有一項非常有趣的研究表明，駕駛習慣偏激進的司機期待著與自動駕駛汽車共享道路，因為他們相信自己可以輕松地在前面開道。

調查顯示，“好斗”的司機往往“認為自動駕駛汽車在路上比人類更容易對付”，因為他們認為自己能夠“欺負”它們。這項研究是關于國際社會對自動駕駛技術態度的最全面的研究之一，來自11個國家的1.2萬名司機接受了調查。

“我會一直超車，因為他們會遵守規則，”一名英國司機表示，利用無人駕駛汽車內置的安全功能，這些功能將限制他們的速度，并使他們在路口更加謹慎。

由于自動駕駛汽車大多數被設定為避免事故，它們很可能會在謹慎方面犯錯誤。此前，Waymo的一輛自動駕駛汽車撞上了一輛巴士的一側。事故發生后，Waymo表示將對車輛預測路上其他司機的行駛方式做出一些改變。

近日，佐治亞理工學院機器人與智能機器研究所(IRIM)的研究人員最近提出了一種新的框架，用于只使用單目攝像機、IMU傳感器和車輪速度傳感器的激進駕駛。

他們在arXiv上發表的一篇論文中提出了一種基于深度學習的道路檢測、粒子濾波和模型預測控制(MPC)相結合的方法。

開展這項研究的研究人員之一保羅·德魯斯表示:“了解自動駕駛的前沿案例變得非常重要。我們選擇了激進駕駛（aggressive driving），因為這是自動駕駛汽車所需的避碰或減震的一個很好的指標。”

“激進駕駛”一詞指的是地面車輛在接近操縱速度極限時，如拉力賽所要求的那樣，通常具有較高的側滑角。在他們之前的工作中，研究人員使用高質量的GPS來進行全球定位評估。這種方法有幾個限制，例如，它需要昂貴的傳感器，并且排除了gps不允許的區域。

研究人員先前使用基于視覺(非gps)的驅動解決方案取得了有希望的結果，該解決方案基于單目攝像機圖像的局部地圖，并將這些信息用于基于mpc的控制。

然而，由于安裝在地面車輛上的攝像機視野有限，制高點較低，單獨處理每個輸入幀導致了關鍵的學習挑戰，這使得很難生成高速有效的地圖。

德魯斯說:“我們這項工作的主要目標是了解視覺如何被用作主動駕駛的主要傳感器。”

這帶來了有趣的挑戰，因為視覺處理必須滿足嚴格的時間要求，這讓我們能夠探索在感知和控制之間緊密耦合的算法。研究人員解決他們以前工作的局限性，引入另一種方法—自動高速駕駛的本地地圖映射生成器的形式，基于視頻的深層神經網絡模型(例如LSTM)，用于粒子濾波狀態估計器的測量過程。

本質上，粒子濾波器使用這種動態觀察模型在示意圖中定位，而MPC則在這種狀態估計的基礎上積極驅動。該框架使他們無需使用GPS技術就能獲得地圖的全球位置估計，同時也提高了地圖預測的準確性。

通過直接從單目圖像中輸出Costmap（代價地圖），我們采用了一種直接的方法來實現自動駕駛賽車。這種方法可以直接用于模型預測控制，也可以被粒子濾波器用于接近GPS狀態的性能。”

研究人員在AutoRally上使用1:5的測試車輛評估了他們的框架，這是一個開源平臺用于測試激進的自動駕駛。通過他們的方法，他們發現車輛可以可靠地在復雜的泥土摩擦極限下運行，達到27英里每小時(12米/秒)以上的速度。

德魯斯說:“我認為我們在這項研究中已經證明了兩件事。一是通過從圖像中直接輸出Costmap（代價地圖），我們既可以直接使用它，也可以使用它進行本地化，從而在處理的極限上實現自動駕駛。

其次，在這種艱難的駕駛環境中，時間信息非常重要。研究證明了MPC與狀態估計和學習感知相結合的優點。未來，他們的框架可能會為在復雜道路上實現更強勁、成本更低的自動駕駛。

德魯斯說:“我們現在想進一步加強這一方法，并將其應用于障礙物和未知環境。”