Neural network vehicle models for high-performance automated driving

[DeepTecher]

Neural network vehicle models for high-performance automated driving, :+1: 发表在《Science Robotics》杂志上

提交日期：2019-03-27 团队：斯坦福大学 作者：Nathan A. Spielberg*, Matthew Brown, Nitin R. Kapania, John C. Kegelman and J. Christian Gerdes

摘要：通过首先规划并随后遵循安全轨迹，自动车辆在其环境中导航。为了证明比人类更安全，他们必须最终在广泛的条件和危急情况下执行这些任务，或者比人类驾驶员更好。我们展示了一个前馈反馈控制结构，其中包含一个简单的基于物理的模型，可用于跟踪达到车辆摩擦极限的路径，其性能可与冠军业余赛车手相媲美。关键是拥有合适的模型。虽然基于物理的模型在透明度和直觉上是有用的，但它们需要围绕单个操作点进行明确表征，并且不能利用自动驾驶车辆产生的大量车辆数据。为了规避这些限制，我们提出了一种神经网络结构，它使用一系列过去的状态和由物理模型驱动的输入。当在实验车辆上的相同前馈反馈控制架构中实现时，神经网络实现比物理模型更好的性能。更值得注意的是，当对来自干燥路面和雪地的数据组合进行训练时，该模型能够对车辆行驶的路面进行适当的预测，而无需明确的道路摩擦力估计。这些研究结果表明，网络结构值得进一步研究，作为自动车辆在其整个运行范围内基于模型的控制的基础。

[DeepTecher]

官方新闻：https://news.stanford.edu/2019/03/27/autonomous-driving-unknown/