产品三类

汽车应该能够处理更广泛的条件

斯坦福大学的研究人员开发出一种控制自动驾驶汽车的新方法,该方法集成了先前的驾驶体验 - 这一系统将帮助汽车在极端和未知情况下更安全地行驶。使用Niki,Stanford的自动大众GTI和...
产品订购

详细内容

      斯坦福大学的研究人员开发出一种控制自动驾驶汽车的新方法,该方法集成了先前的驾驶体验 - 这一系统将帮助汽车在极端和未知情况下更安全地行驶。使用Niki,Stanford的自动大众GTI和斯坦福自主驾驶的奥迪TTS Shelley对赛道上的摩擦极限进行了测试,该系统与现有的自动控制系统和经验丰富的赛车驾驶员一样

      “我们的工作是出于安全的原因,我们希望自动驾驶汽车能够在许多情况下工作,从高摩擦沥青的正常驾驶到冰雪中的快速,低摩擦驾驶,”机械工程研究生Nathan Spielberg说道。在斯坦福大学和该研究的主要作者,该研究于3月27日在Science Robotics上发表。“我们希望我们的算法与最熟练的驾驶员一样好 - 并且希望更好。”

      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演习和过去驾驶体验的数据 - 包括Niki在北极圈附近的冰冷试车道上进行的行程。鉴于研究人员在开发这些车辆的过程中产生了大量自动驾驶汽车数据,其从过去中学习的能力可能会特别强大

      自动驾驶汽车的控制系统需要访问有关可用的道路轮胎摩擦的信息。这些信息决定了汽车在严峻的紧急情况下能够制动,加速和转向以保持在路上的难度。如果工程师想要安全地将自动驾驶汽车推到极限,例如让它计划在冰上进行紧急操作,他们必须提前提供详细信息,例如道路轮胎摩擦。在摩擦变化且通常难以预测的现实世界中,这是困难的

      为了开发更灵活,响应更快的控制系统,研究人员构建了一个神经网络 - 一种人工智能计算系统 - 整合了加利福尼亚州Willows的Thunderhill Raceway的过去驾驶体验数据,以及具有基础知识的冬季测试设施。由200,000个基于物理的轨迹提供

      “利用当今可用的技术,你经常需要在数据驱动的方法和基础物理学方法之间做出选择,”机械工程教授,该论文的高级作者J. Christian Gerdes说。“我们认为前进的道路是融合这些方法,以利用他们的个人优势。物理学可以提供洞察结构和验证神经网络模型,反过来,可以利用大量的数据。”

      该小组在Thunderhill Raceway对他们的新系统进行了对比测试。首先,Shelley在基于物理的自动系统控制下加速,预装了有关课程和条件的固定信息。当在连续10次试验中对同一球场进行比较时,雪莱和熟练的业余车手产生了相当的单圈时间。然后,研究人员用他们新的神经网络系统加载了Niki。虽然神经网络缺乏关于道路摩擦的明确信息,但汽车的表现类似于运行学习和基于物理的系统

      在模拟测试中,神经网络系统在高摩擦和低摩擦情况下均优于基于物理的系统。在混合这两个条件的情景中,它的表现特别好

      结果令人鼓舞,但研究人员强调他们的神经网络系统在其经历的条件之外的情况下表现不佳。他们说,随着自动驾驶汽车产生额外的数据来训练他们的网络,汽车应该能够处理更广泛的条件

      斯皮尔伯格说:“道路和开发过程中有如此众多的自动驾驶汽车,各种驾驶场景都会产生大量数据。”“我们希望建立一个神经网络,因为应该有一些方法来利用这些数据。如果我们能够开发出比我们拥有的数千倍交互的车辆,我们可以希望它们更安全。”

      该研究由美国国家科学基金会,William R.和Sara Hart Kimball斯坦福大学研究生奖学金和美国大众汽车集团资助,并得到大众汽车集团研究部的额外支持



    相关推荐: