Stanfordin auto voi oppia käsittelemään tuntemattomia ajo-olosuhteita

Stanford

Autonominen ajoneuvoturvallisuus on tarttunut joihinkin otsikoihin viime aikoina, kun Nvidia trumpetoi SFF (Safety Force Field) -turvallisuusalustansa, ja Intelin MobileEye-yksikkö kutsui sen sitten idean repimiseen kopioimalla sen Responsible-Sensitive Safety (RSS) -järjestelmän elementtejä . Tarinan pidempi versio on, että molemmat näistä kehyksistä ja muut tutkijoiden ympäri maailmaa kehittämät, riippuvat ajoneuvojen ohjausjärjestelmistä, jotka pystyvät toteuttamaan luotettavasti ajo-ohjauksia tarpeen mukaan.



Suurin osa autonomisista ajoneuvotesteistä tehdään kuitenkin hyvissä sää- ja tieolosuhteissa. Toiminta suorituskyvyn rajoilla ankarissa olosuhteissa, kuten märällä tai jäisellä tiellä, tarkoittaa, että autonomisten ajoneuvojen tekoälyjärjestelmiin on sisällytettävä paljon muita anturitietoja.



StanfordSiellä tulee Stanfordin professorin ja CARS-ohjelman laboratorion johtajan Chris Gerdesin työryhmä työskentelemään. Gerdesin ryhmä on jo pitkään ollut autonomisen ajoneuvodynamiikan eturintamassa, ja se on kerännyt erittäin vaikuttavia korkean suorituskyvyn demo-ajajia. Äskettäin julkaistussa lehdessä Tiederobotiikka , jonka johtava kirjoittaja, CARS-jatko-opiskelija Nathan Spielberg keskittyy kehittämään tapoja, joilla autonomiset ajoneuvot pystyvät käsittelemään vaikeita tilanteita turvallisesti, ryhmä kertoo kuinka se on pystynyt toteuttamaan ohjausjärjestelmän, joka voi oppia ajokokemuksistaan ​​ja sisällyttää ne tuleviin päätöksiinsä. tehdä.



Vie se radalle

Joukkue vei Stanfordin Shelleyn ja Nikin autonomiset ajoneuvot radalle testatakseen uutta oppimisverkostoaan taitavan harrastelijakuljettajan ja fysiikkaan perustuvan mallin kanssa, joka oli ohjelmoitu yli 200 000 ajoneuvoradalla. Pohjimmiltaan kaikki kolme saavuttivat samanlaiset tulokset. Tämä ei tarkoita vain sitä, että autonomiset ajoneuvot voidaan ohjelmoida toimimaan ihmisen kuljettajan tasolla, mutta että he voivat oppia käsittelemään vaikeita ajo-olosuhteita kokemuksen avulla.

Tutkijat varoittavat, että järjestelmä ei toimi hyvin sen olosuhteissa ei ole oppinut. Tämä tarkoittaa, että riittävän tiedon kerääminen erilaisista tilanteista on jatkossa haaste. Gerdes näkee fysiikkaan perustuvien ja hermoverkkomallien sekoittamisen todellisen potentiaalin hyödyntää niiden vahvuuksia.