Forskare vid Stanford University har utvecklat ett nytt sätt att styra autonoma bilar som integrerar tidigare körupplevelser – ett system som hjälper bilarna att prestera säkrare under extrema och okända omständigheter. Testad vid gränserna för friktion på en racerbana med Niki, Stanfords autonoma Volkswagen GTI, och Shelley, Stanfords autonoma Audi TTS, systemet presterade ungefär lika bra som ett befintligt autonomt kontrollsystem och en erfaren racerförare.

"Vårt arbete är motiverat av säkerhet, och vi vill att autonoma fordon ska fungera i många scenarier, från normal körning på högfriktionsasfalt till snabb, lågfriktionskörning i is och snö, sa Nathan Spielberg, en doktorand i maskinteknik vid Stanford och huvudförfattare till artikeln om denna forskning, publicerad 27 mars in Vetenskapsrobotik . "Vi vill att våra algoritmer ska vara lika bra som de bästa skickliga förarna - och, förhoppningsvis, bättre."

Medan nuvarande autonoma bilar kan förlita sig på aktuella utvärderingar av sin miljö, Det kontrollsystem som dessa forskare designade innehåller data från de senaste manövrarna och tidigare körupplevelser – inklusive turer som Niki tog runt en isig testbana nära polcirkeln. Dess förmåga att lära av det förflutna kan visa sig vara särskilt kraftfull, med tanke på det överflöd av autonoma bildata som forskare producerar i processen att utveckla dessa fordon.

Fysik och lärande

Styrsystem för autonoma bilar behöver tillgång till information om den tillgängliga friktionen på väg-däcken. Denna information dikterar gränserna för hur hårt bilen kan bromsa, accelerera och styr för att hålla dig på vägen i kritiska nödsituationer. Om ingenjörer säkert vill driva en autonom bil till dess gränser, som att låta den planera en nödmanöver på is, de måste förse den med detaljer, som väg-däckfriktionen, i förväg. Detta är svårt i den verkliga världen där friktionen varierar och ofta är svår att förutsäga.

För att utveckla en mer flexibel, responsivt kontrollsystem, forskarna byggde ett neuralt nätverk - en typ av artificiellt intelligent datorsystem - som integrerar data från tidigare körupplevelser på Thunderhill Raceway i Willows, Kalifornien, och en vintertestanläggning med grundläggande kunskap från 200, 000 fysikbaserade banor.

"Med de tekniker som finns tillgängliga idag, du måste ofta välja mellan datadrivna metoder och tillvägagångssätt grundade i fundamental fysik, sade J. Christian Gerdes, professor i maskinteknik och senior författare till tidningen. "Vi tror att vägen framåt är att blanda dessa tillvägagångssätt för att utnyttja deras individuella styrkor. Fysiken kan ge insikt i att strukturera och validera neurala nätverksmodeller som, i tur och ordning, kan utnyttja enorma mängder data."

Gruppen körde jämförelsetester för sitt nya system på Thunderhill Raceway. Först, Shelley rusade runt kontrollerad av det fysikbaserade autonoma systemet, förladdad med uppsatt information om banan och förutsättningar. Vid jämförelse på samma kurs under 10 på varandra följande försök, Shelley och en skicklig amatörförare genererade jämförbara varvtider. Sedan, forskarna laddade Niki med sitt nya neurala nätverkssystem. Bilen körde på liknande sätt både det inlärda och fysikbaserade systemet, även om det neurala nätverket saknade explicit information om vägfriktion.

I simulerade tester, det neurala nätverkssystemet överträffade det fysikbaserade systemet i både högfriktions- och lågfriktionsscenarier. Det gick särskilt bra i scenarier som blandade de två förhållandena.

Ett överflöd av data

Resultaten var uppmuntrande, men forskarna betonar att deras neurala nätverkssystem inte fungerar bra under förhållanden utanför de som det har upplevt. De säger att när autonoma bilar genererar ytterligare data för att träna sitt nätverk, bilarna ska klara ett bredare spektrum av förhållanden.

"Med så många självkörande bilar på vägarna och under utveckling, det finns ett överflöd av data som genereras från alla typer av körscenarier, ", sa Spielberg. "Vi ville bygga ett neuralt nätverk eftersom det borde finnas något sätt att använda dessa data. Om vi ​​kan utveckla fordon som har sett tusentals gånger fler interaktioner än vi har, vi kan förhoppningsvis göra dem säkrare."