??原創·作者 | 張嘉豪
當你在道路上遇見一輛改裝后真的把房子架在輪子上的房車,人類駕駛員可能會在發出好奇地驚嘆后小心翼翼避開房車的移動,而你的自動駕駛系統卻有可能判定這是一棟不會移動的房子。
當在道路上遇見一位穿著可愛的恐龍衣服的小孩子時,你那沒見過這些“奇裝異服”的自動駕駛系統也極有可能將其判斷為無法識別的物體。更危險一些的情況是,如果有人心血來潮要cosplay紅白色的路錐,那自動駕駛系統對路況的理解就可能會完全錯誤。
這些看似極端的情況,其實指向了一個共通的問題:人在感知和識別周圍環境時,可以很自然地結合“上下文語境”做出判斷,然而自動駕駛的車輛目前還不能很好地做到這一點。
在自動駕駛領域,造型肖似房子的房車、穿恐龍衣服過馬路的小孩,這些在道路上不常見的情況被稱為邊緣情況或邊界情況(Edge Case或Corner Case)。這些充滿了巧合性與不可預見性的邊緣情況,造成了自動駕駛系統在道路上難以消除的不確定性,也是人類對自動駕駛不信任感的來源之一。
事實上,即將過去的這個8月,自動駕駛在中美都承受著猛烈地質疑和討論。在中國,一輛開啟輔助駕駛的蔚來汽車發生車禍,造成車毀人亡;大洋彼岸的特斯拉因2018年以來的11起事故,也遭到了美國國家公路交通安全管理局(NHTSA)的調查。
一面是風光無限的大風口,一面是揪動人心的安全事故,自動駕駛到底行至何處?又困在哪里?
在眾多因素中,邊緣情況被視作自動駕駛發展中的一個瓶頸,制約著自動駕駛的安全性和商業化落地進程。甚至可以說,自動駕駛行業80%的努力,都是要解決20%的邊緣問題。
值得警惕的“邊緣”
自動駕駛(包括輔助駕駛)汽車被允許在道路上行駛后,安全事故在不斷發生,特斯拉、Uber、Waymo、蔚來……許多知名車企和自動駕駛企業都被卷入其中。2018年初以來,特斯拉汽車在美國已經發生了11起與“應急救援場合有關”的事故,共造成1人死亡、17人受傷。
特斯拉出事的“應急救援場合”,正是邊緣情況的一個案例。應急救援現場往往會有相應的警告措施,比如閃著警燈的警車、照明棒和亮燈的告示牌、交通錐等,但處于自動駕駛狀態的特斯拉車輛卻無法很好地識別出前方放置的這種警告措施。
類似的問題不只存在于特斯拉身上。本月引發社會廣泛討論的蔚來事故也與應急救援場合有關。8月12日,開啟NOP領航的高速行駛的ES8先是撞上了路邊的樁桶,隨后又撞擊快車道上的一輛高速公路養護車,巨大的沖擊力導致公路養護車側翻,ES8車主也不幸身亡。
而就在一個月前,據湖州高速交警發布的消息,G25 長深高速往南京方向2242公里附近,高速施工區域內發生了一起交通事故。一輛開啟輔助駕駛模式的蔚來汽車沖入施工區域,追尾了正在施工撤除作業的施工養護車輛。事故造成兩車損壞,施工預警設施受損,兩車人員不同程度受傷。
從上述的案例中我們不難看出一個靜止的交通錐會給自動駕駛帶來怎樣的危害。但是,要知道交通錐只是邊緣情況的一個表現。復雜的道路狀況給自動駕駛帶來的挑戰還有很多。
中科院戰略咨詢院產業科技創新中心汽車行業特聘研究員鹿文亮曾表示,“目前自動駕駛80%的技術問題都得到了解決,剩下20%的長尾問題,常被稱為corner case,是制約高級別自動駕駛發展的關鍵。這也是行業常說的用80%的精力解決20%的問題。”
“20%的問題”無法消除的原因在于,一方面,道路交通本身的復雜性決定著道路環境的不可控性,完全穩定、沒有突發情況的狀態無法得到保障;另一方面,由于交通本身重要的地域特性,不同地區往往會呈現出完全不同的道路環境。
比如,在中國大部分地方,野生動物出現在道路上的概率極低,一般情況下自動駕駛的車輛沒有機會學習和識別這樣的情景。但是在一些國家和地區,道路上出現鹿、獅子、熊等野生動物的概率相對中國較高,這時,一輛基于中國道路的自動駕駛汽車所面臨的風險將會升高。
反過來,由于中國道路交通擁堵情況以及包括機動車參與者之間的交互行為更復雜,在國外測試的車輛在中國道路上行駛也將面臨著更多的不確定性。正如有人所調侃的那樣,“在美國道路上得跑好幾周的數據,在北京五環路上跑一圈就有了。”
邊緣情況難以解決,在一些危險的突發情況下,人類似乎把一些過大的權利交給了自動駕駛系統。
例如,隨著自動駕駛車輛的出現,一個與曾經被人們廣泛討論的“電車難題”相類似的“隧道困境”出現了:一輛自動駕駛的汽車載著乘客正準備進入隧道,突然跑出來一個孩子,此時,單靠剎車已經來不及使汽車減速從而保證孩子的存活。在這樣的情況下,車內車外的生命天平似乎掌握在了自動駕駛系統的手上,而自動駕駛又到底該如何做出決策?
“隧道困境”并沒有一個標準答案,行業能做的,只有盡可能縮短自動駕駛的反應時間、提高自動駕駛的判斷準確性,讓更多的邊緣情況能提前被預判、被解決。
搭建仿真世界
從技術上來說,邊緣情況指的是一套系統中一個參數或是條件為極值,在這樣的極端情況下,系統就會呈現出某種不正常的狀態。在自動駕駛領域,當特殊或突發情況發生時,一輛無法及時合理地捕捉并辨認障礙物和環境的自動駕駛汽車,很有可能造成事故的發生以及人員的傷亡。
要解決邊緣情況,實際上就是要確知自動駕駛的能力邊界。目前,確知能力邊界有三種方式,分別是仿真測試、封閉道路測試和公共道路測試。
其中,仿真測試因其較高的效率和安全性,越來越被各大廠商看重。其意義在于,現實生活中80%的場景都是正常情況,而這些正常情況對于機器處理邊緣情況的能力并沒有幫助,仿真系統則正可以通過模擬發生幾率為20%的邊緣情況,來提升機器的學習效率。
在最近的AI日上,特斯拉公布了自己的一套仿真系統。本來,涉及到自動駕駛,馬斯克總是對于市面上流行的事物顯得“不感冒”。無論是從其始終堅持的純視覺感知路線上,還是從其對于自動駕駛仿真系統的態度上,都不難看出這一點。
兩年前,馬斯克對仿真系統的態度是,沒有什么模擬技術能媲美攝像頭采集場景下的真實性和復雜性。而兩年后,馬斯克和他的特斯拉一改此前態度,對仿真測試加大投入,這也一定情況下說明了業內的主流方向。
馬斯克又一次打臉的原因,或許是自動駕駛要求的測試里程實在太大。特斯拉AI日上公布的數據顯示,其Autopilot 仿真器中建立了 2000 英里長的道路,已經有 3.71 億張模擬圖像和 4.8 億個立方體;最早一批提出仿真系統的Waymo達到了現實場景2000萬英里,仿真超 100億英里的級別。
試想,如果Waymo超100億英里的仿真路程都在公開或封閉道路上用車隊來驗證,將耗費多么龐大的資金、人員和時間。
出身Waymo、現任國內無人駕駛公司輕舟智航聯合創始人及CEO的于騫告訴「真探」:“仿真測試是通向自動駕駛的必由之路。通過大量仿真系統測試,先找到一個很好的參數空間,這樣就避免了需要在道路上直接測試的困難,可以把整個開發流程大大加快。”
舉例來說,闖紅燈在實際道路中比較難收集,但在一個仿真模擬系統中,交通信號燈的狀態是可以自己根據需要來控制的,這樣就避免了時間的浪費從而提升效率。此外,仿真系統中可以通過參數的調節,來復現實際場景中的一些細微變化,如車輛的提速、減速。
不過,盡管仿真測試有著多方面的優勢,其核心邏輯依然是提升效率,對自動駕駛的最終檢驗還是要在公共道路上測試完成。于騫在談到路測和仿真測試的關系時表示,仿真測試并不是要取代道路測試,“整個自動駕駛行業安全是一個天條,只有路測才是最終的檢驗標準”。
除了以“仿真+路測”作為主要手段以外,自動駕駛的領域也在推出行業共同認可的安全標準和具有更高性能的工具。
作為一個還在不斷發展的領域,目前自動駕駛行業的安全標準正在形成。2020年4月,由卡耐基·梅隆大學專家牽頭成立的Edge Case Research發布了一份名為UL 4600的自動駕駛汽車安全標準,稱其為“自動駕駛汽車的第一份安全標準”。
卡耐基·梅隆大學Phillip Koopman博士在談到UL 4600指出,這份針對自動駕駛汽車的安全標準與傳統安全標準最大的不同在于,后者告訴人們“如何做到安全”,而UL 4600則強調的是“什么才是安全的”。
而在工具層面,各企業和機構也取得了一定進展。2019年,Edge Case Research推出了感知壓力測試和風險分析系統Hologram;今年4月13日,英國初創公司dRISK宣布推出其邊緣案例再培訓工具(edge case retraining tool),并將其首次實現商業應用。該工具可以幫助自動駕駛汽車(AV)及時檢測到高風險事件,性能提升6倍。
可以看到,憧憬著無人駕駛夢想的同時,人類也在應對邊緣情況方面努力著:對于自動駕駛行為的邊界不斷進行探索、在核心領域取得技術的突破、建立起行業共同認可的安全標準……自動駕駛絕不只是一個技術問題,更不是車企拿來賣車的營銷話術,想要真正實現這個夢想,需要行業作為一個整體在技術、法律法規、社會認知方面不斷努力。
這注定是一條滿布荊棘的道路,人類對自動駕駛的審視遠比對自己更為苛刻。只有在自動駕駛的安全性比人類駕駛員高出一個量級時,其或許才有資格換取到人類真正的信任。