据盖世汽车11月2日报道，南洋理工大学（NTU）Lyu Chen教授及其团队研发出一种能够持续学习的自动驾驶汽车，可在投入使用后通过人类驾驶员介入纠正来汲取经验。该研究成果近期发表在期刊《自然-通讯》（Nature Communications）上。
外观与系统架构设计
传统自动驾驶汽车在获准上路前必须经过大量训练，一旦投入实际运行，其掌握的知识体系便基本固定下来。当遇到训练数据中未涵盖的情况时，无法像人类那样继续学习。此次南洋理工大学团队研发的系统打破了这一局限。
据外媒报道，该系统采用“车辆负责驾驶、人类在旁监督”的架构设计。在整体运行逻辑上，车辆在道路上自主行驶，人类驾驶员则在车内进行实时监督。一旦车辆出现失误或判断偏差，人类驾驶员便会及时介入并进行纠正。车辆会采纳这些纠正操作，从中汲取经验，从而在下次遇到同样情况时表现得更好。随着学习的深入，人类的干预需求也会随之减少。
Lyu教授表示：“学徒在面对新情况时，不会一切从零开始重新学习。他们会在已有知识的基础上，根据需要接受纠正，并逐渐变得更加独立。这与我们正试图在车辆上复现的学习过程非常相似。”
这种设计的核心在于解决跨地域适应问题。一辆汽车在一个城市开得很好，但在另一个城市却开得不好，原因在于道路规则是当地的。例如，不同国家的超车方向、让路时机、变道预留空间以及超越自行车的速度均不相同。将自动驾驶系统转移到新的地方不仅仅是改变地图，还涉及不同的道路、法规、天气和驾驶方式。传统上，适应这些意味着收集新数据并从头开始重新训练大部分系统，成本极高。该系统的设计正是为了让车辆能够在不重新训练的前提下，通过实地纠正快速适应新环境。
内饰科技与人机交互
在科技配置层面，该研究题为《面向自动驾驶车辆多维度提升的人机引导式持续学习》（Human-guided continual learning for multifaceted improvement of self-driving vehicles），其核心亮点在于解决了机器学习系统中的“灾难性遗忘”问题。
机器学习系统在学习新技能时，新的训练过程可能会悄然覆盖掉旧有的知识。对于自动驾驶汽车而言，这是绝对无法接受的：车辆在应对罕见路况时表现的提升，绝不能以牺牲其在日常驾驶中的表现为代价。因此，研发团队在设计车辆系统时，使其能够兼顾两方面：既保持足够的灵活性以吸纳新的修正，又具备充足的“记忆”来保护既有的技能。
在人机交互逻辑上，当车辆自身的判断与人类的操作发生分歧时，它不会盲目照搬人类的做法。系统会权衡这一修正与自身既有的成熟技能，在采纳人类建议的同时，确保其他已掌握的能力不受干扰。这种交互机制使得车辆的智能化水平在整个运行周期内能够通过接触新环境和获取反馈不断提升，而不是离开实验室时智能水平便已定型。
动力性能与实测表现
在实测验证环节，研发团队并未停留在仿真阶段，而是让真实的车辆在真实的赛道上行驶。在车辆一圈又一圈的运行过程中，由人类进行监督，并在车辆出现偏差时及时介入纠正。
测试数据显示，经过数轮人工引导和修正后，干预措施产生了显著成效。该车辆的“伦理风险”——即综合考量碰撞发生概率与潜在伤害程度的一项指标——降至了初始水平的约十分之一。
最引人注目的结果出现在那些罕见的情境中，即车辆极少遇到且最难应对的特殊状况。在通过对少数此类状况的修正进行学习后，该车辆在其他从未遇到过的罕见情境中，表现也有所提升。Lyu教授指出：“这表明，它并非仅仅是在死记硬背一个个具体的案例，而是开始掌握了关于良好驾驶行为的更普遍的规律。”无论情境如何变化，其核心任务始终是安全抵达目的地、妥善对待其他道路使用者并遵守交通规则，在一个场景中学到的经验可以迁移到另一个场景中。
不过，Lyu教授也指出了当前系统的局限性。首先，“有效的纠正”是指在自动驾驶汽车判断失误时人类采取了更安全的操作，但如何准确区分“有效的纠正”与“错误的干预”仍是一个尚未解决的难题。其次，目前的系统旨在遵循规则进行驾驶，尚不具备在极端紧急情况下“跳出规则”（如越过车道线避开逆向车辆）的高层面推理能力。
价格与应用配置
目前，该项技术属于前沿学术研究成果，尚未公布具体的商业化量产时间表及车型搭载价格。但其应用配置范围不仅限于乘用车领域。
Lyu教授认为，未来的自动驾驶系统不应被视为离开实验室时智能水平便已定型的“成品”。这一理念的应用远不止于汽车。无论是仓库里的机器人，还是居家助手，任何与人类并肩工作的系统，都可以采用同样的方式进行学习。一个能够不断从周围人群中汲取经验的系统，才真正具备了在现实世界中立足的能力。这意味着该技术在未来有望作为底层算法框架，广泛配置于各类需要人机协作的智能终端设备中。
目前该研究成果已发表于《自然-通讯》，具体量产上车时间待定。