自动驾驶汽车通过人工智能技术识别行人、其他车辆以及潜在的障碍物后，就能够在城市街道以及交通不太繁忙的环境中行驶。这一切都是在人工神经网络的帮助下实现，人工神经网络通过训练之后，能够模仿人类的视觉感知系统，“看到”车辆周围的环境。
不过，与人类不一样，采用人工神经网络的车辆并没有过去的记忆，无论以前在某条路上开过多少次，其总是处于第一次看到世界的状态中。在恶劣天气条件下，这一点会出现很大的问题，因为汽车将无法依赖传感器，实现安全驾驶。
据外媒报道，美国康奈尔大学安・S・鲍尔斯计算与信息科学学院（Cornell Ann S. Bowers College of Computing and Information Science and the College of Engineering）的研究人员同时发表了三篇论文，其中阐述了通过为汽车基于之前的经验创造“记忆”，让其在未来行驶导航中利用该记忆，从而克服以上限制。
研究人员驾驶数据收集车（图片来源：康奈尔大学）
安・S・鲍尔斯计算机科学学院教授Kilian Weinberger表示：“根本问题就是，我们能够从重复的经历中学习吗？例如，一辆汽车的激光扫描仪第一次从远处感知到一棵形状奇怪的树时，可能会误认为这棵树是行人。但是，一旦距离够近，就能够清楚物体的种类。因此，在第二次驶过同样的树时，即使在雾天或雪天，汽车有望学会正确识别这棵树。”
该研究小组的博士生Katie Luo表示：“事实上，人们很少会第一次在一条路上行驶。你自己或者其他人最近都开过这条路，所以收集和利用这些经验是很自然的事情。”
在博士生Carlos Diaz-Ruiz的领导下，该研究小组通过驾驶一辆装有激光雷达（光探测与测距）的车辆，在18个月的时间内，在伊萨卡及其周围15公里的环路上反复行驶了40次，从而汇编了一个数据集。此次旅行捕捉了各种不同的情况：（不同的道路：高速公路、城市、校园）、不同的天气（晴天、雨天、下雪天）以及一天中不同的时间。研究小组将该数据集命名为Ithaca365，其中拥有超60万个场景。
Diaz-Ruiz表示：“其故意将自动驾驶汽车暴露在关键挑战之一：糟糕的天气条件中。如果街道被雪覆盖，人类可以依靠记忆，但是没有记忆的话，神经网络就会遇到很大的麻烦。”
HINDSIGHT是一种利用神经网络、在车辆经过物体时，计算物体描述符的方法，然后其可以将此类描述压缩，并被该小组命名为SQuaSH（空间量化简短历史）特征，并被存储在一张虚拟地图上，与存储在人类大脑中的“记忆”类似。
研究人员表示：“此类信息可被当作特征，添加到任意基于激光雷达的3D物体探测器中。之后，可以联合训练探测器和SQuaSH特征，无需任何额外的监督或人工注释，后者既费时又费力。”
虽然HINDSIGHT仍然认为人工神经网络已被训练，可用于探测物体，并且得到创造记忆的能力之后，得到了增强，不过MODEST（短暂移动物体探测与自我训练）则发展得更远。
在该研究中，研究人员让车辆从头开始学习整个感知过程。一开始，车辆的人工神经网络从没有接触过任何物体或者街道。通过多次行驶过同一路径，汽车可以了解到环境中哪部分是静止的，哪部分是移动的物体。慢慢地，其能够教会自己其他交通参与者都有什么，忽视什么东西是安全的。
然后，该算法可以可靠地探测此类物体，甚至在之前没有重复行驶过的道路上也可以做到。
研究人员希望，上述两种方法都能够大幅降低自动驾驶汽车的研发成本（目前自动驾驶汽车的研发仍然严重依赖昂贵的人工注释数据），还能够通过学习之前最常行驶过的路径，让自动驾驶汽车更高效。
