然而，在實際道路情況中，許多道路指示標識會褪色，也存在模糊的標誌牌隱藏在樹木後面的情況，每個十字路口的情況也不盡相同。此外，美國有225萬公里的公路（約佔全美公路的1/3）是尚未鋪設完成的，或者是沒有道路標記，例如車道標誌或禁停線等。這還不包括無數的私人道路、未鋪設車道或越野小道等。

當規則不明確或不存在時，以遵守規則為基礎的無人駕駛汽車該怎麼辦？當乘客發現他們的車輛無法把他們帶到目的地時，他們又該怎麼辦？

為極端情況做準備

開發無人駕駛先進技術的大多數挑戰都涉及要處理不常見的情況，或超過系統正常能力之外的事情。對於無人駕駛汽車來說，這也是必需的。

很多時候，在公路上行駛的無人駕駛汽車會遇到各種問題，比如在建築之間穿行，或者識別到看起來像停車標誌的塗鴉。而在正常公路之外，無人駕駛汽車會遇到各種各樣的自然環境，比如道路被樹木、洪水和大水坑所阻，甚至還有動物擋道等。

在美國密西西比州立大學的先進車輛系統中心（Center for Advanced Vehicular Systems），研究人員已經開始挑戰訓練算法，以應對那些幾乎從未發生過、難以預測和難以模擬的情況。研究人員試圖將無人駕駛汽車置於最困難的境地：在汽車沒有事先了解的區域駕駛，沒有可靠的基礎設施，比如公路上沒有道路指示和交通標誌，或者在未知的環境中看到類似北極熊的仙人掌等。

這項研究將虛擬技術和現實環境結合起來。研究人員對逼真的戶外場景進行了高級模擬，用來訓練人工智能（AI）算法，讓它接收到信息並對其進行分類，標記樹木、天空、開闊的道路和潛在的障礙等。隨後，研究人員會將這些算法轉移到專門建造的四輪驅動測試車輛上，並將其發送到專用的越野測試軌道上，在那裡他們可以看到算法如何工作，並收集更多的數據，以供進一步模擬測試。

從模擬訓練開始

密西西比州立大學的研究人員開發出專門的模擬器，可以為車輛模擬廣泛的現實戶外場景。該系統生成一系列不同的氣候景觀，如森林和沙漠，並能顯示植物、灌木和樹木如何隨時間生長。它還可以模擬天氣變化、陽光和月光，以及9000顆恆星的精確位置。

該系統還模擬了無人駕駛車輛常用傳感器的讀數，如激光雷達和攝像頭。這些虛擬傳感器收集的數據可以作為有價值的訓練數據輸入神經網絡中。

美國密西西比州立大學自動車輛模擬器生成的模擬沙漠、草地和森林環境

建立測試軌道

模擬僅僅是對真實世界的描述。密西西比州立大學已經購買了20公頃土地，並在開發遠離公路的無人駕駛車輛測試跑道。這處土地非常適合進行越野測試，在其所處的密西西比地區，坡度異常陡峭，有時候甚至高達60%，而且植物種類繁多。

研究人員已經選擇了一些這片區域中對無人駕駛汽車特別具有挑戰性的自然特徵，並在他們的模擬器中準確地複制了它們。這讓研究人員可以直接比較模擬結果和現實生活中實際駕駛的結果。最終，研究人員也會創建類似真實和虛擬相匹配的其他類型景觀，以提高他們車輛的適應能力。

在現實生活和模擬環境中出現的道路

收集更多數據

密西西比州立大學的研究人員還製造了名為Halo Project的試驗車，它配有電動馬達、傳感器和電腦，可以在各種越野環境中導航。Halo Project測試車有額外的傳感器來收集關於其實際環境的詳細數據，這可以幫助研究人員構建虛擬環境來運行新的測試。

Halo Project測試車可以收集關於在崎嶇地形中駕駛和導航的數據

舉例來說，測試車上的兩個激光雷達傳感器被安裝在汽車前部的交叉角度，這樣它們的光束就能掃描即將接近的地面。它們可以共同提供關於表面粗糙或光滑程度的信息，以及從草地、其他植物和地面上其他存在物獲取讀數。

激光雷達的雷達光束交互交叉，以掃描車輛前方的地面

研究人員已經從研究中看到許多令人興奮的早期結果。例如，他們已經證明了在模擬環境中訓練的機器學習算法在現實世界中同樣高效。

與大多數無人駕駛汽車研究一樣，未來還有很長的路要走，但研究人員們希望，為極端情況開發的技術也將有助於無人駕駛汽車在今天的道路上發揮更大的作用。