Onderzoekers van de Stanford University hebben een nieuwe manier ontwikkeld om autonome auto's te besturen die eerdere rijervaringen integreert - een systeem dat de auto's helpt veiliger te presteren in extreme en onbekende omstandigheden. Getest op de grens van wrijving op een circuit met Niki, De autonome Volkswagen GTI van Stanford, en Shelley, De autonome Audi TTS van Stanford, het systeem presteerde ongeveer even goed als een bestaand autonoom besturingssysteem en een ervaren coureur.

"Ons werk wordt gemotiveerd door veiligheid, en we willen dat autonome voertuigen in veel scenario's werken, van normaal rijden op wrijvingsasfalt tot snel, wrijvingsarm rijden in ijs en sneeuw, " zei Nathan Spielberg, een afgestudeerde student werktuigbouwkunde aan Stanford en hoofdauteur van het artikel over dit onderzoek, gepubliceerd 27 maart in Wetenschap Robotica . "We willen dat onze algoritmen net zo goed zijn als de best bekwame chauffeurs - en, Hopelijk, beter."

Hoewel de huidige zelfrijdende auto's mogelijk afhankelijk zijn van actuele evaluaties van hun omgeving, het besturingssysteem dat deze onderzoekers ontwierpen, bevat gegevens van recente manoeuvres en rijervaringen uit het verleden, inclusief trips die Niki maakte rond een ijzige testbaan nabij de poolcirkel. Zijn vermogen om te leren van het verleden zou bijzonder krachtig kunnen blijken, gezien de overvloed aan gegevens over autonome auto's die onderzoekers produceren tijdens de ontwikkeling van deze voertuigen.

Natuurkunde en leren

Besturingssystemen voor zelfrijdende auto's hebben toegang nodig tot informatie over de beschikbare wrijving op de weg. Deze informatie bepaalt de limieten van hoe hard de auto kan remmen, versnellen en sturen om op de weg te blijven in kritieke noodsituaties. Als ingenieurs een autonome auto veilig tot het uiterste willen drijven, zoals het plannen van een noodmanoeuvre op ijs, ze moeten het voorzien van details, zoals de wrijving van de wegband, vooraf. Dit is moeilijk in de echte wereld, waar wrijving variabel is en vaak moeilijk te voorspellen is.

Om een ​​flexibeler, responsief controlesysteem, de onderzoekers bouwden een neuraal netwerk - een soort kunstmatig intelligent computersysteem - dat gegevens van eerdere rijervaringen integreert op Thunderhill Raceway in Willows, Californië, en een wintertestfaciliteit met fundamentele kennis geleverd door 200, 000 op fysica gebaseerde trajecten.

"Met de technieken die vandaag beschikbaar zijn, je moet vaak kiezen tussen datagestuurde methoden en benaderingen gebaseerd op fundamentele fysica, " zei J. Christian Gerdes, hoogleraar werktuigbouwkunde en senior auteur van het artikel. "We denken dat de weg vooruit is om deze benaderingen te combineren om hun individuele sterke punten te benutten. Natuurkunde kan inzicht verschaffen in het structureren en valideren van neurale netwerkmodellen die, beurtelings, kunnen enorme hoeveelheden data gebruiken."

De groep voerde vergelijkende tests uit voor hun nieuwe systeem op Thunderhill Raceway. Eerst, Shelley snelde rond, bestuurd door het op fysica gebaseerde autonome systeem, voorgeladen met vaste informatie over het parcours en de voorwaarden. Bij vergelijking op dezelfde cursus gedurende 10 opeenvolgende proeven, Shelley en een ervaren amateurcoureur zorgden voor vergelijkbare rondetijden. Vervolgens, de onderzoekers laadden Niki met hun nieuwe neurale netwerksysteem. De auto presteerde op dezelfde manier met zowel de geleerde als de op fysica gebaseerde systemen, hoewel het neurale netwerk geen expliciete informatie had over wrijving op de weg.

In gesimuleerde tests, het neurale netwerksysteem presteerde beter dan het op fysica gebaseerde systeem in scenario's met hoge wrijving en lage wrijving. Het deed het bijzonder goed in scenario's waarin deze twee voorwaarden werden gemengd.

Een overvloed aan gegevens

De resultaten waren bemoedigend, maar de onderzoekers benadrukken dat hun neurale netwerksysteem niet goed presteert in omstandigheden buiten de omstandigheden die het heeft ervaren. Ze zeggen dat als autonome auto's extra gegevens genereren om hun netwerk te trainen, de auto's moeten een breder scala aan omstandigheden aankunnen.

"Met zoveel zelfrijdende auto's op de weg en in ontwikkeling, er wordt een overvloed aan data gegenereerd uit allerlei rijscenario's, Spielberg zei. "We wilden een neuraal netwerk bouwen omdat er een manier zou moeten zijn om gebruik te maken van die gegevens. Als we voertuigen kunnen ontwikkelen die duizenden keren meer interacties hebben gezien dan wij, we kunnen ze hopelijk veiliger maken."