Los investigadores de la Universidad de Stanford han desarrollado una nueva forma de controlar los automóviles autónomos que integra las experiencias de conducción anteriores, un sistema que ayudará a los automóviles a funcionar de manera más segura en circunstancias extremas y desconocidas. Probado en los límites de fricción en una pista de carreras con Niki,El Volkswagen GTI autónomo de Stanford, y Shelley, el Audi TTS autónomo de Stanford, el sistema funcionó tan bien como un sistema de control autónomo existente y un experimentado piloto de carreras.
"Nuestro trabajo está motivado por la seguridad, y queremos que los vehículos autónomos funcionen en muchos escenarios, desde la conducción normal en asfalto de alta fricción hasta la conducción rápida y de baja fricción en hielo y nieve", dijo Nathan Spielberg, un estudiante graduado eningeniería mecánica en Stanford y autor principal del artículo sobre esta investigación, publicado el 27 de marzo en Ciencia Robótica . "Queremos que nuestros algoritmos sean tan buenos como los mejores controladores y, con suerte, mejores".
Si bien los autos autónomos actuales pueden depender de las evaluaciones de su entorno en el momento, el sistema de control que estos investigadores diseñaron incorpora datos de maniobras recientes y experiencias de conducción anteriores, incluidos los viajes que Niki realizó alrededor de una pista de prueba helada cerca del Círculo Polar Ártico.Su capacidad de aprender del pasado podría resultar particularmente poderosa, dada la abundancia de datos de automóviles autónomos que los investigadores están produciendo en el proceso de desarrollo de estos vehículos.
Física y aprendizaje
Los sistemas de control para automóviles autónomos necesitan acceso a información sobre la fricción disponible de los neumáticos de carretera. Esta información dicta los límites de cuán duro puede frenar, acelerar y conducir el automóvil para mantenerse en la carretera en situaciones críticas de emergencia. Si los ingenieros lo deseanpara empujar con seguridad un automóvil autónomo hasta sus límites, como hacer que planee una maniobra de emergencia en el hielo, tienen que proporcionarle detalles, como la fricción de los neumáticos de la carretera, por adelantado. Esto es difícil en el mundo real donde la fricción es variabley a menudo es difícil de predecir.
Para desarrollar un sistema de control más flexible y receptivo, los investigadores construyeron una red neuronal, un tipo de sistema de computación artificialmente inteligente, que integra datos de experiencias de manejo pasadas en Thunderhill Raceway en Willows, California, y un centro de pruebas de invierno conconocimiento fundamental proporcionado por 200,000 trayectorias basadas en la física.
"Con las técnicas disponibles hoy en día, a menudo tienes que elegir entre métodos y enfoques basados en datos basados en la física fundamental", dijo J. Christian Gerdes, profesor de ingeniería mecánica y autor principal del artículo. "Creemos que el camino a seguires combinar estos enfoques para aprovechar sus fortalezas individuales. La física puede proporcionar información sobre la estructuración y validación de modelos de redes neuronales que, a su vez, pueden aprovechar grandes cantidades de datos ".
El grupo realizó pruebas de comparación para su nuevo sistema en Thunderhill Raceway. Primero, Shelley aceleró controlada por el sistema autónomo basado en la física, precargado con información establecida sobre el curso y las condiciones. En comparación en el mismo curso durante 10 consecutivosDurante los ensayos, Shelley y un hábil conductor aficionado generaron tiempos de vuelta comparables. Luego, los investigadores cargaron a Niki con su nuevo sistema de red neuronal. El automóvil funcionó de manera similar tanto en los sistemas aprendidos como en los basados en la física, a pesar de que la red neuronal carecía de información explícita sobre la carreterafricción.
En las pruebas simuladas, el sistema de red neuronal superó al sistema basado en la física en escenarios de alta y baja fricción. Lo hizo particularmente bien en escenarios que mezclaban esas dos condiciones.
abundancia de datos
Los resultados fueron alentadores, pero los investigadores enfatizan que su sistema de red neuronal no funciona bien en condiciones fuera de las que ha experimentado. Dicen que a medida que los autos autónomos generan datos adicionales para entrenar su red, los autos deberían poder manejar unmás amplia gama de condiciones
"Con tantos autos autónomos en las carreteras y en desarrollo, se genera una gran cantidad de datos de todo tipo de escenarios de conducción", dijo Spielberg. "Queríamos construir una red neuronal porque debería haber alguna manerahacer uso de esos datos. Si podemos desarrollar vehículos que hayan visto miles de veces más interacciones que nosotros, con suerte podremos hacerlos más seguros ".
Los coautores del artículo son los estudiantes de posgrado Matthew Brown y John C. Kegelman y el erudito posdoctoral Nitin R. Kapania, todos de Stanford. Gerdes también es investigador principal en el Instituto Precourt para la Energía.
Esta investigación fue financiada por la National Science Foundation, William R. y Sara Hart Kimball Stanford Graduate Fellowship y Volkswagen Group of America, con el apoyo adicional de Volkswagen Group Research.
Fuente de la historia :
Materiales proporcionado por Universidad de Stanford . Original escrito por Taylor Kubota. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :