斯坦福大學研究人員開發了一種控制自動駕駛汽車的新方法，該方法融合了以往的駕駛經驗——這一系統將幫助汽車在極端和未知環境下更安全地行駛。該系統使用斯坦福大學自主品牌大眾GTI Niki和斯坦福大學自主品牌奧迪TTS在賽道上進行了摩擦極限測試，性能與現有的自主控制系統和經驗豐富的賽車手相當。斯坦福大學機械工程研究生內森·斯皮爾伯格(Nathan Spielberg)是這項研究的主要作者，于2019年3月27日發表在《科學機器人》(Science Robotics)上，研究人員希望算法能和最熟練的司機一樣好，甚至能更好。

博科園-科學科普：雖然目前自動駕駛汽車可能依賴于對環境的實時評估，但這些研究人員設計的控制系統整合了近期機動和過去駕駛經驗的數據，包括尼基在北極圈附近一條結冰測試軌道上的行駛。鑒于研究人員在開發這些汽車的過程中產生了大量自動駕駛汽車數據，從過去學習的能力可能被證明特別強大。自動駕駛汽車的控制系統需要獲得可用的道路-輪胎摩擦信息。這些信息決定了汽車在緊急情況下剎車、加速和轉向的極限，以便在道路上行駛。如果工程師們想把自動駕駛汽車安全推向極限，比如讓它計劃在冰上進行緊急操作，必須提前向它提供道路輪胎摩擦等細節。

“雪萊”斯坦福大學自動駕駛奧迪TTS的設計，以賽車的極限處理。

這在真實世界中是困難的，因為摩擦力是可變的，而且通常很難預測。為了開發一個更靈活、反應更靈敏的控制系統，研究人員建立了一個神經網絡(一種人工智能計算系統)集成了過去在加利福尼亞州柳樹鎮雷山賽車場駕駛經驗的數據，以及一個冬季測試設施，其中包含了200000條基于物理軌跡提供的基礎知識。機械工程教授、論文的高級作者j·克里斯蒂安·格德斯(J. Christian Gerdes)說：有了今天可用的技術，常常不得不在數據驅動的方法和基于基礎物理的方法之間做出選擇。

研認為，未來的道路是融合這些方法，以利用它們各自的優勢。物理學可以為構造和驗證神經網絡模型提供洞見，而神經網絡模型反過來又可以利用大量數據。”、該小組在雷山賽道對新系統進行了對比測試。首先，雪萊在以物理為基礎的自主系統控制下四處加速，預先加載了課程和條件的集合信息。當在同一賽道上連續10次試車進行比較時，雪萊和一名熟練業余車手的圈數相當。然后，研究人員將新神經網絡系統裝入Niki。盡管神經網絡缺乏關于道路摩擦的明確信息，但這輛車在運行學習系統和基于物理的系統時表現相似。

在模擬測試中，神經網絡系統在高摩擦和低摩擦兩種情況下都優于基于物理的系統。在混合了這兩種情況的情況下，它表現得特別好。研究結果令人鼓舞，但研究人員強調，神經網絡系統在經歷過的外部環境下表現不佳，但隨著自動駕駛汽車產生更多的數據來訓練神經網絡，這些汽車應該能夠處理更廣泛的條件。斯皮爾伯格說：有這么多自動駕駛汽車在路上行駛和開發中，各種駕駛場景產生了大量的數據，我們想建立一個神經網絡，因為應該有辦法利用這些數據。如果能開發出互動次數比我們多數千倍的交通工具，將有望讓自動駕駛更安全。