無人駕駛汽車的行駛里程已達數千萬公里，但這些受到密切關注的研究項目主要是在正常駕駛條件下在普通道路上進行的。那麼當事情變得極端時會發生什麼？斯坦福大學的科學家正在開發新的控制軟件，以便這些車輛可以更好地應對意外情況，依靠先前的駕駛經驗來保持控制。

“我們的工作是出於安全的原因，我們希望自動駕駛汽車能夠在許多情況下工作，從高摩擦柏油路的正常駕駛到冰雪路面的快速、低摩擦駕駛，”新論文主要作者、斯坦福大學的機械工程研究生Nathan Spielberg說道“我們希望我們的算法與最熟練的駕駛員一樣好- 並且希望其變得更好。”

Spielberg和他的同事們並沒有通過依靠傳感器數據來編程自動駕駛汽車來在各種環境中駕駛，而是建立了一個依靠物理學和近期駕駛機動的系統。這意味著使用20,000個基於物理的軌跡來構建模型，並將其用作包含最近駕駛體驗數據的神經網絡的基礎。

該小組使用斯坦福大學的兩輛自動駕駛汽車，分別被稱為Niki（一輛大眾GTI ）和Shelley（一輛奧迪TTS），在靠近北極圈的測試賽道和在加利福尼亞州的Thunderhill賽道進行測試。

這些測試旨在探索摩擦的極限，這與在執行緊急操作時汽車應該制動、加速和轉向的程度有直接關係。隨著數據被納入神經網絡，該團隊表示他們最終採用了一種有前景的自動駕駛汽車新控制方法。

“利用當今可用的技術，你經常需要在數據驅動的方法和基礎物理學方法之間做出選擇，”機械工程教授、該論文的高級作者J. Christian Gerdes說道。“我們認為前進的道路是融合這些方法，以利用其各自優勢。物理學可以提供洞察結構和驗證神經網絡模型，反過來，可以利用大量的數據。”

該系統再次在Thunderhill賽道進行測試，研究人員將Shelley和Niki的自動駕駛性能與一位經驗豐富的賽車手進行了對比，他們發現他們的表現“差不多”。研究人員對結果表示讚賞，但他們表示系統確實存在一些局限性，因為它在尚未體驗的條件下表現不佳。但隨著自動駕駛汽車繼續收集數據，他們希望能夠擴展這些能力。

Spielberg表示：“由於道路和開發過程中有如此多的自動駕駛汽車，各種駕駛場景都會產生大量數據。我們希望建立一個神經網絡，因為應該有一些方法來利用這些數據。如果我們能夠開發出比我們擁有的多數千倍交互的車輛，我們可以希望它們更安全。”

該研究發表在《科學·機器人學》(Science Robotics)雜誌上。