Исследователи из Стэнфордского университета разработали новый способ управления автономными автомобилями, который объединяет предшествующий опыт вождения, — систему, которая поможет автомобилям работать более безопасно в экстремальных и неизвестных обстоятельствах. Испытанная на пределе трения на гоночной трассе с использованием Niki, автономного Volkswagen GTI Стэнфорда, и Shelley, автономного Audi TTS Стэнфорда, система работала так же, как и существующая автономная система управления и опытный гонщик.
«Наша работа мотивирована безопасностью, и мы хотим, чтобы автономные транспортные средстваработали по многим сценариям, от нормального вождения на асфальте с высоким коэффициентом трения до быстрого, с низким коэффициентом трения вождения по льду и снегу», — сказал Натан Спилберг, аспирант по машиностроению. в Стэнфорде и ведущий автор статьи об этом исследовании, опубликованной 27 марта в Science Robotics . «Мы хотим, чтобы наши алгоритмы были такими же хорошими, как у лучших опытных водителей, и, надеюсь, лучше».
В то время как современные автономные автомобили могут полагаться на мгновенные оценки окружающей среды, система управления, разработанная этими исследователями, включает в себя данные о последних маневрах и прошлом опыте вождения, в том числе о поездках, пройденных Ники по ледяной испытательной трассе у полярного круга. Его способность извлекать уроки из прошлого может оказаться особенно мощной, учитывая обилие автономных данных о автомобилях, которые исследователи создают в процессе разработки этих транспортных средств.
Физика и обучение
Системам управления для автономных автомобилей необходим доступ к информации о наличии трения между шинами и дорогами. Эта информация определяет пределы того, насколько сильно автомобиль может тормозить, ускоряться и поворачивать, чтобы оставаться на дороге в критических чрезвычайных ситуациях. Если инженеры хотят безопасно подтолкнуть автономный автомобиль к его пределам, например, планируя экстренный маневр на льду, они должны заранее предоставить ему такие детали, как трение о шину. Это трудно в реальном мире, где трение является переменным и часто трудно предсказать.
Чтобы разработать более гибкую, быстро реагирующую систему управления, исследователи создали нейронную сеть — тип искусственно интеллектуальной вычислительной системы — которая объединяет данные из прошлого опыта вождения на Thunderhill Raceway в Уиллоусе, Калифорния, и зимнюю испытательную базу с базовыми знаниями, предоставленными 200 000 основанных на физике траекторий.
«Используя доступные сегодня методы, вам часто приходится выбирать между методами, основанными на данных, и подходами, основанными на фундаментальной физике» , — сказал Дж. Кристиан Гердес, профессор машиностроения и старший автор статьи. «Мы думаем, что путь вперед — это объединить эти подходы, чтобы использовать их индивидуальные преимущества. Физика может дать представление о структурировании и проверке моделей нейронных сетей, которые, в свою очередь, могут использовать огромные объемы данных».
Группа провела сравнительные тесты для своей новой системы на Thunderhill Raceway. Во-первых, Шелли обошла вокруг управляемую физикой автономную систему, предварительно загруженную установленной информацией о курсе и условиях. При сравнении на одном и том же курсе в течение 10 последовательных испытаний, Шелли и опытный водитель-любитель показали сравнимое время прохождения круга. Затем исследователи загрузили Ники с их новой системой нейронной сети. Автомобиль работал аналогичным образом, как с обученными, так и с физическими системами, хотя в нейронной сети не было четкой информации о дорожном трении.
В смоделированных тестах система нейронных сетей превзошла физическую систему в сценариях как с высоким, так и с низким коэффициентом трения. Это было особенно хорошо в сценариях, которые смешивали эти два условия.
Обилие данных
Результаты были обнадеживающими, но исследователи подчеркивают, что их система нейронных сетей не работает хорошо в условиях, которые она не испытывала. Они говорят, что, поскольку автономные автомобили генерируют дополнительные данные для обучения своей сети, автомобили должны быть способны обрабатывать более широкий спектр условий.
«Так как на дорогах и в процессе разработки находится так много автомобилей с самостоятельным вождением, существует множество данных, генерируемых по всем сценариям вождения», — сказал Спилберг. «Мы хотели построить нейронную сеть, потому что должен быть какой-то способ использовать эти данные. Если мы сможем разработать транспортные средства, которые видели в тысячи раз больше взаимодействий, чем мы, мы можем надеяться сделать их более безопасными».
