En af de forhindringer, der forhindrer masseadoption af droner, er ineffektiviteten af eksisterende metoder
Det største problem er, atvejbegivenheder af interesse, herunder ulykker, er alt for sjældne. Således kan systemer kræve hundreder af millioner (undertiden milliarder) kilometer for at demonstrere den krævede sikkerhedsydelse. Til dato har Waymo kun modelleret 15 milliarder km. Derfor er det arbejde, der udføres af Dr. Liu og hans team ved University of Michigan, rettet mod at skabe et naturligt og konkurrencedygtigt kørselsmiljø (NADE).
Liu byggede et simuleret kørselsmiljø,ved hjælp af store kørselsdata, der blev indsamlet af University of Michigan Transportation Research Institute (UMTRI). I dette miljø trænes "baggrundsbiler" (dem, der simulerer vejtrafik) til at udføre visse fjendtlige manøvrer mod dronen. Dette fjerner bias og forbedrer effektiviteten.
NADE er en metode til livslang læring, dergiver kontinuerlig kommunikation mellem dronen og mange baggrundskøretøjer. For eksempel, hvis en forsker ønsker at teste sin bil i et bymiljø, vil denne tilgang give dronen mulighed for at køre kontinuerligt og opleve kontradiktoriske scenarier, herunder tænding og hård bremsning ved en højere frekvens. Resultaterne viser, at dette miljø eliminerer ineffektiviteten af de aktuelt tilgængelige muligheder efter størrelsesordener. Denne tilgang forventes at fremskynde vedtagelsen af autonome køretøjer.
”At køre en kilometer ved hjælp af simuleringaugmented reality overlejret på et testspor er lig med hundreder eller tusinder af kilometer på offentlige veje. Dette vil føre til en betydelig reduktion i de samlede omkostninger og tid til test af droner i et sikrere, mere kontrolleret og gentageligt testmiljø, ”sagde ACMs præsident og CEO Ruben Sarkar.
Se også:
Se på et billede på 8 billioner pixel af Mars
Forskere har udviklet en erstatning for relativitetsteorien. Hvad er essensen af "teorien om alt"?
Forskere har fundet bevis for, at moderne mennesker blandes med neandertalere