据外媒报导,美国斯坦福大学(StanfordUniversity)的研究人员早已研发出有一种掌控自动驾驶汽车的新方法,该方法统合了之前的驾驶员经验,可协助汽车在极端以及不得而知情况下,更加安全性地行经。研究人员用于了斯坦福大学的自动驾驶汽车大众GTI(取名为Niki)以及自动驾驶汽车奥迪TTS(取名为Shelley)在赛道上展开了摩擦无限大测试,结果找到,与现有的自动驾驶控制系统以及经验丰富的赛车手比起,上述两辆自动驾驶汽车的展现出也很好。自动驾驶汽车的控制系统必须采访道路-轮胎摩擦信息,此类信息要求了汽车在应急情况下,为维持在道路上行经,制动器、加快和改向操作者所能超过的无限大。如果工程师们期望让自动驾驶汽车安全性地超过无限大,如让自动驾驶汽车在冰面上展开应急操作者,那么工程师们必需提早向汽车获取道路-轮胎摩擦信息等细节。
而在真实世界中由于摩擦力是大大变化的,因此一般来说很难预测。为研发出有一个更加灵活性、反应更加灵敏的控制系统,研究人员创立了一个神经网络,该网络统合了过去车辆在加州威洛斯(Willows,California)雷山赛道(ThunderhillRaceway)的驾驶员数据,以及一个冬季测试设施,该设施包括了20万条物理轨迹基础知识。研究人员回应,自动驾驶汽车首先要展开规划,然后才能沿着安全性轨道在环境中行经。为了证明自己比人类更加安全性,自动驾驶汽车必需在各种条件和应急情况下,与人类驾驶员一样,甚至更佳地继续执行任务。
我们展出了一个前馈-反馈控制结构,融合一个非常简单的物理模型,追踪路径内摩擦超过无限大的车辆,找到其展现出可与业余冠军赛车手的展现出相媲美,关键是要有适合的模型。尽管物理模型在透明性和直觉方面较为有优势,但是它们必须环绕单个操作者点展开具体密切相关,并且无法利用自动驾驶汽车分解的大量车辆数据。
为了解决上述容许,我们用于车辆过去的状态以及物理模型驱动的信息,研发了一个神经网络架构。当在自动驾驶试验车上使用完全相同的前馈-反馈控制结构时,神经网络比物理模型的展现出更佳。更加值得注意的是,当融合潮湿路面和雪地的训练数据时,该模型需要对车辆行经的路面作出适合预测,而不必须具体估算路面摩擦情况。
上述结果表明,该网络架构有一点更进一步研究,作为自动驾驶汽车在工作中基于物理模型控制系统的基础。该研究小组在雷山赛道对新的系统展开了对比测试。
首先,自动驾驶汽车Shelley由物理模型自动驾驶系统控制,预先读取了有关赛道和驾驶员条件的信息集。该车在赛道周围大大加快行经,当在完全相同赛道上已完成了10次连续试验后,Shelley与一名娴熟业余驾驶员超过的圈速非常。然后,研究人员在自动驾驶汽车Niki上加装了新型神经网络系统,尽管该神经网络缺少有关道路摩擦的清楚信息,该车在运营自学系统与物理模型系统的展现出却相近。
在仿真测试中,神经网络系统在低摩擦和较低摩擦两种情况下的展现出都高于物理模型系统。在混合了高摩擦与较低摩擦的情况下,神经网络系统展现出得尤其好。虽然研究结果鼓舞人心,但是研究人员特别强调,该神经网络系统在自动驾驶汽车早已经历过的外部环境中展现出不欠佳。
研究人员回应,随着自动驾驶汽车产生更加多的数据,以训练该神经网络,未来,自动驾驶汽车将需要处置更加普遍的驾驶员条件。
本文来源:太阳城官网-www.ladiesjg.com
Copyright © 2004-2024 www.ladiesjg.com. 太阳城官网科技 版权所有 备案号:ICP备45499513号-1