據外媒報道，美國斯坦福大學（Stanford University）的研究人員已經研發(fā)出一種控制自動駕駛汽車的新方法，該方法整合了之前的駕駛經驗，可幫助汽車在極端以及未知情況下，更安全地行駛。研究人員使用了斯坦福大學的自動駕駛汽車大眾GTI（名為Niki）以及自動駕駛汽車奧迪TTS（名為Shelley）在賽道上進行了摩擦極限測試，結果發(fā)現(xiàn)，與現(xiàn)有的自動駕駛控制系統(tǒng)以及經驗豐富的賽車手相比，上述兩輛自動駕駛汽車的表現(xiàn)也很好。

自動駕駛汽車的控制系統(tǒng)需要訪問道路-輪胎摩擦信息，此類信息決定了汽車在緊急情況下，為保持在道路上行駛，制動、加速和轉向操作所能達到的極限。如果工程師們希望讓自動駕駛汽車安全地達到極限，如讓自動駕駛汽車在冰面上進行緊急操作，那么工程師們必須提前向汽車提供道路-輪胎摩擦信息等細節(jié)。而在真實世界中由于摩擦力是不斷變化的，因此通常很難預測。

為研發(fā)出一個更靈活、反應更靈敏的控制系統(tǒng)，研究人員創(chuàng)建了一個神經網絡，該網絡整合了過去車輛在加州威洛斯（Willows， California）雷山賽道（Thunderhill Raceway）的駕駛數(shù)據，以及一個冬季測試設施，該設施包含了20萬條物理軌跡基礎知識。

研究人員表示，自動駕駛汽車首先要進行規(guī)劃，然后才能沿著安全軌道在環(huán)境中行駛。為了證明自己比人類更安全，自動駕駛汽車必須在各種條件和緊急情況下，與人類駕駛員一樣，甚至更好地執(zhí)行任務。我們展示了一個前饋-反饋控制結構，結合一個簡單的物理模型，跟蹤路徑內摩擦達到極限的車輛，發(fā)現(xiàn)其表現(xiàn)可與業(yè)余冠軍賽車手的表現(xiàn)相媲美，關鍵是要有合適的模型。盡管物理模型在透明性和直覺方面比較有優(yōu)勢，但是它們需要圍繞單個操作點進行明確表征，并且不能利用自動駕駛汽車生成的大量車輛數(shù)據。為了克服上述限制，我們使用車輛過去的狀態(tài)以及物理模型驅動的信息，研發(fā)了一個神經網絡架構。當在自動駕駛試驗車上采用相同的前饋-反饋控制結構時，神經網絡比物理模型的表現(xiàn)更好。更值得注意的是，當結合干燥路面和雪地的訓練數(shù)據時，該模型能夠對車輛行駛的路面做出合適預測，而不需要明確估計路面摩擦情況。上述結果表明，該網絡架構值得進一步研究，作為自動駕駛汽車在工作中基于物理模型控制系統(tǒng)的基礎。

該研究小組在雷山賽道對新系統(tǒng)進行了對比測試。首先，自動駕駛汽車Shelley由物理模型自動駕駛系統(tǒng)控制，預先加載了有關賽道和駕駛條件的信息集。該車在賽道周圍不斷加速行駛，當在相同賽道上完成了10次連續(xù)試驗后，Shelley與一名熟練業(yè)余駕駛員達到的圈速相當。然后，研究人員在自動駕駛汽車Niki上安裝了新型神經網絡系統(tǒng)，盡管該神經網絡缺乏有關道路摩擦的確切信息，該車在運行學習系統(tǒng)與物理模型系統(tǒng)的表現(xiàn)卻相似。

在模擬測試中，神經網絡系統(tǒng)在高摩擦和低摩擦兩種情況下的表現(xiàn)都優(yōu)于物理模型系統(tǒng)。在混合了高摩擦與低摩擦的情況下，神經網絡系統(tǒng)表現(xiàn)得特別好。雖然研究結果鼓舞人心，但是研究人員強調，該神經網絡系統(tǒng)在自動駕駛汽車已經經歷過的外部環(huán)境中表現(xiàn)不佳。研究人員表示，隨著自動駕駛汽車產生越來越多的數(shù)據，以訓練該神經網絡，未來，自動駕駛汽車將能夠處理更廣泛的駕駛條件。