对于刚刚起步的自动驾驶汽车行业来说，过去这几个月可谓道路曲折。3月中旬，一辆优步测试车撞死一名正推着自行车过马路的女子。仅隔数日，一辆设置为Autopilot（自动驾驶）模式的特斯拉Model X在美国加州101号高速公路山景城路段撞上高速路分隔带上的安全屏障，导致驾驶员死亡（图1）。5月初，一辆Waymo自动驾驶汽车在亚利桑那州钱德勒市也卷入一场交通事故——一辆轿车为了避开另一辆车的碰撞而突然转向Waymo——不过从最初的报告来看，还不清楚自动驾驶是否有过错。
图1：这辆处于Autopilot模式的特斯拉Model X撞毁在加州山景城境内的101号高速公路上。
你对于自动驾驶出现的这些事故有何想法？我有一些思考，现跟大家分享。
我之前曾经说过，现在也要说，我想将来也会继续这样说：虽然特斯拉的Autopilot可能是一个聪明的营销代名词，但它也是功能现实的一个严重的过表达。没有任何“时刻关注和准备接管车辆控制”的法律措辞，可以为相关公司对其命名背后的不负责任进行开脱。这也从根本上解释了，为什么有些白痴，感觉有权放纵自己去拿达尔文奖（Darwin Awards）的冲动。例如，曾经有个白痴，他在英国M1高速公路上飞速行驶时，产生了这样一个念头：决定把他的特斯拉切换到自动驾驶模式，然后自己滑到乘客座位上。可悲的是，他的举动被一位驾驶者看到并举报，他随后被逮捕。事后，他竟然声称自己只是“不幸被逮到罢了”。
明确地说，我现在懂了。半导体、子系统和软件供应商都急切地想向汽车制造商兜售更多更昂贵的零部件技术和产品。汽车制造商也都急切地想向消费者兜售更昂贵的新轿车和卡车。新晋汽车制造商也都急切地想利用自动驾驶和其他创新来区别于更保守的老竞争对手。但是，利用所谓的ADAS（高级驾驶辅助系统）功能——包括前后碰撞被动警告和主动回避、盲区监控、车道偏离警告、驾驶员困倦检测等（图2）——现在已经有很多的差异化（和销售）潜力，而且具有更安全的实现方式。跟自动驾驶一样，ADAS这些功能也为驾驶员和乘客带来了明显的价值，但它们只是提供辅助，而不是替代，这样就不会鼓励车辆驾驶者放纵自己的愚蠢行为。
图2：ADAS系统一览。
严格地说，在5月初的特斯拉财报营收电话会议中，埃隆·马斯克（Elon Musk）对分析师说的大部分内容都是不明智的（更不用说据说马斯克最近挂断了与美国国家运输安全委员会主席的通话）。但我完全同意他说的这一点：“大体上每年有100多万人死于汽车交通事故——我想确切的数字应该是120万。你从媒体上看到多少？基本上都没有。但是，如果这是一起自动驾驶的交通事故，那它肯定是头条新闻……这就是事实，虽然电动车（对不起，是自动驾驶车）的安全性要比普通车辆高出10倍。如果都是自动驾驶车的话，那么每年死亡人数就不是100万人，而是10万人。“
我赞同Ars Technica（编者注：一家美国知名科技博客媒体）的观点：无论特斯拉如何反复吹嘘连NHTSA（美国国家高速公路交通安全管理局，是这些统计数据的原始数据来源）都无法支持的统计数据，目前还没有足够大的数据量可确定自动驾驶车辆（以及配备有ADAS的车辆）是否可预防事故的发生（以及如果是，又能达到何种程度的事故预防），并减少由此造成的乘车人和行人的伤亡。毕竟，自动驾驶还处于早期阶段。但是我们仍会感觉“是”和“显著”就是定论，不是吗？
驾驶员在开车时会感到无聊、发困、分心，有时甚至会有意分散注意力。而自动驾驶系统就不会有这些行为表现。那起Uber自动驾驶车事故的视频片段显示，就在与行人相撞之前，那位充当后备的真人操纵员还短暂地往下看了一眼。恕我直言，许多不公正媒体的焦点矛头都指向了这位驾驶员。尽管有点不尊重死者及其家人和朋友......这就是人类有时会做的事情，甚至认为坐在车中的人如果当时抬头看，应该能够看到后面更多信息，并且可以做出快速反应。
另一个例子是安全系统。由于人的不可靠性，计算机视觉正在迅速取代基于人眼的系统——这一技术始于军事、机场、工业和其他高端设备场合，现在正在扩展到零售和消费类设备上。期待保安人员目不转睛地盯着一排监视器，并以100％的可靠性辨别入侵者是不现实的。即使事后通过整理归档视频来识别入侵者，若没有自主系统的协助，也是非常耗时的。
当我看到关于优步事故的初步报告时，我差点从椅子上滑下来——亚利桑那州坦佩市警察局长Sylvia Moir声称：“很明显，鉴于她（那位行人）突然从阴影处闯入道路的情形，在任何模式（无论自动驾驶还是真人驾驶模式）下都很难避免这种碰撞。“尽管随后的分析对于声称的道路照明条件很差提出了异议，但对于人来说这也确实可能难以辨别。但对于自动驾驶系统来说，这就不是特别真实了。例如，特斯拉的自动驾驶就利用雷达和超声波传感器系统弥补了（人类）可见光摄像头的不足——专门用来在低光照、恶劣天气和其他环境下提高传统摄像头难以达到的识别性能。Uber和Waymo的自动驾驶试验车都进一步扩展了传感器阵列，包含了更高精度的激光雷达。事实上，正在我撰写这篇文章时，报告就已经宣布优步的自动驾驶系统确实看到了那个行人，但不幸的是，它选择不做响应——没有转向或刹车。这就证实了我最后的观点。
基于深度学习的开发方法与经典的算法开发相比，一个主要好处是其本身不涉及编码。你只管为训练工具集提供（通常是大规模）数据集，它就会反复地“学习”，去做你希望它随后对“实时”数据执行的操作。与小孩一样，训练过程是持续而非一次性的（如果是按照这种方式设计的话），因此学习模型（至少理论上）会随着时间和经验的增加而提高。但与小孩不同的是，训练结果可以通过“云”与其他边缘客户端共享。想象一下，如果一个孩子无意中将他的手放在热炉子上而烫伤，随后所有其他孩子都自动知道“不应该这样做”，或者从一出生就知道如何骑自行车，或者……情况会是怎样（你懂的）。
如上所述，优步现在认为，他们的车3月份确实检测到了行人，但“优步的软件决定不需要马上做出反应——这是软件设计的结果。与其他自动驾驶车系统一样，优步的软件有能力忽略‘误报’，或者说在道路上出现的物体，其实际上不会对车辆造成影响，比如漂浮在道路上的塑料袋。在这种情况下，优步的管理层认为，该公司系统调整为对这些物体不做过多响应。但是调整太过了，导致这辆车反应不够快。”其中一个高管说。这是一把双刃剑。一方面，车辆没必要对有些东西不断地做出反应，但另一方面，你也不希望它忽略应该注意的事物（就像2016年5月那位出事故的特斯拉司机所遇到的问题，自动驾驶似乎难以分辨高速公路上的障碍物）。希望Uber的自动驾驶车队能够从这种经历当中有所学习，将来不会再忽视推着自行车的行人了（训练数据在自动驾驶竞争者之间共享现在还不现实）。但是，还有很多类似的其他“极端情况”。训练结果必须足够可靠才能实现大规模部署，而事实告诉我们，训练过程将永远不会真正结束。
再次，请不要误会我的意思。两年前，我在“next 60 years in consumer electronics（消费电子的未来60年）”系列的自动驾驶交通类目中指出，自动驾驶技术的广泛实现只是时间问题，而不是是否会实现的问题。但是，与ADAS不同，它还没有准备好。我记得当时我写道：“我猜想，完全自动驾驶首先会在规划完善的城市环境下投入使用，而不是农村地区，而且会率先在货柜卡车、出租车等运营交通车辆上使用（还记得先前关于就业机会被替代的评论？），以及公共交通（包括巴士、飞机、轮船……），而不是私家车辆。“
《EDN电子技术设计》2018年7月刊版权所有，谢绝转载。
最前沿的电子设计资讯
