據外媒報道，美國斯坦福大學（Stanford University）的研究人員已經研發出一種控制自動駕駛汽車的新方法，該方法整合了之前的駕駛經驗，可幫助汽車在極端以及未知情況下，更安全地行駛。研究人員使用了斯坦福大學的自動駕駛汽車大眾GTI（名為Niki）以及自動駕駛汽車奧迪TTS（名為Shelley）在賽道上進行了摩擦極限測試，結果發現，與現有的自動駕駛控制系統以及經驗豐富的賽車手相比，上述兩輛自動駕駛汽車的表現也很好。

自動駕駛汽車的控制系統需要訪問道路-輪胎摩擦信息，此類信息決定了汽車在緊急情況下，為保持在道路上行駛，制動、加速和轉向操作所能達到的極限。如果工程師們希望讓自動駕駛汽車安全地達到極限，如讓自動駕駛汽車在冰面上進行緊急操作，那么工程師們必須提前向汽車提供道路-輪胎摩擦信息等細節。而在真實世界中由于摩擦力是不斷變化的，因此通常很難預測。

為研發出一個更靈活、反應更靈敏的控制系統，研究人員創建了一個神經網絡，該網絡整合了過去車輛在加州威洛斯（Willows， California）雷山賽道（Thunderhill Raceway）的駕駛數據，以及一個冬季測試設施，該設施包含了20萬條物理軌跡基礎知識。

研究人員表示，自動駕駛汽車首先要進行規劃，然后才能沿著安全軌道在環境中行駛。為了證明自己比人類更安全，自動駕駛汽車必須在各種條件和緊急情況下，與人類駕駛員一樣，甚至更好地執行任務。我們展示了一個前饋-反饋控制結構，結合一個簡單的物理模型，跟蹤路徑內摩擦達到極限的車輛，發現其表現可與業余冠軍賽車手的表現相媲美，關鍵是要有合適的模型。盡管物理模型在透明性和直覺方面比較有優勢，但是它們需要圍繞單個操作點進行明確表征，并且不能利用自動駕駛汽車生成的大量車輛數據。為了克服上述限制，我們使用車輛過去的狀態以及物理模型驅動的信息，研發了一個神經網絡架構。當在自動駕駛試驗車上采用相同的前饋-反饋控制結構時，神經網絡比物理模型的表現更好。更值得注意的是，當結合干燥路面和雪地的訓練數據時，該模型能夠對車輛行駛的路面做出合適預測，而不需要明確估計路面摩擦情況。上述結果表明，該網絡架構值得進一步研究，作為自動駕駛汽車在工作中基于物理模型控制系統的基礎。

該研究小組在雷山賽道對新系統進行了對比測試。首先，自動駕駛汽車Shelley由物理模型自動駕駛系統控制，預先加載了有關賽道和駕駛條件的信息集。該車在賽道周圍不斷加速行駛，當在相同賽道上完成了10次連續試驗后，Shelley與一名熟練業余駕駛員達到的圈速相當。然后，研究人員在自動駕駛汽車Niki上安裝了新型神經網絡系統，盡管該神經網絡缺乏有關道路摩擦的確切信息，該車在運行學習系統與物理模型系統的表現卻相似。

在模擬測試中，神經網絡系統在高摩擦和低摩擦兩種情況下的表現都優于物理模型系統。在混合了高摩擦與低摩擦的情況下，神經網絡系統表現得特別好。雖然研究結果鼓舞人心，但是研究人員強調，該神經網絡系統在自動駕駛汽車已經經歷過的外部環境中表現不佳。研究人員表示，隨著自動駕駛汽車產生越來越多的數據，以訓練該神經網絡，未來，自動駕駛汽車將能夠處理更廣泛的駕駛條件。