Uber致命事故细节曝光：提前6秒发现行人 软件判定为不明物体

编辑 | 都保杰

微信 | ai_xingqiu

网址 | 51aistar.com

每当自动驾驶技术市场发热的时候，现实总会泼一瓢冷水，这些深刻教训有时候是用生命和鲜血换来的。

今年3月18日晚，在坦佩市一条四车道公路的人行横道上，49岁的伊莱恩·赫茨伯格(Elaine Herzberg)推著自行车横穿公路时，被一辆时速为40英里(64公里)的Uber无人驾驶汽车撞倒，当场死亡。据警方发布的汽车内部视频显示，在事故发生前的几分钟，车内的安全驾驶员似乎正在向下看，而不是盯着路上的情况，这是无人驾驶汽车发生的首起致人死亡事故，随后，Uber暂停了亚利桑那州和其他地方的无人驾驶汽车测试。

之后，美国国家运输安全委员会（NTSB）介入调查这起事故原因，在该机构发布关于此次事故的初步报告后，Uber才能让无人驾驶汽车重返公路测试。而就目前的调查报告看来，很多系统在逻辑设计层面就有很大的缺陷。

据外媒jalopnik报道，NTSB在本周四公布了初步细节，在报告中指出，导致行人伊莱恩·赫兹伯格（Elaine Herzberg）死亡的XC90车型配备了多种由沃尔沃汽车研发的驾驶员辅助功能，其中包括命名为“城市安全系统”（City Safety）的具有自动紧急制动的防撞功能，该功能已经作为新的沃尔沃XC90的标准配置。

当Uber版本的XC90自动驾驶汽车由司机手动操作时，这个安全系统就会开始工作，但是NTSB发现，当Uber版本的沃尔沃汽车启动自动驾驶模式时，所有这些安全功能都被禁用。

根据Uber的说法，如果安全系统在测试过程中无法正常运行，那么自动驾驶系统就需要一位注意力集中的操作员进行干预。此外，操作员还要负责监控诊断信息，这些信息会出现在中控面板上，另外他还要为感兴趣的事件添加标签以供随后审查。

根据从自动驾驶系统获得的数据得悉，当时车辆以43英里/小时的速度行驶，该系统首先在撞击行人的前大约6秒记录下了行人的雷达和激光雷达观测结果。随着车辆和人行道的聚合，自动驾驶系统将行人界定为未知对象、车辆和自行车。

在撞击前的1.3秒，自动驾驶系统确定需要紧急制动来缓解碰撞。根据Uber的说法，当车辆处于计算机的控制下时，紧急制动操作不能启动，以减少车辆发生不稳定行为的可能性，此时就需要车辆操作员进行干预并采取行动，该系统不是为了警告操作员而设计的。因此最后，车辆没有任何紧急制动能力而驾驶员反应过来时却已撞到行人。

沃尔沃汽车发言人吉姆·尼科尔斯（Jim Nichols）通过电子邮件对本网站表示：“我可以证实，沃尔沃一直在协助NTSB进行初步调查，该调查证实Uber测试车在事故发生时处于自动驾驶模式。初步调查还证实，沃尔沃的驾驶员辅助系统当时处于停用状态。”沃尔沃系统供应商Aptiv的发言人拒绝发表评论，想必谁也不愿意把事故责任归责到自己的技术上。

据了解，其实沃尔沃旗下车辆的“城市安全系统”就属于一种高级辅助驾驶系统系统，紧急关头可以通过将速度降低至28英里/小时来避免与行人发生猛烈碰撞，尽可能减少撞击程度。

只不过这套“城市安全系统”也有局限，比如探测范围有限，对车辆行驶的速度有要求，沃尔沃称它在车速大约为30英里/小时的时候能发挥最佳效用，而当车速高于43英里/小时时，则无法针对行人和骑行者进行警告和刹车。如果天气状况干扰了摄像头检测行人，那么安全系统的警告和制动可能会有延迟。

沃尔沃指出：“如果驾驶员在这个阶段没有采取行动，并且即将发生碰撞，则会触发自动刹车，如果可能的话，将采用完全制动效应来避免碰撞，或尽可能降低撞击点的速度。”

谈到无人驾驶，我们经常会听到“无人驾驶”、“自动驾驶”以及“驾驶辅助”三类技术辞汇，但万万没想到，导致Uber事故的原因竟然是这几种程度的技术竟然不是融合的，而是相互排斥的。

据了解，其实近年来，驾驶辅助技术当前已经在中高端量产车上广泛部署，通常称为高级驾驶辅助系统（Advanced Driver Assistant Systems，简称ADAS），ADAS是利用安装在车上的各式各样感测器，在汽车行驶过程中随时来感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航仪地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，增加汽车驾驶安全性。

初级的ADAS以被动式报警为主，当车辆检测到潜在危险时， 会发出警报提醒驾车者注意异常的车辆或道路情况，对于最新的ADAS 技术来说，主动式干预已较为普遍。

驾驶辅助技术处于自动驾驶技术等级的L1和L2，L1阶段车辆开始介入制动与转向其中一项控制，分担驾驶员的工作，主要有自适应巡航（ACC，Adaptive Cruise Control）、车道保持功能（LKA，Lane Keep Assist）紧急制动刹车（AEB，Automatic Emergency Braking）等功能。L2阶段车辆开始接管纵向与横向的多个控制，驾驶操作由系统完成，但司机注意力仍然要保持驾车状态，以便随时接管车辆。

尽管L2与L1相比，驾驶操作的主体由人变成了系统，但负责周边监控的主体都是人。ADAS主要作用在于被动式报警，它有一个很重要的衡量指标，那就是“误报率”，“误报率”如果高，大家就把这么一套系统关掉了。

“误报率”也是衡量自动驾驶技术的重要考量，要不然会很麻烦，也不安全，比如自动驾驶里面有一个AEB（自主紧急制动），如果老是误刹，会对车辆的安全造成威胁。另外，相对于误报率，漏报率可能并不是驾驶辅助（ADAS）中最重要的一个指标。

但当系统从“驾驶辅助”变成“自动驾驶”之后，漏报率必须要降低为零，因为出现一起漏报，可能就会车毁人亡，所以这些都需要有更好的目标识别算法和多感测器的融合。

其次，自动驾驶系统不能仅仅是警告，还需要加入规划和控制，这个是从驾驶辅助到自动驾驶需要迈过的技术门槛。

另外，视觉技术和雷达探测技术的相互融合进行算法判断非常重要，因为直到目前为止似乎还没有看到单纯视觉或者激光雷达就能够完成十分实用化的自动驾驶。而且基于深度学习的目标识别算法对目标识别的精确度和速度还非常有待提高，深度学习和视觉雷达相结合能达到的效果似乎还不够好，而如果为了普及来压缩感测器硬件成本肯定也会带来效果的折扣，是个有点儿矛盾的选择，想必也会成为自动驾驶落地的一个纠结点。

总而言之，推广自动驾驶技术不能只过分强调自动化而忽略了紧急制动和防碰撞方案，这是个致命问题，其次，深度学习并不能完全适应和解读现实中路况环境的复杂性和突发性，漏报率依然不小，车辆完全自动驾驶虽然是种美好的想像，但如果开车，还是打起百分之百的精神为好。

如果你想了解最前沿的AI技术和场景应用

一网打尽AI界前瞻科技和深度报道

如果你想持续拉升逼格

欢迎关注AI星球，并转发朋友圈为我们打Call~~

你们的支持是我们创造优质内容的不竭动力