Return to Video

克里斯·格迪斯: 未来的赛车 -- 每公里150英里, 并且没有司机

  • 0:01 - 0:02
    你们当中有多少人
  • 0:02 - 0:04
    当你不应该开车的时候
  • 0:04 - 0:09
    还开车跟在另一部车后面？
  • 0:09 - 0:11
    有可能你已经开了一整天的车
  • 0:11 - 0:13
    心里只想回家
  • 0:13 - 0:15
    你已经身心疲惫了，但你感觉还能再驾驶多几英里
  • 0:15 - 0:16
    大概你有想过
  • 0:16 - 0:19
    我喝得没有其他人多
  • 0:19 - 0:20
    我可以驾车回家
  • 0:20 - 0:25
    或者也许你的大脑已经在神游
  • 0:25 - 0:26
    这些你们听起来有点熟悉吧？
  • 0:26 - 0:29
    现在，在这些情况下
  • 0:29 - 0:31
    如果仪表盘上有一个按钮
  • 0:31 - 0:37
    你按一下，车就可以带你安安全全地回家,会不会很棒
  • 0:37 - 0:39
    如今，这些都是自动汽车能做到的
  • 0:39 - 0:42
    自动汽车从 1939 年通用汽车公司在世
  • 0:42 - 0:45
    通用汽车公司在世界展销会上展示他们未来汽车的的理念
  • 0:45 - 0:49
    就一直是一个梦想
  • 0:49 - 0:51
    现在，它已成为那些看起来
  • 0:51 - 0:55
    总是还要再等20年的梦想之一
  • 0:55 - 0:57
    两个星期前，这个梦想有了突破
  • 0:57 - 1:01
    当内华达州授予谷歌的自驾汽车
  • 1:01 - 1:04
    第一个无人驾驶的上路许可证，
  • 1:04 - 1:07
    明确地表示他们在内华达州道路上
  • 1:07 - 1:08
    测试是合法的
  • 1:08 - 1:12
    现在，加州的也正在考虑类似的立法，
  • 1:12 - 1:14
    这将确保无人驾驶汽车
  • 1:14 - 1:17
    不会像赌博这类事一样只会发生在拉斯维加斯。
  • 1:17 - 1:20
    (笑声)
  • 1:20 - 1:23
    现在，在我在斯坦福大学的实验室里，我们也一直在
  • 1:23 - 1:27
    研究无人驾驶汽车，但在对事物研究的理念上略有不同
  • 1:27 - 1:31
    我们一直在开发机器人赛车
  • 1:31 - 1:35
    它们在性能上可以
  • 1:35 - 1:37
    到达其物理极限
  • 1:37 - 1:40
    那么为什么我们想要做这样的事呢？
  • 1:40 - 1:42
    嗯，有两个好的理由来解释
  • 1:42 - 1:46
    第一，我们认为在人完全将控制交给
  • 1:46 - 1:49
    一部无人驾驶汽车之前，这部无人驾驶汽车
  • 1:49 - 1:52
    至少得运行得像一位好的驾驶员一样
  • 1:52 - 1:56
    那么，如果你像我，还有那其他70%的人一样
  • 1:56 - 1:58
    认为我们是高于平均水平的司机
  • 1:58 - 2:01
    你明白我们高估了自己
  • 2:01 - 2:03
    同时还有另一个原因
  • 2:03 - 2:07
    就像赛车手可以利用
  • 2:07 - 2:08
    车胎和路面间所有的摩擦
  • 2:08 - 2:11
    还有汽车的最大性能来尽可能快的开一样
  • 2:11 - 2:15
    我们想用这些性能来避免
  • 2:15 - 2:16
    任何我们可以避免的交通事故
  • 2:16 - 2:18
    现在，你可能把车开到极限
  • 2:18 - 2:20
    并不是说你开得太快
  • 2:20 - 2:22
    而是说你开到有冰的路面上了
  • 2:22 - 2:24
    路况变了
  • 2:24 - 2:27
    在这些情况下，我们希望这部汽车
  • 2:27 - 2:31
    有能力避免任何那些
  • 2:31 - 2:33
    人工可以避免的意外
  • 2:33 - 2:38
    我必须承认，还有第三个理由
  • 2:38 - 2:40
    你瞧，我对赛车很痴迷
  • 2:40 - 2:43
    过去，我曾拥有一部赛车
  • 2:43 - 2:45
    是一个车队的头，也是驾校教练
  • 2:45 - 2:49
    虽然也许水平没有你期待得那么高
  • 2:49 - 2:52
    我们在实验室中做的几件事中的一件--
  • 2:52 - 2:53
    就是我们开发了几部车--
  • 2:53 - 2:56
    我们相信他们是世界上
  • 2:56 - 2:58
    第一步无人漂移汽车
  • 2:58 - 3:00
    它是无人车中新的分类
  • 3:00 - 3:03
    也许它还没有竞争对手
  • 3:03 - 3:04
    （笑声）
  • 3:04 - 3:08
    我们叫它P1。它是一部完全由学生设计的
  • 3:08 - 3:10
    后轮驱动电动车
  • 3:10 - 3:12
    线控方向盘
  • 3:12 - 3:14
    可以在拐角漂移
  • 3:14 - 3:16
    它能像一个汽车拉力赛选手一样从路边过
  • 3:16 - 3:18
    也从能转过急弯
  • 3:18 - 3:21
    即使在湿滑，不断变化的路面
  • 3:21 - 3:23
    也从来不会打滑被甩出去
  • 3:23 - 3:25
    我们也曾与大众 Oracle合作出研发
  • 3:25 - 3:28
    一部叫” 谢莉“的无人驾驶赛车
  • 3:28 - 3:32
    它能用每小时 150 英里的速度沿着邦纳维尔盐滩行驶
  • 3:32 - 3:36
    能在阳关明媚时，能在大风大雨天
  • 3:36 - 3:39
    跑在 Thunderhill 赛车跑道上
  • 3:39 - 3:44
    并在Pikes Peak Hill Climb 线路上
  • 3:44 - 3:45
    开12.4英里，通过153拐弯处
  • 3:45 - 3:49
    这是在科罗拉多州，真的一个人都没在车上
  • 3:49 - 3:50
    （笑声）
  • 3:50 - 3:56
    （掌声）
  • 3:56 - 3:59
    我想我们不用说
  • 3:59 - 4:00
    这样做真的有很多乐趣
  • 4:00 - 4:04
    但事实上，我们还研发了一些其它的东西
  • 4:04 - 4:07
    在这个研发无人驾驶汽车的过程中
  • 4:07 - 4:11
    我们对人类赛车手的能力
  • 4:11 - 4:15
    变的更加的的钦佩
  • 4:15 - 4:19
    当我们想这些车可以运作的多好时候
  • 4:19 - 4:22
    我们想把无人驾驶车和人类驾驶的操作做一个比较
  • 4:22 - 4:28
    我们发现执行任务的人类是不可思议的
  • 4:28 - 4:32
    现在，我们可以拿一张赛车跑道图
  • 4:32 - 4:34
    我们可以做一个数字模型车
  • 4:34 - 4:37
    加上一些迭代，我们可以找到
  • 4:37 - 4:39
    整个跑道的最快路径
  • 4:39 - 4:41
    我们把一个职业赛车手开车数据记录下来
  • 4:41 - 4:43
    进行直线图表分析
  • 4:43 - 4:47
    相似度是那样的惊人
  • 4:47 - 4:50
    是的，这里还是有细微的差别的
  • 4:50 - 4:53
    赛车手能够在户外
  • 4:53 - 4:56
    开到最快的那条线路
  • 4:56 - 4:58
    而不用计算程序去比较
  • 4:58 - 5:01
    是该在这个拐弯出开快点
  • 5:01 - 5:03
    还是应该在开过这个
  • 5:03 - 5:05
    直线的时候减点速
  • 5:05 - 5:08
    不但如此，他们能如此地开一圈
  • 5:08 - 5:10
    一圈又一圈
  • 5:10 - 5:13
    他们能在户外，持续地这么做
  • 5:13 - 5:17
    每一次都把车用到极限
  • 5:17 - 5:21
    看起来真的不可思议
  • 5:21 - 5:23
    你给他们换部车
  • 5:23 - 5:27
    在跑几个圈后他们就已经能找到适合车的最快的路线
  • 5:27 - 5:30
    接着，他们就可以比赛了
  • 5:30 - 5:32
    这不禁使你想
  • 5:32 - 5:36
    我们真的很想知道他们大脑里究竟发生了什么
  • 5:36 - 5:41
    作为研究人员说，这就是我们决定要挖据的
  • 5:41 - 5:43
    我们决定测量不仅仅是车
  • 5:43 - 5:45
    还有赛车手
  • 5:45 - 5:48
    尝试去了解在他们赛车时候
  • 5:48 - 5:50
    他们大脑的变化
  • 5:50 - 5:54
    现在，这是 琳恩·哈博特博士把电极片
  • 5:54 - 5:55
    放在约翰 · 莫顿的头上的照片
  • 5:55 - 5:58
    约翰 · 莫顿是前Can-Am 和IMSA的赛车手
  • 5:58 - 6:00
    他也是勒芒赛事上出类拔萃的冠军
  • 6:00 - 6:04
    极棒的赛车手，并且愿意忍受研究生
  • 6:04 - 6:06
    和这类的研究
  • 6:06 - 6:08
    她把电极片放在他的头上
  • 6:08 - 6:10
    这样，我们可以监测当约翰绕着轨道飚车时候
  • 6:10 - 6:13
    他大脑电波的活动
  • 6:13 - 6:16
    显然我们不是放一对电极片在他头上
  • 6:16 - 6:20
    就可以准确的了解到他在跑道上飚车时候所有的想法
  • 6:20 - 6:23
    然而，神经学家已经可以识别了一定的模式
  • 6:23 - 6:27
    让我们对这个研究中一些非常重要的因素能理出头绪
  • 6:27 - 6:29
    例如，休息中的大脑
  • 6:29 - 6:31
    往往会产生大量的α波
  • 6:31 - 6:35
    与此相反，θ波与大量认知活动
  • 6:35 - 6:38
    相关联，如视觉处理
  • 6:38 - 6:41
    赛车手正在想的事，很多
  • 6:41 - 6:42
    现在，我们可以测量这一点
  • 6:42 - 6:44
    我们可以看到
  • 6:44 - 6:47
    θ波与α波之间的相对动力
  • 6:47 - 6:49
    这给我们了脑力负荷的一个测试
  • 6:49 - 6:53
    在轨道上任何一个地方，赛车手实际上
  • 6:53 - 6:54
    需要接受多少认知上的挑战
  • 6:54 - 6:57
    现在，我们想看看我们是否能真实地在跑道上
  • 6:57 - 7:00
    记录这点，所以我们向南出发去卡赛道
  • 7:00 - 7:02
    卡赛道是有传奇色彩的赛道
  • 7:02 - 7:05
    大约在萨利纳斯和蒙特雷的中间
  • 7:05 - 7:07
    它有一道弯被称为瓶塞钻
  • 7:07 - 7:10
    现在，这个瓶塞钻是一个S 形弯道
  • 7:10 - 7:12
    接下来是一个很急的右转弯与此同时路面好像下陷3层楼那么高
  • 7:12 - 7:16
    现在，可以理解这个驾驶的策略为
  • 7:16 - 7:18
    你以远处的灌木丛为目标
  • 7:18 - 7:21
    当你感到跑道向下落的时候，你才意识到你其实是在树尖上
  • 7:21 - 7:24
    很好，非常感谢斯坦福大学的自驾车研究项目
  • 7:24 - 7:26
    我们把约翰带到哪里了
  • 7:26 - 7:27
    让他 主宰1960年
  • 7:27 - 7:29
    保时捷的阿巴特卡雷拉的方向盘
  • 7:29 - 7:33
    大家对一般的车的喜好就像昙花一现一样
  • 7:33 - 7:35
    所以，在这里你看到约翰在赛道上
  • 7:35 - 7:37
    他在爬坡， 哦 ！有人也喜欢来这里飚车 — —
  • 7:37 - 7:39
    实际上，你可以看到一条红的长方形条
  • 7:39 - 7:42
    正在监测他的脑力负荷--
  • 7:42 - 7:44
    随着他的移动，你可以看到他的反映
  • 7:44 - 7:47
    现在看看，他不得不换到低档。
  • 7:47 - 7:48
    然后他必须左转。
  • 7:48 - 7:52
    看清楚路旁的树，然后下坡。
  • 7:52 - 7:55
    没什么可大惊小怪的，您可以看到这是一个非常有挑战性的任务
  • 7:55 - 7:58
    你可以看到当他经历这一切的时候，他的大脑负荷增加了
  • 7:58 - 8:00
    你会预测到
  • 8:00 - 8:03
    这种复杂程度会产生的事
  • 8:03 - 8:06
    但是真正有趣的事是看
  • 8:06 - 8:09
    不会使他脑力负荷增加的一些赛道的区域
  • 8:09 - 8:10
    我将带你绕到
  • 8:10 - 8:11
    赛道的另外一半
  • 8:11 - 8:14
    数三下，约翰将开到拐角
  • 8:14 - 8:16
    汽车的尾部将会滑出轨道
  • 8:16 - 8:18
    他将不得不打方向盘使车回到轨道
  • 8:18 - 8:21
    所以看好约翰是怎么操作的
  • 8:21 - 8:23
    看看他的脑负荷，和方向盘
  • 8:23 - 8:27
    赛车开始滑出去了，戏剧性的操作使它回到轨道上了，
  • 8:27 - 8:30
    而大脑负荷却丝毫没有变化
  • 8:30 - 8:33
    这不是一个具有挑战性的任务
  • 8:33 - 8:36
    实际上，完全是条件的放射
  • 8:36 - 8:40
    现在，我们对此的数据处理仍是初步的阶段
  • 8:40 - 8:42
    但这现象明显表明
  • 8:42 - 8:44
    这些赛车手表现出来的惊人水平
  • 8:44 - 8:46
    是其本能
  • 8:46 - 8:49
    这些事对他们来说孰能生巧了
  • 8:49 - 8:52
    对他们来说完成这样了不起的事
  • 8:52 - 8:54
    只需要很少的大脑负荷。
  • 8:54 - 8:58
    他们表现真的很棒
  • 8:58 - 9:00
    当车遇到这种情况时候
  • 9:00 - 9:04
    你想做到的就是去控制好车
  • 9:04 - 9:07
    现在，这给我们的无人驾驶汽车的研究
  • 9:07 - 9:10
    有了巨大的启示和灵感
  • 9:10 - 9:12
    我们已经开始问自己
  • 9:12 - 9:14
    我们可以使我们的自驾车少一点计算程序
  • 9:14 - 9:17
    而多一点直觉性的东西吗？
  • 9:17 - 9:19
    我们能借助
  • 9:19 - 9:21
    我们现在从最好赛车手身上看到的这种对条件反射的反应
  • 9:21 - 9:23
    从而把它运用到我们的车上吗
  • 9:23 - 9:25
    再或者运用到你们
  • 9:25 - 9:27
    未来车子的系统里？
  • 9:27 - 9:29
    我们还需要很大的努力
  • 9:29 - 9:31
    来研制出和最棒的车手一样的
  • 9:31 - 9:33
    无人驾驶汽车
  • 9:33 - 9:36
    它同时使我们从更深的层面去思考
  • 9:36 - 9:39
    我们想让我们的车为我们做得更多
  • 9:39 - 9:41
    而不是简简单单地一个驾驶员吗？
  • 9:41 - 9:45
    我们想让我们的车成我们的伙伴，教练
  • 9:45 - 9:48
    或者是能了解到周围环境的那个人
  • 9:48 - 9:53
    从而帮助我们发挥我们的潜力吗？
  • 9:53 - 9:55
    那么科技能不能不只是简单的取代人类
  • 9:55 - 10:00
    而且可以让我们达到
  • 10:00 - 10:03
    我们都能达到的直觉的反应水平？
  • 10:03 - 10:05
    所以，当我们向这个科技时代迈进的时候
  • 10:05 - 10:08
    我想你停下来思考一会
  • 10:08 - 10:12
    什么是人类和机器之间最理想的平衡
  • 10:12 - 10:13
    当我们思考时候
  • 10:13 - 10:15
    让我们用
  • 10:15 - 10:18
    人类身体和大脑的
  • 10:18 - 10:21
    了不起的能力来激发自己
  • 10:21 - 10:23
    谢谢
  • 10:23 - 10:27
    (掌声)
Title:
克里斯·格迪斯: 未来的赛车 -- 每公里150英里, 并且没有司机
Speaker:
Chris Gerdes
Description:

无人驾驶汽车正向我们走来-它们的开车技术会比你们好。克里斯·格迪斯透露了他和他的队伍怎么样研制每小时能开150英里并可以避免所有可能的交通事故的机器赛车。而且，在了解专业赛车手的脑电波时候，格迪斯说他获得了一个对专业赛车手本能的新的认识。（在斯坦福大学拍摄的）

more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
10:47

Chinese, Simplified subtitles

Revisions

Our website uses cookies for analysis purposes.