Pesquisadores da Universidade de Stanford desenvolveram uma nova maneira de controlar carros autônomos que integra experiências de direção anteriores - um sistema que ajudará os carros a ter um desempenho mais seguro em circunstâncias extremas e desconhecidas. Testado nos limites de atrito em uma pista de corrida usando Niki, Volkswagen GTI autônomo de Stanford, e Shelley, Audi TTS autônomo de Stanford, o sistema teve um desempenho quase tão bom quanto um sistema de controle autônomo existente e um piloto de corrida experiente.

“Nosso trabalho é motivado pela segurança, e queremos veículos autônomos para trabalhar em muitos cenários, de direção normal em asfalto de alta fricção para rápido, condução de baixo atrito em gelo e neve, "disse Nathan Spielberg, estudante de graduação em engenharia mecânica em Stanford e principal autor do artigo sobre esta pesquisa, publicado em 27 de março em Ciência Robótica . "Queremos que nossos algoritmos sejam tão bons quanto os drivers mais qualificados - e, esperançosamente, Melhor."

Embora os carros autônomos atuais possam depender de avaliações imediatas de seu ambiente, o sistema de controle que esses pesquisadores projetaram incorpora dados de manobras recentes e experiências de direção anteriores - incluindo viagens que Niki fez ao redor de uma pista de teste gelada perto do Círculo Polar Ártico. Sua capacidade de aprender com o passado pode ser particularmente poderosa, dada a abundância de dados de automóveis autônomos, os pesquisadores estão produzindo no processo de desenvolvimento desses veículos.

Física e aprendizagem

Os sistemas de controle para carros autônomos precisam de acesso às informações sobre o atrito disponível na estrada. Esta informação dita os limites de quão forte o carro pode frear, acelere e dirija para permanecer na estrada em cenários de emergência críticos. Se os engenheiros querem levar um carro autônomo com segurança até seus limites, como fazer com que planeje uma manobra de emergência no gelo, eles têm que fornecer detalhes, como o atrito do pneu da estrada, antecipadamente. Isso é difícil no mundo real, onde o atrito é variável e muitas vezes difícil de prever.

Para desenvolver um sistema mais flexível, sistema de controle responsivo, os pesquisadores construíram uma rede neural - um tipo de sistema de computação artificialmente inteligente - que integra dados de experiências anteriores de direção em Thunderhill Raceway em Willows, Califórnia, e uma instalação de teste de inverno com conhecimento básico fornecido por 200, 000 trajetórias baseadas na física.

"Com as técnicas disponíveis hoje, muitas vezes você tem que escolher entre métodos orientados por dados e abordagens baseadas na física fundamental, "disse J. Christian Gerdes, professor de engenharia mecânica e autor sênior do artigo. "Achamos que o caminho a seguir é combinar essas abordagens para aproveitar seus pontos fortes individuais. A física pode fornecer uma visão sobre a estruturação e validação de modelos de rede neural que, por sua vez, pode alavancar grandes quantidades de dados. "

O grupo fez testes de comparação para seu novo sistema na Thunderhill Raceway. Primeiro, Shelley acelerou controlada pelo sistema autônomo baseado na física, pré-carregado com informações definidas sobre o curso e as condições. Quando comparado no mesmo curso durante 10 tentativas consecutivas, Shelley e um piloto amador habilidoso geraram tempos de volta comparáveis. Então, os pesquisadores carregaram Niki com seu novo sistema de rede neural. O carro teve um desempenho semelhante, executando os sistemas aprendidos e os baseados na física, mesmo que a rede neural carecesse de informações explícitas sobre o atrito na estrada.

Em testes simulados, o sistema de rede neural superou o sistema baseado na física em cenários de alta e baixa fricção. Ele se saiu particularmente bem em cenários que misturaram essas duas condições.

Abundância de dados

Os resultados foram encorajadores, mas os pesquisadores enfatizam que seu sistema de rede neural não funciona bem em condições fora das que experimentou. Eles dizem que os carros autônomos geram dados adicionais para treinar sua rede, os carros devem ser capazes de lidar com uma ampla gama de condições.

"Com tantos carros autônomos nas estradas e em desenvolvimento, há uma abundância de dados sendo gerados a partir de todos os tipos de cenários de direção, "Spielberg disse." Queríamos construir uma rede neural porque deveria haver alguma maneira de fazer uso desses dados. Se pudermos desenvolver veículos que tenham visto milhares de vezes mais interações do que nós, podemos, com sorte, torná-los mais seguros. "