斯坦福大学最新的自动驾驶技术能像赛车手一样处理棘手的弯道
无人驾驶汽车的里程已达数千万公里,但这些备受关注的研究项目主要是在正常驾驶条件下在普通道路上进行的。那么当事情变得极端时会发生什么呢?斯坦福大学的科学家正在开发新的控制软件,以便这些车辆能够更好地应对事故,并依靠以往的驾驶经验来保持控制。
“我们的工作是出于安全考虑。这篇新论文的主要作者、斯坦福大学机械工程研究生内森·斯皮尔伯格说:“我们希望自动驾驶汽车可以在许多情况下工作,从在高摩擦沥青路面上正常驾驶到在结冰路面上快速、低摩擦驾驶。“我们希望我们的算法能像最熟练的司机一样好——我们希望它能变得更好。”
斯皮尔伯格和他的同事们并没有依靠传感器数据给自动驾驶汽车编程,而是建立了一个依靠物理和最近驾驶操作的系统。这意味着20,000条基于物理的轨迹被用来建立模型,并将其作为包含最近驾驶经验数据的神经网络的基础。
该团队使用了斯坦福大学的两辆自动驾驶汽车,名为尼基(一辆大众GTI)和雪莱(一辆奥迪TTS),在加州北极圈和雷山附近的测试跑道上进行测试。
这些测试旨在探索摩擦力的极限,这与紧急操作期间汽车应该刹车、加速和转向的程度直接相关。随着数据被整合到神经网络中,该小组称他们最终采用了一种有希望的自动驾驶车辆的新控制方法。
“在当今可用的技术中,你经常不得不在数据驱动的方法和基本的物理方法之间做出选择,”机械工程教授、该论文的资深作者克里斯蒂安·格德斯(J. Christian Gerdes)说。“我们认为前进的道路是整合这些方法以利用它们各自的优势。物理学可以洞察结构,验证神经网络模型,而神经网络模型又可以利用大量数据。”
该系统在雷山赛道再次测试。研究人员将雪莱和尼基的自动驾驶性能与经验丰富的赛车手进行了比较,发现他们的性能“相似”。研究人员对结果表示赞赏,但他们表示,该系统确实有一些局限性,因为它在尚未经历的条件下表现不佳。但是随着自动驾驶汽车继续收集数据,他们希望能够扩展这些能力。
斯皮尔伯格说:“由于道路上有很多自动驾驶汽车,在开发过程中,各种驾驶场景会产生大量数据。我们希望建立一个神经网络,因为应该有一些方法来使用这些数据。如果我们能开发出比现在多几千倍的交互式车辆,我们可以希望它们更安全。”
这项研究发表在《科学机器人学》杂志上。