Stanford Car может научиться справляться с неизвестными условиями вождения

Безопасность автономных транспортных средств в последнее время попадает в заголовки некоторых новостей: Nvidia рекламирует свою платформу безопасности Safety Force Field (SFF), а затем вызывается подразделением Intel MobileEye за то, что она выделила эту идею, скопировав элементы своей системы обеспечения безопасности с учетом ответственности (RSS). , Более длинная версия этой истории заключается в том, что обе эти системы, а также другие, разработанные исследователями по всему миру, зависят от систем управления транспортным средством, которые могут при необходимости выполнять маневры при вождении.

Тем не менее, большинство автономных испытаний транспортных средств проводится и предполагает хорошую погоду и дорожные условия. Работа с ограничениями производительности в суровых условиях, таких как мокрые или обледенелые дороги, означает, что большое количество дополнительной сенсорной информации необходимо включить в системы AI в автономных транспортных средствах.

Взять его на трек

Команда вывела на трассу автономные машины Стенфорда Шелли и Ники, чтобы проверить свою новую учебную сеть как на квалифицированном водителе-любителе, так и на физической модели, запрограммированной с использованием более 200 000 траекторий. По сути, все три достигли схожих результатов. Это означает не только то, что автономные транспортные средства могут быть запрограммированы для работы на уровне человека-водителя, но и то, что они могут научиться справляться с трудными условиями вождения на основе опыта.

Исследователи предупреждают, что система не работает хорошо в условиях, которые она не изучала. Это означает, что сбор достаточного количества данных из различных ситуаций будет проблемой в будущем. Гердес видит истинный потенциал в объединении моделей на основе физики и нейронных сетей, чтобы использовать в своих интересах все их сильные стороны.