Uber的自動駕駛車輛上個月在美國發(fā)生撞人致死案件住册，當時一篇報導“自動駕駛車們牢屋，請先跑完仿真再上路測試好嗎趁矾？”耙册；在文章發(fā)表之后，高通(Qualcomm)的人工智能(AI)研發(fā)業(yè)務開發(fā)負責人RickCalle做出回應毫捣，問了我以下的問題：

Uber撞人事件是第一場悲劇详拙，我們該如何讓它變成最后一場？我非常確定他們也用了仿真軟件蔓同，但大家是否仿真了傳感器故障的情況饶辙、因為距離使得光達(Lidar)采樣稀疏的效應蹲诀，還有其他不可預測的事件？

Calle的問題指出了測試自動駕駛車輛絕非易事弃揽，要驗證自駕車不只是能運作粮锻，各種功能還必須安全運作，需要前所未有的工程嚴謹度蒂拯；測試人員不僅得確定需要模擬的內容刃拼，也要確保模擬過程使用了高保真度的感測數據。接著必須擬定測試計劃任肯，以便為車輛供貨商提供足夠可證明的安全性能指針额晶。

不過，在了解模擬/測試方法的細節(jié)之前绿窿，知道一件事情很重要──我們今日所知的“自動駕駛”仍然不成熟豌挫。

美國卡內基美隆大學(CarnegieMellonUniversity)教授PhilipKoopman在最新的一篇部落格文章中寫道，在Uber事故導致行人ElaineHerzberg身亡的并非全自動駕駛車輛纹轩，她是受害者泄艘，是因為一輛仍在開發(fā)階段的“未經實證的測試車”，還有“應該要確保技術故障不會導致傷害的那個安全駕駛”缅科。

讓我們一起想想…過去一年半以來宗商，科技業(yè)者(還有媒體)忙著促成全自動駕駛車輛的即將實現，卻漠視了無數揮之不去的耗跛、關于自動駕駛的“未知”裕照；這里的“未知”，我指的是自動駕駛車輛所衍生出的调塌、科技產業(yè)幾乎還未開始處理的議題晋南，更不用說提出因應策略。

我們詢問過數個產業(yè)界消息來源──從算法開發(fā)者羔砾、測試專家负间，到嵌入式系統(tǒng)軟件工程師，他們仍認為開發(fā)“安全的”自動駕駛車輛是一個不確定的議題或挑戰(zhàn)姜凄，雖然他們的回答各異政溃，卻都坦承自駕車還有很多議題，有待來自科技與汽車產業(yè)的回答檀葛。

預測性感知

自駕車技術開發(fā)商DeepScale執(zhí)行長ForrestIandola在談到Uber事故時表示玩祟，除非Uber公布行車紀錄器以外的數據──包括車上的雷達與攝影機在事故發(fā)生時所看到的──外界人士可能永遠不會知道事故發(fā)生原因：“我們需要透明的信息，不然很難知道他們的感知系統(tǒng)屿聋、動作規(guī)劃或是地圖繪制等功能究竟哪里出錯空扎。”

DeepSale是一家成立于2015年的新創(chuàng)公司润讥，專門為先進駕駛輔助系統(tǒng)(ADAS)與自動駕駛車輛開發(fā)深度學習感知軟件碎师；根據該公司已經學到的經驗仅莲，Iandola解釋，大多數為自駕車設計的感知系統(tǒng)是產業(yè)界與學術界“精心打造”批贴，舉例來說辉茴，光達已經可以清楚辨識3D目標物的形狀，同時自駕車的“語義”(semantic)感知在物體分類方面也有所改善用噪。

不過仍缺乏的女骗，是“預測性感知”(predictiveperception)；Iandola指出：“預測性感知技術的研發(fā)幾乎還沒開始誓籽×吞樱”

舉例來說，如果自駕車不能預測某目標物在5秒后的可能位置洪业，就不能決定是否該煞車或轉向撼遵，甚至是在看到該目標物體后∏臀Γ“在運動規(guī)劃與預測性信息之間需要一個標準接口甜杰，”Iandola表示：“如果這個問題沒有解決，我的說要實現Level4自駕車真的很困難吵护『幸簦”

極端案例能模擬嗎？

在公開道路上測試自動駕駛車輛之前的模擬顯然非常重要何址，但更重要的是實際上如何模擬里逆。安全自動駕駛車輛系統(tǒng)開發(fā)商EdgeCaseResearch共同創(chuàng)辦人暨執(zhí)行長MichaelWagner表示，對自駕車開發(fā)者來說有一個壞消息是用爪，盡管累積了數十億英哩的模擬駕駛里程，也不一定能涵蓋自駕車可能遭遇的所謂“極端案例”或“邊緣案例”胁镐。

在過去幾年偎血，深度學習芯片供貨商耗費大量資源，宣傳深度學習算法可能實現全自動駕駛系統(tǒng)盯漂，這種算法可能讓自駕車發(fā)展出類似人類的能力颇玷，能在不需要知道每一種可能情況的前提下識別不同圖形。

依賴深度學習的自動駕駛系統(tǒng)能被訓練就缆，發(fā)展出類似人類的能力（來源：DriveSafely）

不過來自反面的聲音是帖渠，當機器學習或深度學習系統(tǒng)遭遇以往未見過的事物──被稱為長尾(longtail)或離群值(outlier)──會被“嚇到”；而人類駕駛在面臨實在異常的狀況時资担，至少會有的反應是覺得奇怪旬效，他們知道在某種程度上需要有所反應，而機器則可能不會記錄極端異常的情況踱孕，會繼續(xù)往前走讯匈。

Wagner表示艾蜓，EdgeCaseResearch專注于建立這樣的極端情況，以納入仿真軟件平臺策坏；他坦承一切還在早期開發(fā)階段零反，該公司的平臺代號為“全像”(Hologram)，目標是將實體車輛所行駛過的每一英哩轉化為數百萬計的可能場景烈肉，盡可能快速且安全地根除“未知的未知”迫讨。

要為自動駕駛車輛建立這種“極端案例”并不簡單；Wagner指出甩高，在歐洲有一個名為Pegasus的項目利用了一種數據庫方法來確保自動駕駛安全垦祭，但挑戰(zhàn)在于該項目的某部份場景，可能對神經網絡來說不一定重要沽澜。

Wagner表示籍胯，也就是說，我們其實并不知道神經網絡會發(fā)現什么難題或不容易處理的情況离福，更別說為何神經網絡會有那樣的行為模式：“隨機性對于建立異常案例非常重要杖狼，我們利用實際的場景，在影像上做不少變化妖爷，然后在我們的Hologram平臺上進行細微修改蝶涩。”

他將Hologram形容為一個試驗專案：“我們正在向投資者推銷這個平臺絮识，以擴大它的規(guī)模绿聘。”而自動駕駛系統(tǒng)帶給汽車業(yè)者的最大沖擊次舌，就是軟件內容不斷膨脹…

聲明：本網站所收集的部分公開資料來源于互聯網熄攘，轉載的目的在于傳遞更多信息及用于網絡分享，并不代表本站贊同其觀點和對其真實性負責彼念，也不構成任何其他建議挪圾。本站部分作品是由網友自主投稿和發(fā)布、編輯整理上傳逐沙，對此類作品本站僅提供交流平臺哲思，不為其版權負責。如果您發(fā)現網站上所用視頻蔓酣、圖片柴羞、文字如涉及作品版權問題，請第一時間告知载甸，我們將根據您提供的證明材料確認版權并按國家標準支付稿酬或立即刪除內容稳嘁，以保證您的權益！聯系電話：010-58612588 或 Email:editor@mmsonline.com.cn钻琴。