自动驾驶汽车“Shelley”正在进行极限条件下的驾驶测试。
“Shelley”正在雷山赛道上疾驰。
techxplore.com网站3月27日报道，美国斯坦福大学的研究人员开发了一种控制自动驾驶汽车的新方法，该方法融合了之前的驾驶经验。新系统或可帮助汽车在极端和未知环境条件下更安全地行驶。斯坦福大学的研究人员利用其设计、改装的大众GTI汽车Niki和奥迪TTS汽车Shelley在赛道上进行了摩擦极限测试，测试结果与现有自主控制系统和经验丰富的赛车手相当。斯坦福大学机械工程研究生、论文作者Nathan Spielberg说：“我们希望自动驾驶汽车能在多场景条件下安全行驶——不论是高摩擦力的沥青路面还是低摩擦力的冰雪地，我们希望新算法都能和‘老司机’媲美，甚至更好。”
虽然目前的自动驾驶汽车比较依赖对环境的实时评估，但Spielberg设计的控制系统通过整合Niki等的历史和近期驾驶数据，使系统具备了极为强大的学习能力。自动驾驶汽车的控制系统需要获得大量关于道路-轮胎的摩擦信息。这些信息对汽车在紧急情况下的刹车、加速和转向极限有重要影响。如果工程师们想把自动驾驶汽车的安全性做到极致，那么为自动驾驶系统提供道路-轮胎的摩擦细节不可或缺。然而，由于现实条件下摩擦力的高可变性和难预测性，摩擦力信息的获取是非常困难的。
为了开发更具灵活性和灵敏性的控制系统，研究人员建立了一种基于人工智能计算系统的神经网络。该网络集成了汽车在加州赛车场和在冬季测试中的驾驶数据。其中，关于物理轨迹的基础数据多达200000条。机械工程教授、论文作者J. Christian Gerdes说：“时至今日，研究人员常常不得不在数据驱动的方法和基于基础物理学的方法之间做出选择。我们认为，自动驾驶的未来应该是这些方法的合集，以充分利用两者各自的优势：物理学为构造和验证神经网络模型提供帮助，神经网络模型又能分析大量数据。”
研究人员在加州雷山赛道对新系统进行了对比测试。首先，研究人员测试了Shelley的行驶性能。Shelley的物理自主系统中预装了赛道信息。在相同赛道上连续进行10次试车，Shelley的表现与熟练的业余车手不相上下。随后，研究人员将他们设计的新神经网络系统装入Niki进行测试。虽然神经网络缺乏关于道路摩擦力的信息，但Niki的行驶表现与Shelley的物理学系统相似。在模拟测试中，神经网络系统在高/低摩擦条件下的测试结果都优于物理系统。而当系统融合了两者的优势后，自动汽车的表现更加出色。
虽然测试结果令人鼓舞，但研究人员仍然强调说，他们的神经系统网络在陌生环境下的表现还不尽如人意。Spielberg认为，随着自动驾驶汽车的不断发展，能产生更多的数据来完善神经系统网络，从而使其更为安全。
原创编译：德克斯特 审稿：阿淼 责编：张梦
期刊来源：《科学机器人》
期刊编号：2470-9476
原文链接：https://techxplore.com/news/2019-03-stanford-autonomous-car-unknown-conditions.html
中文内容仅供参考，一切内容以英文原版为准。转载请注明来源。
