Fordon
Autonoma testbilen klarade av banan på lånade minnen
"Vi vill att våra algoritmer ska vara lika bra som de skickligaste förarna – och förhoppningsvis bättre", hävdar en av forskarna. Foto: Stanford University
Stanford Universitys självkörande fordon lärde av sina misstag på tävlingsbanan. När kunskaperna fördes över till en annan testbil så klarade den av kurvorna lika snabbt.
För att förstå sin omgivning och de förutsättningar som råder förlitar sig självkörande bilar på en rad sensorer, exempelvis lidar och radar. Men autonoma system blir riktigt bra först när de på egen hand kan dra lärdomar av sina erfarenheter – och ännu bättre vore det om de nya kunskaperna kunde delas med andra fordon. Nu har Stanford University tagit ett steg på vägen.
Forskarna har skapat ett neuralt nätverk som de har matat med information från olika typer av vägunderlag, inklusive krävande förhållanden som snö och is. Systemet lät deras autonoma testfordon parera kurvor runt Sacramento Valleys Thunderhill Raceway i tävlingshastighet.
– Vi vill att våra algoritmer ska vara lika bra som de skickligaste förarna – och förhoppningsvis bättre. Vårt arbete är motiverat av säkerhet, och vi vill att autonoma fordon ska fungera i många scenarion – från normal körning på asfalt med hög friktion, till snabb körning med låg friktion på is och snö, säger Nathan Spielberg, avhandlingens huvudförfattare till The Verge.
De körde först en testbil som hade försetts med information om banans utformning och vilka vägförhållanden som rådde för stunden. Under tio testkörningar höll den jämna varvtider med en skicklig amatörförare. Därefter fördes den första bilens erfarenheter, inhämtade från körningen, över till ett annat testfordon – och trots att bil nr. 2 inte hade samma information om friktionen på olika delar av banan så klarade den av en jämförbar varvid, detta med utgångspunkt från den andra bilens kunskaper. Nu ser forskarna en stor potential kring överföringen av kunskap mellan autonoma fordon.
– Med så många självkörande bilar på vägarna, och under utveckling, finns det ett överskott av data som genereras under alla möjliga typer av körscenarion. Vi ville bygga ett neutralt nätverk i och med att det borde finnas något sätt som man kan dra nytta av den datan. Om vi kan utveckla fordon som har sett tusentals många gånger fler interaktioner än vad vi har gjort så kan vi förhoppningsvis göra dem säkrare, säger Nathan Spielberg till Engineering and Technology.
Forskarna har publicerat sin avhandling Neural network vehicle models for high-performance automated driving i tidskriften Science Robotics.
