航空业在20世纪初诞生，但过了20年才有广泛的正规安全要求使得航空旅行真正广泛流行。今时今日，无人驾驶智能汽车的未来也有相似处，因为安全顾虑的原因，行业的将来还有很大不确定性。
为了加快这一进程，麻省理工学院在读的中国博士生杨珩与协作团队合作开发了全球第一套针对自动驾驶汽车的“可验证感知”算法，有助于保护下一代自动驾驶汽车、与它们分享道路的其他老式车辆的整体形势安全。
尽管现在是业界冉冉升起的新星，但杨珩投身于自动机械的研究用了很多年。
在江苏省长大的杨珩，年本科以优异成绩毕业于清华大学汽车工程专业，硕士就读于麻省理工学院机械工程专业。求学期间，他对从蜜蜂习性到细胞反应机制的各种学问都花时间研究。杨珩说：“我的好奇心驱动自己研究各种各样的新鲜事，日积月累，自己越来越倾向学习机械工程，因为这门学科与其他太多学科有交互。”
硕士期间，他主要研究如何改进超声成像系统，以追踪肝纤维化病症。为了做研究，他需要参加一门关于机器人的课程《欠驱动机器人学》，学习如何通过设计算法来控制机器人。这使他爱上了算法设计的研究方向：
“这门课讲到了数学优化，用抽象的公式对世界上几乎所有事物建模。我在这门课上学会了单个简洁方案来解决我论文中各种问题的办法。计算在优化设计方面的强大表现让我感到惊讶，我很快确定了这是我接下来要探索的学术领域。”
年，杨珩硕士毕业，转读麻省理工学院博士，目前在麻省理工学院的信息与决策系统实验室（LIDS）读博，师从卢卡·卡隆教授，主攻“可验证感知”方向的各种难题。
当自动机器人在搜集周遭环境的感应数据后，必须使用算法来评估数据确定周围环境，并判断自己所处的位置。目前，用于机器人感知的算法都是被设计于快速感知，几乎无法保证机器人是否正确理解了周围的环境。
这也是自动驾驶算法设计的现有最大缺陷之一，而杨珩与LIDS实验室的部分成员要解决的就是这一问题，要通过设计“可验证的”算法来确定评估是否正确。
比如，机器人的感知过程，会首先从获取图像开始，如自动驾驶汽车会拍下正在靠近自己的汽车快照。然后，图像会由称为神经网络的机器学习系统处理，在图像中生成有关接近汽车的后视镜、车轮、车门等关键点，并绘制出线条，以从2D汽车图像上检测到的关键点，追踪到数据库里3D汽车模型中标记的3D关键点来比对。
杨珩称，过去的算法在此过程中有优化上的难题，需要将3D模型旋转与平移，以使模型与图像上的关键点对齐，才能让机器人正确理解所处的真实世界环境。
每一条被追踪的线都必须经过分析，以确保它们的匹配是准确的。由于太多关键点可能会被错误匹配（例如神经网络可能会将镜子识别为门把手），那么这个难题就是“非凸”的，很难解决。
而杨珩称其团队开发的“可验证感知”算法能将“非凸”难题改变从容易解决的“凸”难题，能更高效获得正确匹配。即使匹配不完全正确，他们所设计的新算法也知道应该如何继续尝试，直至找到最佳解决方案，即“全局最小值”，这就是新算法在没有最优正确解时能提供的“可验证”解。
此算法获得了年“机器人与自动化国际会议”的“机器人视觉最佳论文奖”。杨珩称,“可验证感知”算法有巨大的潜在影响，因为像自动驾驶汽车这样的工具必须有足够的稳健性与置信度。“我们的目标是做到这种程度：如果感知系统出现故障，驾驶员可以收到‘可验证感知’算法发出的警报，快速接管方向盘。”
在将2D图像与3D模型进行匹配时，既有假设是3D模型要与识别的汽车类型相一致。但是，如果图像中的汽车形状是不包括在机器人数据里的，会发生什么？结局可能无法预料，所以，杨珩团队需要估计汽车的位置，并重建3D模型的形状。
他们找到了一个解决方法：通过对原先识别的车辆进行线性组合，使3D模型自动变形、以匹配2D图像。比方说，该模型可以从奥迪变成现代，因为它已经记录了汽车的实际正确构造。识别接近车辆的尺寸是无人驾驶汽车防止碰撞的关键。
杨珩与团队的这项成就获得了业界一流的“机器人科学与系统会议”（RSS）的最佳论文奖，杨珩还被评为“RSS先驱”。
除了在国际学术会议上发文以外，杨珩还致力于将自己的研究分享给业界与普通公众。他最近将自己的“可验证感知”算法分享给麻省理工学院的“同时定位与绘图”无人机系统首次公开亮相的项目。他还合作组织了首次LIDS实验室学生与工业界领头人们的在线虚拟会议。
杨珩热衷于
