Stanford autonome bil lærer at håndtere ukendte forhold

Forskere ved Stanford University har udviklet en ny måde at styre selvkørende biler på, der integrerer tidligere køreoplevelser - et system, der vil hjælpe bilerne til at præstere mere sikkert under ekstreme og ukendte omstændigheder. Testet ved grænserne af friktion på en racerbane med Niki, Stanfords autonome Volkswagen GTI, og Shelley, Stanfords autonome Audi TTS, systemet fungerede omtrent lige så godt som et eksisterende autonomt kontrolsystem og en erfaren racerkører.

"Vores arbejde er motiveret af sikkerhed, og vi ønsker at autonome køretøjer skal fungere i mange scenarier, fra normal kørsel på højfriktionsasfalt til hurtig, lavfriktionskørsel i is og sne, " sagde Nathan Spielberg, en kandidatstuderende i maskinteknik ved Stanford og hovedforfatter af papiret om denne forskning, udgivet 27. marts i Videnskab robotik . "Vi ønsker, at vores algoritmer skal være lige så gode som de bedst dygtige chauffører - og, forhåbentlig, bedre."

Mens nuværende autonome biler kan stole på øjeblikkelige evalueringer af deres miljø, det kontrolsystem, som disse forskere har designet, inkorporerer data fra de seneste manøvrer og tidligere køreoplevelser – inklusive ture Niki tog rundt på en isglat testbane nær polarcirklen. Dens evne til at lære af fortiden kan vise sig at være særlig stærk, i betragtning af den overflod af autonome bildata, som forskere producerer i færd med at udvikle disse køretøjer.

Fysik og læring

Styresystemer til autonome biler har brug for adgang til information om den tilgængelige friktion på vejdæk. Denne information dikterer grænserne for, hvor hårdt bilen kan bremse, accelerer og styr for at blive på vejen i kritiske nødscenarier. Hvis ingeniører sikkert vil presse en autonom bil til dets grænser, såsom at få den til at planlægge en nødmanøvre på is, de skal give den detaljer, ligesom dæk-friktionen, på forhånd. Dette er svært i den virkelige verden, hvor friktionen er variabel og ofte er svær at forudsige.

At udvikle en mere fleksibel, responsivt kontrolsystem, forskerne byggede et neuralt netværk - en type kunstigt intelligent computersystem - der integrerer data fra tidligere køreoplevelser på Thunderhill Raceway i Willows, Californien, og et vintertestanlæg med grundlæggende viden leveret af 200, 000 fysikbaserede baner.

"Med de tilgængelige teknikker i dag, du skal ofte vælge mellem datadrevne metoder og tilgange baseret på fundamental fysik, sagde J. Christian Gerdes, professor i maskinteknik og seniorforfatter af papiret. "Vi tror, ​​at vejen frem er at blande disse tilgange for at udnytte deres individuelle styrker. Fysik kan give indsigt i at strukturere og validere neurale netværksmodeller, der, på tur, kan udnytte enorme mængder data."

Gruppen kørte sammenligningstests for deres nye system på Thunderhill Raceway. Først, Shelley susede rundt styret af det fysik-baserede autonome system, forudindlæst med fastlagte oplysninger om kurset og forhold. Sammenlignet på samme kursus i 10 på hinanden følgende forsøg, Shelley og en dygtig amatørkører genererede sammenlignelige omgangstider. Derefter, forskerne fyldte Niki med deres nye neurale netværkssystem. Bilen kørte på samme måde både det indlærte og det fysikbaserede system, selvom det neurale netværk manglede eksplicit information om vejfriktion.

I simulerede tests, det neurale netværkssystem klarede sig bedre end det fysikbaserede system i både højfriktions- og lavfriktionsscenarier. Det klarede sig især godt i scenarier, der blandede disse to forhold.

En overflod af data

Resultaterne var opmuntrende, men forskerne understreger, at deres neurale netværkssystem ikke fungerer godt under forhold uden for dem, det har oplevet. De siger, når autonome biler genererer yderligere data for at træne deres netværk, bilerne skal kunne klare en bredere vifte af forhold.

"Med så mange selvkørende biler på vejene og under udvikling, der er en overflod af data, der genereres fra alle slags kørselsscenarier, " Spielberg sagde. "Vi ønskede at bygge et neuralt netværk, fordi der skulle være en måde at gøre brug af disse data på. Hvis vi kan udvikle køretøjer, der har set tusindvis af gange flere interaktioner, end vi har, vi kan forhåbentlig gøre dem mere sikre."