最近優(yōu)步汽車(Uber)導(dǎo)致一位自行車騎行者因車禍遇難的事件引發(fā)了多方關(guān)注。很多人認(rèn)為，系統(tǒng)能力低下的責(zé)任應(yīng)由優(yōu)步公司承擔(dān)，但也有些人認(rèn)為，事故本身并不值得大做文章。在筆者看來，此類事故確實(shí)可以通過技術(shù)方式加以避免。然而，為什么這個(gè)問題對(duì)于自動(dòng)駕駛系統(tǒng)而言相對(duì)更難以解決?那么首先，讓我們回答這樣一個(gè)問題——“為何優(yōu)步?jīng)]有在自己的汽車上，使用奔馳配備的夜視系統(tǒng)?”下面就隨汽車電子小編一起來了解一下相關(guān)內(nèi)容吧。

首先需要強(qiáng)調(diào)，我并不清楚造成此次事故的具體原因，也不會(huì)將其認(rèn)定為無法避免的狀況。此外，我也不打算在本文當(dāng)中對(duì)任何人加以指責(zé)，或者對(duì)任何肇事原因作出證明。換言之，我只是在單純討論為什么這個(gè)問題對(duì)于人工智能類系統(tǒng)而言，要比常規(guī)駕駛情況下更難以解決。

在幾乎所有新型車輛上，我們都能找到常規(guī)的碰撞回避(“collision avoidance”，簡稱CA)系統(tǒng)。這套系統(tǒng)的作用非常單一，或者說只有一項(xiàng)目標(biāo)——在車輛即將發(fā)生碰撞時(shí)剎車。這種“確定性”意味著其會(huì)在檢測到某種特定信號(hào)時(shí)，采取與之對(duì)應(yīng)的動(dòng)作(即制動(dòng))。對(duì)于同一種信號(hào)，其總是會(huì)產(chǎn)生同樣的反應(yīng)。此外，還有一些碰撞回避系統(tǒng)會(huì)根據(jù)環(huán)境采取一些基于概率的判斷，但總體來講，碰撞回避系統(tǒng)通常非常簡單：當(dāng)車輛以不合理的速度接近某個(gè)位置時(shí)，其會(huì)觸發(fā)剎車。您可以在程序代碼當(dāng)中使用簡單的IF語句來實(shí)現(xiàn)這項(xiàng)功能。

那么，為什么人工智能型系統(tǒng)就做不到這一點(diǎn)?人工智能是系統(tǒng)展示其認(rèn)知技能的一種能力，例如學(xué)習(xí)以及解決問題。換言之，人工智能并非依靠預(yù)編程方式來監(jiān)測來自傳感器的已知輸入信號(hào)，從而采取預(yù)定義的行動(dòng)。這意味著，不同于以往對(duì)已知情況進(jìn)行預(yù)定義的處理方式，如今我們需要為算法提供大量數(shù)據(jù)以實(shí)現(xiàn)人工智能訓(xùn)練，并借此引導(dǎo)其學(xué)會(huì)如何操作——這就是機(jī)器學(xué)習(xí)的基本原理。如果我們利用機(jī)器學(xué)習(xí)技術(shù)建立一套碰撞回避系統(tǒng)，其完全能夠達(dá)到近乎完美的效果——但這也意味著其仍然屬于單一目的系統(tǒng)。它可以剎車，但卻學(xué)不會(huì)導(dǎo)航。

導(dǎo)航功能由感知并解釋環(huán)境、作出決策并采取行動(dòng)這幾個(gè)部分組成。環(huán)境感知?jiǎng)t包括路徑規(guī)劃(駛向何處)、障礙物檢測以及軌跡估算(探測到的物體如何移動(dòng))。除此之外還有很多?，F(xiàn)在可以看到，避免碰撞只是其需要完成的眾多任務(wù)當(dāng)中的一項(xiàng)。系統(tǒng)同時(shí)面對(duì)著很多問題：我要去哪里在、我看到了什么、如何解釋這些景象、是否有物體在移動(dòng)、其移動(dòng)速度有多快、我的軌跡是否會(huì)與他人的路線發(fā)生交叉等等。

這種自主導(dǎo)航問題太過復(fù)雜，無法簡單在程序代碼中使用IF-ELSE語句(IF-ELSE statements)并配合傳感器信號(hào)讀取加以解決。為什么?因?yàn)橐@取完成這項(xiàng)任務(wù)所需要的一切數(shù)據(jù)，車輛當(dāng)中必須包含數(shù)十個(gè)不同的傳感器。其目標(biāo)，在于建立一套全面的視野，同時(shí)彌補(bǔ)單一傳感器所存在的不足。如果我們現(xiàn)在對(duì)這些傳感器所能產(chǎn)生的測量值組合數(shù)字進(jìn)行估算，就會(huì)發(fā)現(xiàn)這套自動(dòng)駕駛系統(tǒng)有多么復(fù)雜。很明顯，模擬其中每一種可能的輸入組合已經(jīng)遠(yuǎn)遠(yuǎn)超過人類大腦的處理能力。

此外，這種自我學(xué)習(xí)系統(tǒng)很可能以概率作為指導(dǎo)基礎(chǔ)。如果其在路上注意到某些事物，其會(huì)考慮所有的潛在選項(xiàng)并為其附加對(duì)應(yīng)概率。舉例來說，物體為狗的概率為5%，物體為卡車的概率為95.7%，那么其會(huì)將對(duì)方判斷為卡車。但是，如果傳感器給出的輸入內(nèi)容存在矛盾，又該怎么辦?

這種情況其實(shí)相當(dāng)常見。舉例來說，普通的攝像機(jī)能夠清晰拍攝到近距離物體，但只能以二維方式呈現(xiàn)。激光雷達(dá)屬于一種激光發(fā)射器，其能夠在三維空間中看到同一個(gè)物體，但觀察結(jié)果卻缺乏細(xì)節(jié)——特別是色彩信息(詳見下圖)。因此，我們可以利用多臺(tái)攝像機(jī)從多個(gè)角度拍攝以重建三維場景，并將其與雷達(dá)“圖像”進(jìn)行比較。如此得出的綜合結(jié)果顯然更為可靠。然而，攝像機(jī)對(duì)光照條件非常敏感——即使是少量陰影也可能干擾場景中的某些部分并導(dǎo)致輸出質(zhì)量低下。作為一套出色的識(shí)別系統(tǒng)，其應(yīng)該能夠在這種情況下更多依賴于雷達(dá)系統(tǒng)的輸入。而在其它情況下，則更多依賴于攝像機(jī)系統(tǒng)。而兩類傳感器得出共識(shí)性結(jié)論的部分，則屬于可信度最高的判斷。

圖：我坐在辦公室的椅子上(位于圖像中心位置)揮舞著Velodyne VLP-16雷達(dá)。自動(dòng)駕駛汽車所使用的激光雷達(dá)擁有更高的分辨率，但仍然無法與攝像機(jī)相媲美。請(qǐng)注意，此圖像來自單一雷達(dá)掃描，我們可以進(jìn)行多次雷達(dá)掃描以進(jìn)一步提升圖像分辨率。

那么，如果攝像機(jī)將目標(biāo)識(shí)別為一輛卡車，但雷達(dá)認(rèn)為這是一只狗，且兩種結(jié)論的可信度對(duì)等，結(jié)果又將如何?這實(shí)際上是一種最為困難，且可能無法解決的狀況?，F(xiàn)代碰撞回避系統(tǒng)會(huì)使用記憶機(jī)制，其中包含車輛曾經(jīng)看到過的地圖與寄存內(nèi)容。其會(huì)追蹤圖像之間的記錄信息。如果兩秒鐘之間兩套傳感器(更準(zhǔn)確地說，兩種解釋傳感器計(jì)數(shù)的算法)皆認(rèn)為目標(biāo)為卡車，而稍后其中一套認(rèn)為其是狗，那么目標(biāo)仍會(huì)被視為卡車——直到出現(xiàn)更強(qiáng)有力的證據(jù)。請(qǐng)記住這個(gè)例子，我們將在稍后探討優(yōu)步事件時(shí)再次提到。

這里咱們回顧一下。之前我們已經(jīng)講述了人工智能必須處理來自眾多不同傳感器的輸入內(nèi)容，評(píng)估傳感器輸入內(nèi)容的質(zhì)量并構(gòu)建場景認(rèn)知結(jié)論。有時(shí)不同傳感器會(huì)給出不同的預(yù)測結(jié)果，而且并非所有傳感器在任意時(shí)間段內(nèi)皆可提供信息。因此，該系統(tǒng)會(huì)建立一套影響判斷過程的記憶機(jī)制，這一點(diǎn)與人類一樣。此后，其需要將這些信息加以融合，從而對(duì)當(dāng)前狀況作出一致的判斷進(jìn)而驅(qū)動(dòng)汽車行進(jìn)。

聽起來不錯(cuò)，那么我們能否信任這樣的AI系統(tǒng)?系統(tǒng)的質(zhì)量取決于其整體架構(gòu)的組合水平(使用哪些傳感器、如何處理傳感器信息、如何融合信息、使用哪些算法以及如何評(píng)估決策等等)以及實(shí)際使用及訓(xùn)練所用數(shù)據(jù)的性質(zhì)與數(shù)量。即使架構(gòu)完美，如果我們提供的數(shù)據(jù)量太少，其也有可能犯下嚴(yán)重錯(cuò)誤。這就像是委派缺少經(jīng)驗(yàn)的工作人員執(zhí)行一項(xiàng)艱巨的任務(wù)。數(shù)據(jù)總量越大，意味著系統(tǒng)將擁有更多學(xué)習(xí)機(jī)會(huì)并作出更好的決策。與人類不同，人工智能可以匯集數(shù)百年來積累的經(jīng)驗(yàn)，并最終提供比任何個(gè)人都更為出色的駕駛能力。

那么，這樣的系統(tǒng)為何還會(huì)引發(fā)傷亡事故?在接下來的文章中，我們將提到很多可能的情況，而其中錯(cuò)誤的評(píng)估結(jié)論就有可能導(dǎo)致事故。我們還會(huì)探討哪些情況下，人工智能系統(tǒng)更有可能作出錯(cuò)誤判斷。

· 首先，如果系統(tǒng)未能看到充足的類似數(shù)據(jù)，則可能無法正確理解當(dāng)前情況。

· 第二，如果當(dāng)前環(huán)境難以感知，且傳感器輸入內(nèi)容的可信度不高或者信號(hào)混雜，則可能引發(fā)錯(cuò)誤判斷。

· 第三，如果對(duì)傳感器輸入內(nèi)容的理解與基于系統(tǒng)記憶的理解相矛盾(例如在前一個(gè)時(shí)間步幅內(nèi)將對(duì)象認(rèn)定為卡車，但后一個(gè)步幅內(nèi)傳感器將其判斷為狗)，則可能引發(fā)錯(cuò)誤判斷。

· 最后，我們無法排除存在其它故障因素的可能性。

沒錯(cuò)，任何擁有合理設(shè)計(jì)的系統(tǒng)都能夠單獨(dú)處理其中的一類問題，然而：

· 解決矛盾需要時(shí)間;

· 多項(xiàng)因素的共同作用可能導(dǎo)致錯(cuò)誤的決策及行為。

在進(jìn)一步研究具體情況之前，我們首先簡單介紹一下現(xiàn)代傳感器能做到什么、又不能做到什么。

理解傳感器技術(shù)

很多人表示，如今的技術(shù)已經(jīng)如此先進(jìn)，因此優(yōu)步汽車應(yīng)該能夠明確識(shí)別出正在過路的行人，包括那些因?yàn)樽咤e(cuò)了路而繞轉(zhuǎn)回來、或者突然從暗處沖入照明區(qū)域的行人。那么，傳感器能夠測量到哪些情況，又無法應(yīng)對(duì)哪些場景?這里，我談的單純只是測量，而非理解測量內(nèi)容的能力。

· 攝像機(jī)無法觀察到暗處的事物。攝像機(jī)是一種被動(dòng)式傳感器，其只能記錄照明環(huán)境下的事物。我將這一條列在最前面，是因?yàn)槟壳耙呀?jīng)有不少強(qiáng)大的攝像機(jī)能夠在黑暗環(huán)境中正常拍攝(例如HDR攝像機(jī))。然而，這類設(shè)備所能適應(yīng)的其實(shí)是弱光而非無光環(huán)境。而對(duì)于無光環(huán)境，雖然紅外及紅外輔助攝像機(jī)能夠切實(shí)解決問題，但自動(dòng)駕駛汽車上采用雷達(dá)代替這類設(shè)備。因此大多數(shù)用于自動(dòng)駕駛汽車的攝像機(jī)仍然無法“看”清暗處的事物。

· 雷達(dá)能夠輕松檢測到移動(dòng)的對(duì)象。其利用無線電波自物體處反射回來時(shí)，運(yùn)動(dòng)目標(biāo)造成的反射波在多普勒頻移效應(yīng)下出現(xiàn)的波長差異。然而，常規(guī)雷達(dá)很難測量體積較小、移動(dòng)緩慢或者靜止的物體——因?yàn)閺撵o止物體反射回來的波，與從地面反射回來的波之間只存在極小的差別。

· 激光雷達(dá)的工作原理與普通雷達(dá)相似，只是發(fā)射激光從而輕松在三維空間內(nèi)繪制任何表面。為了增大三維成像范圍，大多數(shù)激光雷達(dá)會(huì)不斷旋轉(zhuǎn)，像復(fù)印機(jī)掃描紙張那樣持續(xù)掃描周邊環(huán)境。其不依賴于外部照明，在黑暗條件下也能夠準(zhǔn)確發(fā)現(xiàn)目標(biāo)。然而，雖然高端激光雷達(dá)擁有出色的分辨率水平，但其需要配合強(qiáng)大的計(jì)算機(jī)以重建三維圖像。因此如果有廠商聲稱其激光雷達(dá)能夠

[1] [2] [3]