据外媒报道，美国斯坦福大学（StanfordUniversity）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（ThunderhillRaceway）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。