广告

技术能否完全让自驾车事故悲剧不再发生?(上)

2018-04-11 Junko Yoshida 阅读:
技术能否完全让自驾车事故悲剧不再发生?(上)
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”……

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,请先跑完仿真再上路测试好吗?”;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:5z6ednc

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仿真软件,但大家是否仿真了传感器故障的情况、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。5z6ednc

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。5z6ednc

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”。5z6ednc

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。5z6ednc

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。5z6ednc

预测性感知

自驾车技术开发商DeepScale执行长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。”5z6ednc

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。5z6ednc

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。”5z6ednc

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,就不能决定是否该煞车或转向,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接口,”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。”5z6ednc

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共同创办人暨执行长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”。5z6ednc

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。5z6ednc

selfdriving18041101
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)5z6ednc

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。5z6ednc

Wagner表示,Edge Case Research专注于建立这样的极端情况,以纳入仿真软件平台;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”。5z6ednc

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份场景,可能对神经网络来说不一定重要。5z6ednc

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。”5z6ednc

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…5z6ednc

续接下文: 技术能否完全让自驾车事故悲剧不再发生?(下)5z6ednc

(Judith Cheng编译)5z6ednc

201606300001235z6ednc

本文为EDN电子技术设计 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
Junko Yoshida
ASPENCORE全球联席总编辑,首席国际特派记者。曾任把口记者(beat reporter)和EE Times主编的Junko Yoshida现在把更多时间用来报道全球电子行业,尤其关注中国。 她的关注重点一直是新兴技术和商业模式,新一代消费电子产品往往诞生于此。 她现在正在增加对中国半导体制造商的报道,撰写关于晶圆厂和无晶圆厂制造商的规划。 此外,她还为EE Times的Designlines栏目提供汽车、物联网和无线/网络服务相关内容。 自1990年以来,她一直在为EE Times提供内容。
  • 微信扫一扫
    一键转发
  • 最前沿的电子设计资讯
    请关注“电子技术设计微信公众号”
您可能感兴趣的文章
  • 为云端时代建立AI与IoT的相关论述 技术产业正处于两次重大技术革命的边缘——人工智能(AI)负责执行人类无法完成的任务,以及数十亿台设备连接到因特网。除了技术幻想之外,它还提出了更多相关的问题…EDN编辑团队正忙于寻找这些答案,并将以最能满足设计工程师讯息需求的方式呈现。
  • 新冠疫情下的自动驾驶产业 下滑的汽车销售量与营收所导致的车辆研发资金减少,将产生显著的影响;不过影响程度在车厂、汽车零组件供应商、高科技业者与资本投资业者(VC)之间会有所不同...
  • 军事应用推动生物识别技术发展 生物识别技术涵盖不同的解决方案,包括指纹识别、脸部识别、虹膜识别等等,现在都能提供更高的可靠度以及准确度;接下来介绍几项生物识别技术在军事应用上的进展。
  • “地摊经济”火了,工程师如何练好摊? 新的地摊经济还可以结合了5G、人工智能、人脸识别等高科技管理手段和经营方式。
  • 川普再出新招,中国三千余名留学研究生恐遭驱逐 纽约时报引述知情美国官员报导,川普政府计划取消与中国人民解放军所属大学有直接关系的数千名美国境内中国研究生和研究人员的签证。
  • 13所中国高校被美国列入实体清单,为何没有清华北大? 继华为被列入之后,美国表示将在“实体清单”中增加33家中国企业和机构,其中包含了13所中国的高校。但为何中国最著名的两所大学,北京大学和清华大学并不在这份名单之内。
相关推荐
    广告
    近期热点
    广告
    广告
    广告
    可能感兴趣的话题
    广告
    向右滑动:上一篇 向左滑动:下一篇 我知道了