Selbstfahrende Autos sind darauf trainiert, mit äußerster Vorsicht zu fahren, aber es entstehen Fahrsituationen, in denen autonome Fahrzeuge mit hoher Geschwindigkeit manövrieren müssen, um Kollisionen zu vermeiden. Können diese Fahrzeuge, die mit Hightech-Sensoren im Wert von Zehntausenden von Dollar ausgestattet und für „normales“ Fahren programmiert sind, diese Entscheidungen schneller treffen als ein Mensch?
Die Antwort mag bei den Ingenieuren liegen Universität in Stanford. Sie schufen ein neuronales Netzwerk, das es fahrerlosen Autos ermöglicht, Manöver mit hoher Geschwindigkeit und geringer Reibung durchzuführen, genau wie Rennfahrer. Sobald sie das System perfektionieren, werden sie es tun Fahrerlose Autos hatte Fähigkeiten jenseits der menschlichen, wie es ist 94 Prozent der Verkehrsunfälle auf menschliches Versagen zurückzuführen.
Die Forscher glauben, dass dies ein wichtiger Schritt ist, um die Fähigkeit autonomer Fahrzeuge zu verbessern, Unfälle zu vermeiden.
„Wir wollen, dass unsere Algorithmen so gut sind wie die bestqualifizierten Fahrer – und hoffentlich besser“, sagte er Nathan Spielberg, Diplom-Ingenieur Maschinenbau an der Stanford und Hauptautor eines kürzlich in der Zeitschrift veröffentlichten Artikels Wissenschaftliche Robotik. „Unsere Arbeit ist durch die Erhöhung der Verkehrssicherheit motiviert, und wir möchten, dass autonome Fahrzeuge in vielen Szenarien funktionieren, vom normalen Fahren auf Asphalt bis zum reibungsarmen Hochgeschwindigkeitsfahren auf Eis und Schnee.“ Das Team verwendete eine Art künstlichen Intelligenzalgorithmus namens neuronales Netzwerk, der auf den neuronalen Netzwerken in unserem Gehirn basiert, um ein selbstüberprüfendes System zu erstellen. Neuronale Netze sind eine Art maschinelles Lernen, bei dem Programmierer Modelle erstellen, die riesige Datendatenbanken verarbeiten und nach Mustern suchen. Diese Netzwerke werden verwendet, um das „Gehirn“ des autonomen Fahrzeugs mit Strom zu versorgen, normalerweise Hochleistungsgrafikprozessoren, die im Kofferraum jedes Fahrzeugs gespeichert sind und den Entscheidungsprozess steuern.
Das Stanford-Team trainierte ein neuronales Netz mit Daten aus 200.000 Bewegungsmustern, darunter Testläufe auf rutschigem Untergrund wie Schnee und Eis. Sie brachten ihr System dann zum Thunderhill Raceway im Sacramento Valley, um es zu testen. Das Stanford-Team setzte bei seinen Tests zwei Autos ein: ein autonomes Volkswagen GTI und autonom Audi TTS.
Sie sagen, dass sie von den Ergebnissen ermutigt sind, betonen jedoch, dass ihr neuronales Netzwerksystem in verschiedenen Umgebungen und Bedingungen noch nicht gut genug funktioniert. Aber sie sagen, dass sie durch umfangreiche Tests und eine Erweiterung der Fahrdatenbank auch die letzten Probleme lösen werden, die sie von einem System trennen, das besser funktioniert als ein menschlicher Fahrer.
Quelle:
theverge.com
