技术究竟能否完全让自驾车事故悲剧不再发生？

Uber的自动驾驶车辆上个月在美国发生撞人致死案件，笔者当时写了一篇报导“自动驾驶车们，请先跑完模拟再上路测试好吗？”；在文章发表之后，高通(Qualcomm)的人工智能(AI)研发业务开发负责人Rick Calle做出回应，问了我以下的问题：

Uber撞人事件是第一场悲剧，我们该如何让它变成最后一场？我非常确定他们也用了模拟软件，但大家是否模拟了感测器故障的情况、因为距离使得光达(Lidar)采样稀疏的效应，还有其他不可预测的事件？

Calle的问题指出了测试自动驾驶车辆绝非易事，要验证自驾车不只是能运作，各种功能还必须安全运作，需要前所未有的工程严谨度；测试人员不仅得确定需要模拟的内容，也要确保模拟过程使用了高保真度的感测数据。接着必须拟定测试计划，以便为车辆供货商提供足够可证明的安全性能指针。

不过，在了解模拟/测试方法的细节之前，知道一件事情很重要──我们今日所知的“自动驾驶”仍然不成熟。

美国卡内基美隆大学(Carnegie Mellon University)教授Philip Koopman在最新的一篇部落格文章中写道，在Uber事故导致行人Elaine Herzberg身亡的并非全自动驾驶车辆，她是受害者，是因为一辆仍在开发阶段的“未经实证的测试车”，还有“应该要确保技术故障不会导致伤害的那个安全驾驶”。

让我们一起想想…过去一年半以来，科技业者(还有媒体)忙着促成全自动驾驶车辆的即将实现，却漠视了无数挥之不去的、关于自动驾驶的“未知”；这里的“未知”，我指的是自动驾驶车辆所衍生出的、科技产业几乎还未开始处理的议题，更不用说提出因应策略。

我们询问过数个产业界消息来源──从算法开发者、测试专家，到嵌入式系统软件工程师，他们仍认为开发“安全的”自动驾驶车辆是一个不确定的议题或挑战，虽然他们的回答各异，却都坦承自驾车还有很多议题，有待来自科技与汽车产业的回答。

预测性感知

自驾车技术开发商DeepScale首席执行官Forrest Iandola在谈到Uber事故时表示，除非Uber公布行车纪录器以外的数据──包括车上的雷达与摄影机在事故发生时所看到的──外界人士可能永远不会知道事故发生原因：“我们需要透明的信息，不然很难知道他们的感知系统、动作规划或是地图绘制等功能究竟哪里出错。”

DeepSale是一家成立于2015年的新创公司，专门为先进驾驶辅助系统(ADAS)与自动驾驶车辆开发深度学习感知软件；根据该公司已经学到的经验，Iandola解释，大多数为自驾车设计的感知系统是产业界与学术界“精心打造”，举例来说，光达已经可以清楚辨识3D目标物的形状，同时自驾车的“语义”(semantic)感知在物体分类方面也有所改善。

不过仍缺乏的，是“预测性感知”(predictive perception)；Iandola指出：“预测性感知技术的研发几乎还没开始。”

举例来说，如果自驾车不能预测某目标物在5秒后的可能位置，就不能决定是否该刹车或转向，甚至是在看到该目标物体后。“在运动规划与预测性信息之间需要一个标准界面，”Iandola表示：“如果这个问题没有解决，我得说要实现Level 4自驾车真的很困难。”

极端案例能模拟吗？

在公开道路上测试自动驾驶车辆之前的模拟显然非常重要，但更重要的是实际上如何模拟。安全自动驾驶车辆系统开发商Edge Case Research共同创办人暨首席执行官Michael Wagner表示，对自驾车开发者来说有一个坏消息是，尽管累积了数十亿英哩的模拟驾驶里程，也不一定能涵盖自驾车可能遭遇的所谓“极端案例”或“边缘案例”。

在过去几年，深度学习芯片供货商耗费大量资源，宣传深度学习算法可能实现全自动驾驶系统，这种算法可能让自驾车发展出类似人类的能力，能在不需要知道每一种可能情况的前提下识别不同图形。

依赖深度学习的自动驾驶系统能被训练，发展出类似人类的能力（来源：Drive Safely）

不过来自反面的声音是，当机器学习或深度学习系统遭遇以往未见过的事物──被称为长尾(long tail)或离群值(outlier)──会被“吓到”；而人类驾驶在面临实在异常的状况时，至少会有的反应是觉得奇怪，他们知道在某种程度上需要有所反应，而机器则可能不会记录极端异常的情况，会继续往前走。

Wagner表示，Edge Case Research专注于建立这样的极端情况，以纳入模拟软件平台；他坦承一切还在早期开发阶段，该公司的平台代号为“全像”(Hologram)，目标是将实体车辆所行驶过的每一英哩转化为数百万计的可能场景，尽可能快速且安全地根除“未知的未知”。

要为自动驾驶车辆建立这种“极端案例”并不简单；Wagner指出，在欧洲有一个名为Pegasus的项目利用了一种数据库方法来确保自动驾驶安全，但挑战在于该项目的某部分场景，可能对神经网络来说不一定重要。

Wagner表示，也就是说，我们其实并不知道神经网络会发现什么难题或不容易处理的情况，更别说为何神经网络会有那样的行为模式：“随机性对于建立异常案例非常重要，我们利用实际的场景，在影像上做不少变化，然后在我们的Hologram平台上进行细微修改。”

他将Hologram形容为一个试验专案：“我们正在向投资者推销这个平台，以扩大它的规模。”而自动驾驶系统带给汽车业者的最大冲击，就是软件内容不断膨胀…

(未完待续)

编译：Judith Cheng

本文授权编译自EE Times，版权所有，谢绝转载