沈阳机械设备网

当前位置: 首页 >> 农业机械

斯坦福自动驾驶汽车学会应对未知条件

2021年08月18日 沈阳机械设备网

斯坦福自动驾驶汽车学会应对未知条件

斯坦福大学的研究人员开发了一种新的自动驾驶汽车控制方法,该方法集成了先前的驾驶经验,该系统将帮助汽车在极端和未知情况下更安全地行驶。

该系统使用斯坦福的自动驾驶大众GTI尼基和斯坦福的自动驾驶奥迪TTS雪莱在赛道上进行了摩擦极限测试,其性能与现有的自动控制系统以及经验丰富的赛车手差不多。

机械工程专业的研究生内森·斯皮尔伯格说:“我们的工作是出于安全的考虑,我们希望自动驾驶汽车能够在多种情况下工作,从在高摩擦沥青上正常行驶到在冰雪中快速,低摩擦行驶”斯坦福大学(Stanford)分校,也是该研究论文的主要作者,该论文于3月27日发表在《科学机器人》上中国机械网okmao.com。“

我们希望我们的算法与最熟练的驱动程序一样好,并且希望更好。”

尽管当前的自动驾驶汽车可能需要对其环境进行即时评估,但这些研究人员设计的控制系统结合了最近的操作和过去的驾驶经验(包括Niki在北极圈附近结冰的测试轨道上的出行)数据。鉴于研究人员在开发这些车辆的过程中产生了大量的自动驾驶汽车数据,其从过去的学习能力可能特别强大。

物理与学习

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紧急情况下能够刹车,加速和转向以保持在道路上的程度。如果工程师想将自动驾驶汽车安全地推到极限,例如计划在冰上进行紧急演习,他们必须事先提供详细信息,例如道路轮胎摩擦。在摩擦可变且通常难以预测的现实世界中,这是困难的。

该视频显示了在自动驾驶的大众GTI上实现的神经网络控制器,该控制器在操作极限(车辆操纵轨道或道路而不会滑落失控的能力)下进行测试。在Thunderhill Raceway进行了测试。

为了开发更加灵活,响应迅速的控制系统,研究人员构建了一个神经网络(一种人工智能计算系统),该网络将加利福尼亚州Willows的Thunderhill Raceway以及过去由20万个基于物理的轨迹。

机械工程学教授,该论文的高级作者J. Christian Gerdes说:“利用当今可用的技术,您通常必须在数据驱动的方法和基础物理学的方法之间进行选择。”

“我们认为前进的道路是将这些方法融合起来,以利用它们的各自优势。物理学可以为构造和验证神经网络模型提供见解,而神经网络模型又可以利用大量数据。”

该小组在Thunderhill Raceway对其新系统进行了比较测试。首先,雪莱四处奔走,受到基于物理学的自主系统的控制,并预先加载了有关路线和条件的设置信息。

在10次连续试验中,在同一路线上进行比较时,雪莱和一名熟练的业余车手产生了可比的单圈时间。然后,研究人员将新的神经网络系统装入了Niki。即使神经网络缺乏有关道路摩擦的明确信息,该车在运行已学习系统和基于物理的系统时的运行情况也相似。

在模拟测试中,神经网络系统在高摩擦和低摩擦情况下均优于基于物理的系统。在将这两种情况混合在一起的情况下,它的表现尤其出色。

斯坦福大学自主驾驶的奥迪TTS雪莱在雷山赛道公园表演。图片提供:Kurt Hickman

大量数据

结果令人鼓舞,但是研究人员强调说,他们的神经网络系统在超出其所经历的条件下不能很好地运行。他们说,随着自动驾驶汽车产生更多数据来训练他们的网络,这些汽车应该能够处理更广泛的条件。

斯皮尔伯格说:“由于道路上和开发中的自动驾驶汽车如此之多,因此从各种驾驶场景中都会产生大量的数据。” “我们之所以要建立一个神经网络,是因为应该有某种方式来利用这些数据。如果我们能够开发出比我们看到的交互次数多数千倍的车辆,我们有望使它们更安全。