如果在美国成功试用任何指南，神经网络结构可以提供控制 - 因此安全 - 人们正在寻找无人驾驶汽车。斯坦福大学的工程师当然认为值得进一步调查。他们使用这种方法创造了一种自动驾驶汽车(AV)，它可以超越冠军业余赛车手的速度和精度。
正如Nathan Spielberg及其同事在“ 科学机器人 ”杂志的一篇论文中解释的那样，为了比普通驾驶员更好地避开障碍物，AV需要在摩擦极限下行驶 - 就在轮胎停止将汽车停在路上之前它开始转弯并转出。
当大多数驾驶员失去控制时，能够在这些极限下有效地操作对于避免高速事故或在湿滑条件下驾驶是必不可少的。
他们说，问题在于大多数现有的自动驾驶系统依赖于道路轮胎摩擦力的估计来告知速度和转向控制，但是这样做的可行方法并不十分准确，特别是当摩擦力随着道路状况快速变化时。
他们的答案是创建一个“前馈 - 反馈”系统，该系统使用作用在车辆上的物理力的数学模型来预测最佳转向角，而无需估算道路摩擦力。
具有该系统的汽车能够像赛车驾驶员一样快速地驾驶航线，并且研究人员能够通过用在各种条件下驾驶车辆训练的神经网络模型替换基于物理的模型来进一步提高性能。
他们写道：“当在实验车辆上采用相同的前馈 - 反馈控制架构时，神经网络实现了比物理模型更好的性能。”
“更值得注意的是，当对来自干燥路面和积雪的数据进行组合训练时，该模型能够对车辆行驶的路面做出适当的预测，而无需进行明确的道路摩擦估算。”
斯皮尔伯格及其同事利用基于物理的模型的状态和输入来开发一个双层前馈神经网络，能够在一系列不同的表面上学习车辆动态行为。
该网络涉及当前测量和来自前三个时间步骤的历史信息的组合。历史信息使网络能够提供不同摩擦水平的行为预测，而无需显式的摩擦估计方案。
他们说：“当对高摩擦和低摩擦数据的组合进行训练时，该模型可以根据历史信息描述的表面进行预测。”
“通过前述摩擦力估算步骤，神经网络具有历史信息融合估计和预测能力，简化了车辆控制任务。这种额外的功能并没有牺牲性能。“
该系统被整合到2009年的奥迪TTS中，AV和赛车手之间的比赛在加利福尼亚州威洛斯的Thunderhill赛道公园举行。
