案。

不过，LiDAR通过升空激光脉冲，然后测量物体表面光线回去的激光飞行中时间而创立3D点云信息，需要光线回去并被探测器接管的光子往往很少，因此，其产生的点云数据较稠密，且点云密度变化很大，由此带给了很多问题。VoxelNet架构图目前处置3D点云数据翻译最先进设备的技术还包括为点云信息手工创立特征密切相关。

有些方法将点云信息感应为俯视视图，也有其它方法将点云信息改以3D立体像素网格，并为每个立体像素编码一定的特征。据苹果公司称之为，手工创立特征密切相关不会带给“信息瓶颈”的问题，容许了系统高效地利用3D形貌信息。

为此，Zhou和Tuzel为基于点云的3D物体观测，明确提出了一种可训练的深度自学架构。该架构被称作VoxelNet，使用立体像素特征编码（voxelfeatureencoding，VFE）层来自学简单的特征，以构建3D形貌的密切相关。VoxelNet是一种将特征提取和边界板预测拆分成单步处置的标准化3D观测神经网络，一种末端到端的可训练的深度自学网络。尤其的，该技术将点云分解成为3D立体像素，通过层叠的立体像素编码层为3D立体像素编码，构建一种体积密切相关。

立体像素特征编码层在实验中，苹果公司明确提出的这套方法展现了极大的应用于前景，试验结果大幅度高于目前基于LiDAR的观测算法和基于光学的观测方案。在一系列测试中，VoxelNet被训练展开3种最基本物体的观测——汽车、行人和自行车。除了理论研究，苹果公司目前还正在加州的街头测试评估自动驾驶汽车。

苹果公司在自动驾驶汽车技术领域的研究始自“ProjectTitan”计划，公司企图从头开始创立一款自律品牌的自动驾驶汽车。经过大量的投资和人员聘用后，“ProjectTitan”遭遇了很多问题，最后在2016年末沉没，不过由该计划开始的自动驾驶支持软件和涉及硬件，仍在研发中。

尽管苹果公司的研究论文主要讲解了自动驾驶汽车的巡弋应用于，该技术还可以应用于利用深度测绘硬件来观测现实场景的增强现实（AR）系统。新款iPhoneX“刘海”中的深度摄像头和LiDAR阵列类似于，其中构建了微型图形投影器，需要提供精准的3D深度信息。

如果深度摄像头的观测范围更进一步拓展，并加装在便携式设备上，再行配上先进设备的软件算法，或将打开全新的消费类AR体验。

本文来源：永旺彩票Welcome-www.ypdjia.com