斯坦福大学研究人员开发了一种控制自动驾驶汽车的新方法，该方法融合了以往的驾驶经验——这一系统将帮助汽车在极端和未知环境下更安全地行驶。该系统使用斯坦福大学自主品牌大众GTI Niki和斯坦福大学自主品牌奥迪TTS在赛道上进行了摩擦极限测试，性能与现有的自主控制系统和经验丰富的赛车手相当。斯坦福大学机械工程研究生内森·斯皮尔伯格(Nathan Spielberg)是这项研究的主要作者，于2019年3月27日发表在《科学机器人》(Science Robotics)上，研究人员希望算法能和最熟练的司机一样好，甚至能更好。

博科园-科学科普：虽然目前自动驾驶汽车可能依赖于对环境的实时评估，但这些研究人员设计的控制系统整合了近期机动和过去驾驶经验的数据，包括尼基在北极圈附近一条结冰测试轨道上的行驶。鉴于研究人员在开发这些汽车的过程中产生了大量自动驾驶汽车数据，从过去学习的能力可能被证明特别强大。自动驾驶汽车的控制系统需要获得可用的道路-轮胎摩擦信息。这些信息决定了汽车在紧急情况下刹车、加速和转向的极限，以便在道路上行驶。如果工程师们想把自动驾驶汽车安全推向极限，比如让它计划在冰上进行紧急操作，必须提前向它提供道路轮胎摩擦等细节。

“雪莱”斯坦福大学自动驾驶奥迪TTS的设计，以赛车的极限处理。

这在真实世界中是困难的，因为摩擦力是可变的，而且通常很难预测。为了开发一个更灵活、反应更灵敏的控制系统，研究人员建立了一个神经网络(一种人工智能计算系统)集成了过去在加利福尼亚州柳树镇雷山赛车场驾驶经验的数据，以及一个冬季测试设施，其中包含了200000条基于物理轨迹提供的基础知识。机械工程教授、论文的高级作者j·克里斯蒂安·格德斯(J. Christian Gerdes)说：有了今天可用的技术，常常不得不在数据驱动的方法和基于基础物理的方法之间做出选择。

研认为，未来的道路是融合这些方法，以利用它们各自的优势。物理学可以为构造和验证神经网络模型提供洞见，而神经网络模型反过来又可以利用大量数据。”、该小组在雷山赛道对新系统进行了对比测试。首先，雪莱在以物理为基础的自主系统控制下四处加速，预先加载了课程和条件的集合信息。当在同一赛道上连续10次试车进行比较时，雪莱和一名熟练业余车手的圈数相当。然后，研究人员将新神经网络系统装入Niki。尽管神经网络缺乏关于道路摩擦的明确信息，但这辆车在运行学习系统和基于物理的系统时表现相似。

在模拟测试中，神经网络系统在高摩擦和低摩擦两种情况下都优于基于物理的系统。在混合了这两种情况的情况下，它表现得特别好。研究结果令人鼓舞，但研究人员强调，神经网络系统在经历过的外部环境下表现不佳，但随着自动驾驶汽车产生更多的数据来训练神经网络，这些汽车应该能够处理更广泛的条件。斯皮尔伯格说：有这么多自动驾驶汽车在路上行驶和开发中，各种驾驶场景产生了大量的数据，我们想建立一个神经网络，因为应该有办法利用这些数据。如果能开发出互动次数比我们多数千倍的交通工具，将有望让自动驾驶更安全。