据外媒报道，美国斯坦福大学(Stanford University)的研究人员已经研发出一种控制自动驾驶汽车的新方法，该方法整合了之前的驾驶经验，可帮助汽车在极端以及未知情况下，更安全地行驶。研究人员使用了斯坦福大学的自动驾驶汽车大众GTI(名为Niki)以及自动驾驶汽车奥迪TTS(名为Shelley)在赛道上进行了摩擦极限测试，结果发现，与现有的自动驾驶控制系统以及经验丰富的赛车手相比，上述两辆自动驾驶汽车的表现也很好。

自动驾驶汽车的控制系统需要访问道路-轮胎摩擦信息，此类信息决定了汽车在紧急情况下，为保持在道路上行驶，制动、加速和转向操作所能达到的极限。如果工程师们希望让自动驾驶汽车安全地达到极限，如让自动驾驶汽车在冰面上进行紧急操作，那么工程师们必须提前向汽车提供道路-轮胎摩擦信息等细节。而在真实世界中由于摩擦力是不断变化的，因此通常很难预测。

为研发出一个更灵活、反应更灵敏的控制系统，研究人员创建了一个神经网络，该网络整合了过去车辆在加州威洛斯(Willows, California)雷山赛道(Thunderhill Raceway)的驾驶数据，以及一个冬季测试设施，该设施包含了20万条物理轨迹基础知识。

研究人员表示，自动驾驶汽车首先要进行规划，然后才能沿着安全轨道在环境中行驶。为了证明自己比人类更安全，自动驾驶汽车必须在各种条件和紧急情况下，与人类驾驶员一样，甚至更好地执行任务。我们展示了一个前馈-反馈控制结构，结合一个简单的物理模型，跟踪路径内摩擦达到极限的车辆，发现其表现可与业余冠军赛车手的表现相媲美，关键是要有合适的模型。尽管物理模型在透明性和直觉方面比较有优势，但是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汽车生成的大量车辆数据。为了克服上述限制，我们使用车辆过去的状态以及物理模型驱动的信息，研发了一个神经网络架构。当在自动驾驶试验车上采用相同的前馈-反馈控制结构时，神经网络比物理模型的表现更好。更值得注意的是，当结合干燥路面和雪地的训练数据时，该模型能够对车辆行驶的路面做出合适预测，而不需要明确估计路面摩擦情况。上述结果表明，该网络架构值得进一步研究，作为自动驾驶汽车在工作中基于物理模型控制系统的基础。

该研究小组在雷山赛道对新系统进行了对比测试。首先，自动驾驶汽车Shelley由物理模型自动驾驶系统控制，预先加载了有关赛道和驾驶条件的信息集。该车在赛道周围不断加速行驶，当在相同赛道上完成了10次连续试验后，Shelley与一名熟练业余驾驶员达到的圈速相当。然后，研究人员在自动驾驶汽车Niki上安装了新型神经网络系统，尽管该神经网络缺乏有关道路摩擦的确切信息，该车在运行学习系统与物理模型系统的表现却相似。

在模拟测试中，神经网络系统在高摩擦和低摩擦两种情况下的表现都优于物理模型系统。在混合了高摩擦与低摩擦的情况下，神经网络系统表现得特别好。虽然研究结果鼓舞人心，但是研究人员强调，该神经网络系统在自动驾驶汽车已经经历过的外部环境中表现不佳。研究人员表示，随着自动驾驶汽车产生越来越多的数据，以训练该神经网络，未来，自动驾驶汽车将能够处理更广泛的驾驶条件。