在雪地里开车对人类来说已经足够困难了，但对于自主车辆来说，这是一场噩梦。

在2018年，加拿大滑铁卢大学的教授KrzysztofCzarnecki建造了一辆自动驾驶汽车，并利用德国研究人员提供的一个驾驶数据集对其进行了培训，以绕过当地社区。 但与德国相比，安大略省有一些严重的雪，在一次试驾中，Czarnecki不得不扳回控制，以避免失事。 这辆车就是受不了雪。

这样的事件就是为什么麻省理工学院计算机科学和人工智能实验室的一个团队正在寻找一个解决方案-他们认为他们已经找到了。 由博士领导。 D.学生TeddyOrt，该团队开发了一个新的系统，利用现有的地面穿透雷达技术-用于坟墓测量、公用事业工作、天坑测量，甚至月球探测-来测量道路下岩石、土壤和根的特定组成。

麻省理工学院的发明被称为定位地面穿透雷达。 当汽车在雪道上行驶时，它使用定位算法来确定它的精确位置，Ort告诉流行力学。 LGPR传感器扫描了车辆下方的地面，得到了地面穿透雷达图像，他的团队称之为“当前扫描”。

一旦这些LGPR地图被创建为一个给定的区域-理论上，无论你期望汽车行驶在哪里-系统已经准备好帮助一辆自主车辆“看到”它是在哪里，如果它雪灾。

这就是它的工作原理：汽车的GPS传感器位于汽车目前行驶的一般区域。 从这些坐标，汽车的计算机可以初步猜测它目前的位置。 然后，该区域的LGPR地图被引用，这样汽车就可以找出它在哪里更具体。 它是在路的右边，应该是吗？ 或者汽车即将驶入一条沟渠，或者更糟糕的是，迎面而来的交通？ 这种方法很有帮助，因为它比试图处理LGPR映射的整个存储库所需的计算能力要少。

Ort用更多的技术术语解释说：“使用粒子群优化方法，找到能够使‘当前扫描’与搜索区域的数据最佳匹配的车辆的位置和方向。” 该算法试图通过思考多个不同的目标来改进可能的结果，这些目标可能导致不同的解决方案。

例如，在自然界中，鸟类和鱼类往往成群结队地工作，并在一群人或一所学校内分享信息，以确保生存。 决定一整群人是否应该降落在地面上是一个优化问题的例子，就像决定GPS采集到的这块土地是否是由地面穿透雷达绘制的同一块土地一样。

在测试中，Ort的团队发现，在典型的天气条件下，导航系统的平均误差范围离其测量只有一英寸远，但他们面临着一个无法预见的问题-系统在下雨方面的困难。

结果表明，雨水浸泡的地面改变了地球上岩石和污垢的组成，这在原始的LGPR地图和同一地块土壤的现状之间造成了差异。 尽管如此，在这两种情况下，后备司机在团队测试的六个月中从来不需要接管车轮（计算平均只有5.5英寸）。

但雨水并不是唯一能改变道路下大地的东西。 滑坡，地震，甚至管道建设可能会改变事情，所以地图维护将是必要的，奥特说。

“[这些条件]都可能使地图随着时间的推移变得不那么精确。 他说：“事先了解这些事件可以用来更新特定地点的地图。” “否则，我们的经验表明，未受干扰地区的地图可能持续数月甚至数年。

虽然地面穿透雷达定位在自主车辆中是新颖的，但它不能单独工作。 它配备了激光雷达、常规雷达和摄像机，为恶劣天气提供了一种故障安全选项，但无法帮助汽车的视觉系统远远超过这一点。

正如Ort指出的，激光雷达和雷达传感器捕捉到车辆周围360度的视野，而LGPR只直接指向汽车下面的土壤，大约在地下6到10英尺。

他说：“尽管如此，我怀疑汽车制造商可能会发现在汽车下面放置多个较小的传感器比我们目前使用的一个大的全宽传感器更容易。”

那是因为麻省理工学院的LGPR传感器很大。 测试车（丰田普锐斯）只携带一个LGPR传感器，但它跨越了车辆的全宽度。 在里面，有一个由12个雷达天线组成的阵列，Ort说可以集体提供11个不同的数据通道。

随着时间的推移，整个组件的大小将变得小得多，就像激光雷达传感器一样。 曾经，他们在自动驾驶车辆上占据了一整个车顶架，但现在可以隐藏在汽车的外部。 但在它们能够小型化之前，LGPR传感器仍然需要完善。 奥尔特说，科学家们仍然需要专注于设计映射技术，这些技术可以将多个数据集缝在一起，以处理多车道道路和交叉口。

自动驾驶汽车越来越聪明和安全，但人脑仍然是汽车最好的传感器。