斯坦福大学研发新神经网络系统 帮助自动驾驶汽车学会处理未知情况

据外媒报道，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。这种方法融合了以往的驾驶经验，可以帮助汽车在极端和未知的情况下更安全地驾驶。研究人员使用斯坦福大学的自动驾驶汽车大众GTI和自动驾驶汽车奥迪TTS在赛道上进行了摩擦极限测试。结果显示，与现有的自动驾驶控制系统和经验丰富的赛车手相比，上述两款自动驾驶汽车表现良好。自动驾驶汽车的控制系统需要访问道路轮胎摩擦信息，该信息决定了车辆在制动、加速和转向操作中可以达到的极限，以在紧急情况下保持在道路上行驶。如果工程师想让自动驾驶汽车安全到达极限，例如让自动驾驶车辆在冰上执行紧急操作，他们必须提前向车辆提供道路轮胎摩擦信息等细节。在现实世界中，由于摩擦力的不断变化，通常很难预测。为了开发一个更灵活、响应更灵敏的控制系统，研究人员创建了一个神经网络，该网络集成了加州Willows Ray Mountain赛道上过去车辆的驾驶数据，以及一个包括20万条物理轨迹基本知识的冬季测试设施。研究人员表示，自动驾驶汽车必须先进行规划，然后才能在环境中沿着安全的轨道行驶。为了证明它们比人类更安全，自动驾驶汽车必须在各种条件和紧急情况下与人类驾驶员一样出色地执行任务，甚至更好。我们展示了一种前馈反馈控制结构，结合一个简单的物理模型来跟踪路径中具有极端摩擦的车辆，并发现它们的性能可以与业余冠军赛车手相媲美。关键是要有一个合适的模型。尽管物理模型在透明度和直观性方面具有优势，但它们需要围绕单个操作点进行清晰的表征，并且不能使用自动驾驶汽车生成的大量车辆数据。为了克服上述限制，我们利用车辆过去状态和物理模型驱动的信息开发了一种神经网络架构。在自动驾驶测试车上使用相同的前馈-反馈控制结构时，神经网络的性能优于物理模型。值得注意的是，当与干燥路面和雪地的训练数据相结合时，该模型可以对车辆行驶的路面进行适当的预测，而不需要对道路摩擦进行明确的估计。上述结果表明，该网络体系结构值得进一步研究，作为工作中基于物理模型的自动驾驶汽车控制系统的基础。研究小组在雷山赛道对新系统进行了对比测试。首先，自动驾驶汽车Shelley由物理模型的自动驾驶系统控制，并预加载有关赛道和驾驶条件的信息集。赛车继续在赛道上加速，在同一条赛道上连续完成10次测试后，Shelley的圈速与熟练的业余车手相当。然后，研究人员在自动驾驶汽车Niki上安装了一个新的神经网络系统。尽管神经网络缺乏关于道路摩擦的准确信息，但汽车的运行学习系统的性能与物理模型系统的性能相似。在模拟测试中，神经网络系统在高摩擦和低摩擦情况下的性能都优于物理模型系统。当与高摩擦和低摩擦混合时，神经网络系统表现特别好。尽管研究结果令人鼓舞，但研究人员强调，神经网络系统在自动驾驶汽车所经历的外部环境中表现不佳。研究人员表示，随着自动驾驶汽车生成越来越多的数据来训练神经网络，自动驾驶汽车未来将能够处理更广泛的驾驶条件。

标签：发现奥迪大众777

汽车资讯热门资讯