在一些關鍵的開發(fā)與駕駛場景中，系統(tǒng)根本不可能留給“影子駕駛員”充裕的反應時間，以充分了解當下的駕駛環(huán)境，重新取得對車輛的有效控制，并保證安全。

在自動駕駛汽車研發(fā)與測試中，開發(fā)商通常會采用公共道路“影子駕駛”模式，也就是說車上會配備一名人類駕駛員，但這位駕駛員并不操控方向盤，僅觀察被測系統(tǒng)的運轉情況。但這一作法實際有兩個大前提，第一是車輛已經(jīng)學會如何適當?shù)貞獙︸{駛過程中的各種事件；第二是人類駕駛員（觀察者）的反應足夠快，可以阻止任何不利結果的發(fā)生。

由于各種各樣的原因，看起來“影子駕駛”模式似乎是目前完全自動駕駛汽車研發(fā)與測試中不可或缺的組成部分。

事實上，自動駕駛汽車的測試并不輕松，每家制造商均需累積大約一萬億英里的自動駕駛里程，并覆蓋甚至多次覆蓋所有可能的場景。根據(jù)作者的保守估計，假設配置 23.4萬 輛汽車，每天以時速 50 英里 24 小時運行，那么累計一萬億英里自動駕駛里程需要 10 年，成本高達 3000 億美元以上。

除了成本，“影子駕駛員”還存在安全方面的隱患。舉個例子，為了訓練人工智能和 SAE L3級自動駕駛及控制交接功能，廠商必須讓車輛經(jīng)歷一系列真實事故場景。小至剮蹭追尾，大到其他更加危險、更加復雜的場景，整個訓練過程可能涉及成千上萬個事故場景，極有可能造成不同程度的傷害，甚至傷亡。另外，此類事故場景還必須加上公共道路測試，這也會讓整個測試過程更加危險。無論是一些正在借助“影子駕駛員”進行研發(fā)測試的系統(tǒng)，還是已經(jīng)投入使用的 SAE L3 級公共自動駕駛汽車，目前這些系統(tǒng)根本不可能留給“影子駕駛員”充裕的反應時間，以充分了解當下的駕駛環(huán)境，重新取得對車輛的有效控制，并保證安全。

正如最近幾起自動駕駛事故所掀起的風波一樣，“影子駕駛員”出現(xiàn)在公共道路上，有可能削弱消費者對自動駕駛汽車的信心與支持，甚至引來鋪天蓋地的負面媒體報道，催生更加嚴格的監(jiān)管，招致無休止的訴訟，還會造成投資者的信任喪失，給自動駕駛汽車的發(fā)展帶來沉重的后果，并最終將這項有潛力挽救成數(shù)十萬民眾的技術扼殺在搖籃之中。

值得慶幸的是，我們還有一個解決方案，那就是使用“完整模擬”完成主要驗證過程，降低行業(yè)對“影子駕駛員”的依賴。該解決方案采用“全系統(tǒng)工程”方法設計，以客戶的用戶需求和設計流程為基礎，并包含“最終狀態(tài)場景”。

福特和Argo AI正在開發(fā)一套虛擬駕駛員系統(tǒng)，支持汽車制造商及其他潛在公司的自動駕駛汽車研發(fā)。

合情合理的模擬手段

目前，汽車行業(yè)使用的模擬系統(tǒng)遠未達到航空航天行業(yè)的水平和復雜度（即美國聯(lián)邦航空管理局FAA的D 級規(guī)定），也沒有采用適當?shù)膶崟r架構?，F(xiàn)階段，車輛、輪胎和道路模擬的模型均不夠精確，特別是在模擬一些惡劣條件時。人工智能看起來似乎已經(jīng)做好了學習準備，但事實并非如此。更可怕的是，直至真實場景發(fā)生之前，此類情況通常都很難發(fā)現(xiàn)，而一旦發(fā)生，則會給項目進展帶來沉重的時間和執(zhí)行壓力，甚至直接讓項目叫停。

注意，這些問題并不會暴露在一些常規(guī)測試場景下，只有當面對一些非常復雜，或對時間要求很高的場景，迫使車輛達到甚至超過性能極限時才會出現(xiàn)，而這通常也正是問題的開始。

假如不配備全動系統(tǒng)(full motion systems)，一些駕駛員在環(huán)（DiL）模擬器可能會讓開發(fā)人員的信心爆棚，但真實情況并非如此樂觀。運動系統(tǒng)設備可以配合真人模擬器使用，用于模擬自動駕駛行程，并允許開發(fā)人員評估車上人員的暈車感、舒適感及對自動駕駛汽車的信任水平。除了配備合適的運動系統(tǒng)外，開發(fā)人員還可以借助“航空航天/DoD/FAA”的仿真技術、最佳做法和測試方法，解決汽車行業(yè)面臨的自動駕駛模擬挑戰(zhàn)。這是因為，一些國防城市戰(zhàn)爭游戲的游戲場景與很多復雜駕駛場景高度重合，另外還有一些采用了專業(yè)模型并提供實時保真的效果，尤其可以發(fā)揮重要作用。

如圖所示，大多數(shù)自動駕駛汽車開發(fā)商均無法履行之前的承諾，即在有限范圍內(nèi)推出真正具備SAE L4-L5級自動駕駛功能的自動駕駛汽車。(數(shù)據(jù)來源：Eric Paul Dennis/Center for Automotive Research)

數(shù)據(jù)方法論至關重要

并預先定義和構建最困難的場景，整個項目可能將最終遠超預計時間，才能做到所有模擬場景的執(zhí)行，包括在當下及未來無休止地重復修補這些復雜場景。

如果采用敏捷開發(fā)流程，可能浪費的時間將難以預估，而且從歷史經(jīng)驗來看，一些較為復雜的元素通常很難完成，這只能為日后開發(fā)埋下隱患。此外，除非遭遇到一些最復雜和最困難的場景，否則這些設計缺陷通常很難暴露。最終，項目可能不得不進行“修修補補”，大量返工，而不是在一開始就在許多常見場景中設置妥當。

目前，“邊緣場景”和“角落場景”經(jīng)常用于描述事故情景。但事實上，事故情景與任何其他情景并無差別，只是結果是沒有人想看到而已。一些真正的“邊緣場景”或“角落場景”是在任何情況下都不應該，也不可能發(fā)生的 — 例如要求搜索引擎尋找一張貓的圖像，但最終得到的是一張垃圾桶的圖像。工程師通常不會覆蓋所有可能的事故場景，也就是被他們劃分在“核心場景”之外的“邊緣場景”或“角落場景”。也正因如此，人們有理由進行必要的盡職調(diào)查。

模擬仿真的目標應集中在為 AI 堆棧提供可用于辨別不同物體的數(shù)字表達式，采用相同的輸入速率，并具備相同的模糊度，從而找到妨礙 AI 堆棧做出正確決定的問題。這些數(shù)據(jù)集中，最難實現(xiàn)的部分常被稱為“邊緣”或“角落”場景；然而，這些場景才是判斷 AI 堆棧是否具備成功決策能力的關鍵案例。為了清晰定義這些案例，并明確每個案例的預期結果，我們需要一種條理分明的可管理式遞歸數(shù)據(jù)方法。

最終狀態(tài)場景矩陣

除了提供影響上述系統(tǒng)工程方法的場景數(shù)據(jù)之外，所有各方（包括政策制定機構、驗證機構、保險公司和制造商等）都需要盡早了解模擬目標，也就是“項目完工”的定義。只有具備對實時變化的支持能力（從而及時修正任何 AI 感知錯誤），場景數(shù)據(jù)集才能真正稱得上全面，但相應的工作量幾乎與為仿真過程清晰定義“整合’’與“系統(tǒng)模型”一樣可觀。

從地理圍欄到 SAE L4 級和 L5級自動駕駛汽車，要成功實現(xiàn)這些目標，該測試數(shù)據(jù)集的建立需要依賴眾多數(shù)據(jù)源和數(shù)據(jù)域；要求全球汽車開發(fā)界開展最高水平的盡職調(diào)查；必須確保達到必要的安全水平并能夠證明這一點；還必須映射到上文提到的仿真系統(tǒng)，并與之同步。

在目前的 AV 測試范例做出改變之前，汽車行業(yè)永遠不會迎來可以挽救萬千生命的 SAE L4 級自動駕駛汽車，也不會迎來真正的全自動駕駛汽車。