无人驾驶汽车的行驶里程已达数千万公里，但这些受到密切关注的研究项目主要是在正常驾驶条件下在普通道路上进行的。那么当事情变得极端时会发生什么？斯坦福大学的科学家正在开发新的控制软件，以便这些车辆可以更好地应对意外情况，依靠先前的驾驶经验来保持控制。

“我们的工作是出于安全的原因，我们希望自动驾驶汽车能够在许多情况下工作，从高摩擦柏油路的正常驾驶到冰雪路面的快速、低摩擦驾驶，”新论文主要作者、斯坦福大学的机械工程研究生Nathan Spielberg说道“我们希望我们的算法与最熟练的驾驶员一样好 - 并且希望其变得更好。”

Spielberg和他的同事们并没有通过依靠传感器数据来编程自动驾驶汽车来在各种环境中驾驶，而是建立了一个依靠物理学和近期驾驶机动的系统。这意味着使用20,000个基于物理的轨迹来构建模型，并将其用作包含最近驾驶体验数据的神经网络的基础。

该小组使用斯坦福大学的两辆自动驾驶汽车，分别被称为Niki（一辆大众GTI ）和Shelley（一辆奥迪TTS），在靠近北极圈的测试赛道和在加利福尼亚州的Thunderhill赛道进行测试。

这些测试旨在探索摩擦的极限，这与在执行紧急操作时汽车应该制动、加速和转向的程度有直接关系。随着数据被纳入神经网络，该团队表示他们最终采用了一种有前景的自动驾驶汽车新控制方法。

“利用当今可用的技术，你经常需要在数据驱动的方法和基础物理学方法之间做出选择，”机械工程教授、该论文的高级作者J. Christian Gerdes说道。“我们认为前进的道路是融合这些方法，以利用其各自优势。物理学可以提供洞察结构和验证神经网络模型，反过来，可以利用大量的数据。”

该系统再次在Thunderhill赛道进行测试，研究人员将Shelley和Niki的自动驾驶性能与一位经验丰富的赛车手进行了对比，他们发现他们的表现“差不多”。研究人员对结果表示赞赏，但他们表示系统确实存在一些局限性，因为它在尚未体验的条件下表现不佳。但随着自动驾驶汽车继续收集数据，他们希望能够扩展这些能力。

Spielberg表示：“由于道路和开发过程中有如此多的自动驾驶汽车，各种驾驶场景都会产生大量数据。我们希望建立一个神经网络，因为应该有一些方法来利用这些数据。如果我们能够开发出比我们拥有的多数千倍交互的车辆，我们可以希望它们更安全。”

该研究发表在《科学·机器人学》(Science Robotics)杂志上。