I ricercatori della Stanford University hanno sviluppato un nuovo modo di controllare le auto autonome che integra le precedenti esperienze di guida, un sistema che aiuterà le auto a funzionare in modo più sicuro in circostanze estreme e sconosciute. Testato ai limiti dell'attrito in pista con Niki, Volkswagen GTI autonoma di Stanford, e Shelley, L'Audi TTS autonoma di Stanford, il sistema ha funzionato così come un sistema di controllo autonomo esistente e un pilota di auto da corsa esperto.

"Il nostro lavoro è motivato dalla sicurezza, e vogliamo che i veicoli autonomi funzionino in molti scenari, dalla guida normale su asfalto ad alto attrito a quella veloce, guida a basso attrito su ghiaccio e neve, "ha detto Nathan Spielberg, uno studente laureato in ingegneria meccanica a Stanford e autore principale dell'articolo su questa ricerca, pubblicato il 27 marzo in Robotica scientifica . "Vogliamo che i nostri algoritmi siano all'altezza dei conducenti più esperti e, auspicabilmente, meglio."

Mentre le attuali auto autonome potrebbero fare affidamento su valutazioni in tempo reale del loro ambiente, il sistema di controllo progettato da questi ricercatori incorpora i dati di manovre recenti ed esperienze di guida passate, compresi i viaggi che Niki ha fatto su una pista di prova ghiacciata vicino al Circolo Polare Artico. La sua capacità di apprendere dal passato potrebbe rivelarsi particolarmente potente, data l'abbondanza di dati sulle auto a guida autonoma che i ricercatori stanno producendo nel processo di sviluppo di questi veicoli.

Fisica e apprendimento

I sistemi di controllo per le auto a guida autonoma hanno bisogno di accedere alle informazioni sull'attrito disponibile tra pneumatici stradali. Queste informazioni determinano i limiti della forza con cui l'auto può frenare, accelerare e sterzare per rimanere sulla strada in scenari di emergenza critici. Se gli ingegneri vogliono spingere in sicurezza un'auto autonoma ai suoi limiti, come far pianificare una manovra di emergenza sul ghiaccio, devono fornirgli i dettagli, come l'attrito della gomma da strada, in anticipo. Questo è difficile nel mondo reale, dove l'attrito è variabile e spesso è difficile da prevedere.

Per sviluppare una più flessibile, sistema di controllo reattivo, i ricercatori hanno costruito una rete neurale, un tipo di sistema informatico artificialmente intelligente, che integra i dati delle esperienze di guida passate alla Thunderhill Raceway di Willows, California, e un impianto di prova invernale con conoscenze fondamentali fornite da 200, 000 traiettorie basate sulla fisica.

"Con le tecniche oggi disponibili, spesso devi scegliere tra metodi basati sui dati e approcci fondati sulla fisica fondamentale, " ha detto J. Christian Gerdes, professore di ingegneria meccanica e autore senior del documento. "Pensiamo che la strada da percorrere sia quella di fondere questi approcci al fine di sfruttare i loro punti di forza individuali. La fisica può fornire informazioni sulla strutturazione e la convalida di modelli di rete neurale che, a sua volta, può sfruttare enormi quantità di dati."

Il gruppo ha eseguito test comparativi per il loro nuovo sistema al Thunderhill Raceway. Primo, Shelley correva controllata dal sistema autonomo basato sulla fisica, precaricato con le informazioni impostate sul percorso e le condizioni. Se confrontati sullo stesso corso durante 10 prove consecutive, Shelley e un pilota dilettante esperto hanno generato tempi sul giro comparabili. Quindi, i ricercatori hanno caricato Niki con il loro nuovo sistema di rete neurale. L'auto si comportava in modo simile eseguendo sia il sistema appreso che quello basato sulla fisica, anche se la rete neurale mancava di informazioni esplicite sull'attrito stradale.

Nei test simulati, il sistema di rete neurale ha superato il sistema basato sulla fisica sia in scenari ad alto attrito che a basso attrito. Ha funzionato particolarmente bene in scenari che mescolavano queste due condizioni.

Un'abbondanza di dati

I risultati sono stati incoraggianti, ma i ricercatori sottolineano che il loro sistema di rete neurale non funziona bene in condizioni al di fuori di quelle che ha sperimentato. Dicono che mentre le auto autonome generano dati aggiuntivi per addestrare la loro rete, le auto dovrebbero essere in grado di gestire una gamma più ampia di condizioni.

"Con così tante auto a guida autonoma sulle strade e in fase di sviluppo, c'è un'abbondanza di dati generati da tutti i tipi di scenari di guida, " ha detto Spielberg. "Volevamo costruire una rete neurale perché ci dovrebbe essere un modo per utilizzare quei dati. Se riusciamo a sviluppare veicoli che hanno visto migliaia di volte più interazioni di noi, speriamo di poterli rendere più sicuri".