斯坦福自动驾驶汽车学会处理未知情况
斯坦福大学的研究人员开发了一种新的控制自动驾驶汽车的方法,这种方法整合了先前的驾驶经验,这一系统将帮助汽车在极端和未知的环境下更安全地运行。在赛道上使用尼基(Niki)、斯坦福自动大众(Volkswagen)GTI和雪莱(Shelley)、斯坦福自动奥迪(Audi)TTS在摩擦极限下进行测试,该系统的性能相当于现有的自动控制系统和经验丰富的赛车手。
斯坦福大学机械工程研究生、3月27日发表在《科学》杂志上的论文的主要作者内森•斯皮尔伯格说:“我们的工作是出于安全考虑,我们希望自动驾驶汽车能够在许多情况下工作,从高摩擦沥青上的正常驾驶到冰雪中的快速、低摩擦驾驶。”机器人学。“我们希望我们的算法和最熟练的驾驶员一样好——而且希望更好。”
虽然目前的自动驾驶汽车可能依赖于对其环境的即时评估,但这些研究人员设计的控制系统结合了最近的操作和过去的驾驶经验的数据,包括尼基在北极圈附近的一个结冰的测试轨道上的旅行。鉴于研究人员在开发这些汽车的过程中产生了大量的自主汽车数据,其从过去学习的能力可能会被证明是特别强大的。
物理与学习
自动驾驶汽车的控制系统需要获取有关可用道路轮胎摩擦的信息。这些信息规定了汽车在紧急情况下制动、加速和转向的极限,以便在道路上行驶。如果工程师想要安全地将自动驾驶汽车推到极限,比如让它在冰上计划紧急机动,他们必须提前向它提供细节,比如道路轮胎的摩擦。这在摩擦可变的现实世界中是很困难的,而且通常很难预测。
为了开发一个更灵活、反应灵敏的控制系统,研究人员建立了一个神经网络——一种人工智能计算系统——它将加利福尼亚州柳树市雷神山赛道过去驾驶经验中的数据和一个冬季测试设施,以及一个由200000名物理工作者提供的基础知识。里斯。
机械工程教授、该论文的高级作者J.Christian Gerdes说:“如今,有了这些技术,你常常不得不在数据驱动的方法和以基础物理为基础的方法之间做出选择。”“我们认为,前进的道路是将这些方法融合在一起,以利用各自的优势。物理可以为构建和验证神经网络模型提供洞察,而神经网络模型反过来又可以利用大量数据。”
该小组在雷神山赛道对他们的新系统进行了比较测试。首先,雪莱在基于物理的自治系统的控制下飞驰,预先加载了有关课程和条件的设置信息。在连续10次的测试中,雪莱和一位技术熟练的业余车手在同一条赛道上进行了比较,得出了相似的圈速。然后,研究人员将他们的新神经网络系统装入NIKI。尽管神经网络缺乏关于道路摩擦的明确信息,但该车在运行基于学习和物理的系统时表现类似。
在模拟试验中,神经网络系统在高摩阻和低摩阻情况下均优于物理系统。它在混合了这两种情况的情况下表现得特别好。
丰富的数据
这一结果令人鼓舞,但研究人员强调,他们的神经网络系统在所经历的外界条件下表现不佳。他们说,随着自动驾驶汽车生成额外的数据来训练他们的网络,这些汽车应该能够处理更广泛的情况。
斯皮尔伯格说:“由于有这么多的自动驾驶汽车在公路上行驶,而且正在开发中,各种驾驶场景都产生了大量的数据。”“我们想建立一个神经网络,因为应该有某种方法来利用这些数据。如果我们能够开发出比我们所能看到的交互多上千倍的车辆,我们希望能让它们更安全。”