密歇根大学的研究人员开发了一种测试自动驾驶汽车的新方法，通过这种方法，您无法通过入场所需的数十亿公里的道路测试。
该过程是使用来自现实世界中超过4000万公里的数据开发的，可以将评估潜在危险情况下的机器人车辆所需的时间减少30万至1亿次。 研究人员指出，这可以节省99.9％的时间和测试成本。
密歇根大学机械工程学教授罗杰·麦卡锡（Roger L. McCarthy）认为，即使是当今对自动驾驶汽车进行最先进，最大规模的测试也不能证明对汽车进行全面测试的合理性。 该新方法不是将一次即可测量所有内容的集成方法，而是将过程分解为可以在模拟中重新测试的独立组件，从而为自动控制的车辆提供了最困难的交通状况的压缩集合。 例如，如果您需要获取有关机器人对意外障碍物的反应的数据，则应将精力集中在这种情况上。 无人驾驶汽车在“无聊”时刻的表现也可以通过统计分析获得。
研究人员提供了一个简单的比较：总共1000英里（1.6万公里）的测试相当于现实世界中的30万至1亿英里（48.28万公里-1.61亿公里）。 虽然1亿英里的距离听起来太长，但这还远远不够。 为了使研究人员获得足够的数据来证明无人驾驶安全性，需要复杂而极为罕见的道路场景。 例如，致命事故仅每1亿英里发生一次。
为了让消费者同意在没有驾驶员的情况下上车，有必要以80％的把握证明它比人为的安全90％。 为此，无论是在现实世界中还是在模拟中，汽车都必须行驶1770万公里（1100万英里）。 即使在典型的城市条件下进行十年全天候测试，也将打字超过300万公里（200万英里）。
此外，与今天的汽车相比，全自动汽车需要的测试类型完全不同。 甚至研究人员提出的问题也更加复杂。 他们应该确定汽车如何成功阻止事故发生，而不是找出事故发生的情况。
科学家做出了一个类比，即按医生的约定测试汽车。 带有人为控制的汽车的测试方法-测量血压或心率，测试无人驾驶的车辆-检查患者的智商。
为了开发一种四阶段加速方法，研究人员分析了密歇根大学交通研究所的两个项目收集的4060万实际公里（2520万英里）中的数据。 在两年的时间里，他们部署了大约3,000辆汽车和志愿者。
然后，他们确定了可能包含自动车辆与被驾驶人员之间“有意义的交互”的事件，并创建了一个模拟，该模拟替换了整个行驶过程而没有发生这些有意义的交互。 之后，他们对模拟进行编程，以使无人驾驶车辆将道路上的驾驶员视为主要威胁，并将无人驾驶汽车随意摆放在各处。
在编程阶段之后是数学测试，以评估某些结果的风险和可能性，包括伤害，事故和接近事故的时刻。 总之，研究人员使用
重要性抽样方法解释了加速测试的结果，以找出自动驾驶汽车将如何对道路上的日常情况做出统计响应。
可以对各种潜在危险的操作执行快速评估过程。 迄今为止，研究团队仅评估了预计会导致严重事故的两种最常见情况：无人驾驶的车辆跟随一名人类驾驶员，相反，一名驾驶自动驾驶的汽车中的人员。 评估的准确性是通过进行并比较加速模拟和实际模拟来确定的。 该团队指出，有必要继续研究并考虑道路上的其他情况。