對於剛剛起步的自動駕駛汽車產業來說,過去這幾個月可謂道路曲折。3月中旬,一輛Uber測試車撞擊並致死一名正推著自行車穿過馬路的女子;僅隔數日,一輛設置為自動駕駛(Autopilot)模式的特斯拉(Tesla)Model X在美國加州101號公路山景城(Mountain View)路段撞上高速公路分隔島上的安全屏障,導致駕駛死亡(圖1);5月初,一輛Waymo自動駕駛汽車在亞利桑那州錢德勒市(Chandler,AZ)也捲入一場交通事故——一輛轎車為了避開另一輛車的碰撞而突然轉向Waymo——不過從最初的報告來看,還不清楚自動駕駛是否有過失。

20180709NT01P1 圖1 這輛處於Autopilot模式的特斯拉Model X撞毀在加州山景城境內的101號公路上。

你對於自動駕駛出現的這些事故有何想法?我有一些思考及想法,以下和大家分享。

自動駕駛技術目前有點過分被炒作

之前曾經說過,現在也要說,我想將來也會繼續這樣說:雖然特斯拉的Autopilot可能是一個聰明的行銷代名詞,但它也是功能現實的一個嚴重過度表達。沒有任何「時刻關注和準備接管車輛控制」的法律措辭,可以為相關公司對其命名背後的不負責任進行開脫。這也從根本上解釋了,為什麼有些白癡,感覺有權放縱自己去拿達爾文獎(Darwin Awards)的衝動,例如,曾經有個白癡,他在英國M1高速公路上飛速行駛時,產生了這樣一個念頭:決定把他的特斯拉切換到Autopilot模式,然後自己滑到乘客座位上。可悲的是,他的舉動被一位駕駛看到並舉報,他隨後被逮捕,事後,他竟然聲稱自己只是「不幸被逮到罷了」。

ADAS就在這裡

明確地說,我現在懂了。半導體、子系統和軟體供應商都急切地想向汽車製造商兜售更多更昂貴的元件技術和產品;汽車製造商也都迫切地想向消費者兜售更昂貴的新轎車和卡車;新進汽車製造商也迫不及待地想利用自動駕駛和其他創新來區別於更保守的老競爭對手。

但是,利用所謂的先進駕駛輔助系統(ADAS)功能—包括前後碰撞被動警告和主動回避、盲區監控、車道偏離警告、駕駛困倦檢測等(圖2)——現在已經有很多的差異化(和銷售)潛力,而且具有更安全的實現方式。跟自動駕駛一樣,ADAS這些功能也為駕駛和乘客帶來了明顯的價值,但它們只是提供輔助,而不是替代,這樣就不會鼓勵車輛駕駛放縱自己的愚蠢行為。

20180709NT01P2 圖2 ADAS系統一覽。

自動駕駛事故也被過度渲染

嚴格地說,在5月初的特斯拉財報營收電話會議中,伊隆˙馬斯克(Elon Musk)對分析師說的大部分內容都不明智(更不用提據說馬斯克最近掛斷了與美國國家運輸安全委員會主席的通話)。但我完全同意他說的這一點:「大體上每年有100多萬人死於汽車交通事故——我想確切的數字應該是120萬。這可從媒體上看到多少?基本上都沒有。但是,如果這是一起自動駕駛的交通事故,那它肯定是頭條新聞…這就是事實,雖然電動車(對不起,是自動駕駛車)的安全性要比普通車輛高出10倍。如果都是自動駕駛車的話,那麼每年死亡人數就不是100萬人,而是10萬人。」

由於人類的不完美,自動駕駛終將可能拯救生命

我贊同美國科技部落格媒體Ars Technica的觀點:無論特斯拉如何反覆吹噓連美國國家高速公路交通安全管理局(NHTSA,這些統計資料的原始資料來源)都無法支援的統計資料,目前還沒有足夠大的資料量可確定自動駕駛車輛(以及配備有ADAS的車輛)是否可預防事故的發生(以及如果是,又能達到何種程度的事故預防),並減少由此造成的乘客和行人的傷亡。畢竟,自動駕駛還處於早期階段,但是我們仍會感覺「是」和「顯著」就是定論,不是嗎?

駕駛在開車時會感到無聊、發睏、分心,有時甚至會有意分散注意力,而自動駕駛系統不會有這些行為表現。那起Uber自動駕駛車事故的視訊片段顯示,在與行人相撞之前,那位充當後備的真人操縱者還短暫地往下看了一眼。恕我直言,許多不公正媒體的焦點矛頭都指向了這位駕駛,儘管有點不尊重死者及其家人和朋友…這就是人類有時會做的事情,甚至認為坐在車中的人如果當時抬頭看,應該能夠看到後面更多資訊,並且可以快速做出反應。

另一個例子是安全系統。由於人的不可靠性,電腦視覺正在迅速取代基於人眼的系統——這一技術始於軍事、機場、工業和其他高階設備場合,現在正在擴展到零售和消費類設備上。期待保全人員目不轉睛地盯著一排監視器,並以100%的可靠性辨別入侵者是不實際的,即使事後透過整理歸檔視訊來辨識入侵者,若沒有自主系統的協助,也是非常耗時。

不要使用人類感官侷限判斷車輛事故結果

當我看到關於Uber事故的初步報告時,差點從椅子上滑下來——亞利桑那州坦佩市警察局長Sylvia Moir聲稱:「很明顯,鑒於她(那位行人)突然從陰影處闖入道路的情形,在任何模式(無論自動駕駛還是真人駕駛模式)下都很難避免這種碰撞。」

儘管隨後的分析對於聲稱的道路照明條件很差提出了異議,但對於人類來說這也確實可能難以辨別,但對於自動駕駛系統來說,這就不是特別真實了。例如,特斯拉的自動駕駛就利用雷達和超聲波感測器系統彌補了(人類)可見光攝影鏡頭的不足——專門用來在低光照、惡劣天氣和其他環境下提高傳統攝影鏡頭難以達到的辨識性能。Uber和Waymo的自動駕駛試驗車都進一步擴展了感測器陣列,包含了更高精準度的雷射雷達。

事實上,在我撰寫這篇文章時,報告就已經宣佈Uber的自動駕駛系統確實看到了那個行人,但不幸的是,它選擇不做回應——沒有轉向或剎車,這就證實了我最後的觀點。

仍需要進行廣泛測試以涵蓋極端情況

基於深度學習的開發方法與經典的演算法開發相比,一個主要好處是其本身不涉及編碼。只須為訓練工具集提供(通常是大規模)資料集,它就會反覆地「學習」,去做希望它隨後對「即時」資料執行的操作。與小孩一樣,訓練過程是持續而非一次性的(如果是按照這種方式設計的話),因此學習模型(至少理論上)會隨著時間和經驗的增加而提高「但與小孩不同的是,訓練結果可以透過「雲端」與其他邊緣用戶端共用。想像一下,如果一個孩子無意中將他的手放在熱爐子上而燙傷,隨後所有其他孩子都自動知道「不應該這樣做」,或者從一出生就知道如何騎自行車,或者……情況會是怎樣(你懂的)。

如上所述,Uber現在認為,他們的實驗車在3月事件發生時確實檢測到了行人,但該公司其中一位高階主管提到:「Uber的軟體決定不需要馬上做出反應——這是軟體設計的結果。與其他自動駕駛車系統一樣,Uber的軟體有能力忽略「誤報」,或者說在道路上出現的物體,其實際上不會對車輛造成影響,比如漂浮在道路上的塑膠袋。在這種情況下,Uber管理層認為,該公司系統調整為對這些物體不做過多回應,但是調整太過了,導致這輛車反應不夠快。」

這是一把雙刃劍。一方面,車輛沒必要對有些東西不斷地做出反應,但另一方面,你也不希望它忽略應該注意的事物(就像2016年5月那位發生事故的特斯拉司機所遇到的問題,自動駕駛似乎難以分辨高速公路上的障礙物)。希望Uber的自動駕駛車隊能夠從這種經歷當中有所學習,將來不會再忽視推著自行車的行人了(訓練資料在自動駕駛競爭者之間共用現在還不可能)。但是,還有很多類似的其他「極端情況」,訓練結果必須足夠可靠才能實現大規模部署,而事實告訴我們,訓練過程將永遠不會真正結束。

好東西要耐心等候

再次,請不要誤會我的意思。兩年前,我在「未來60的年消費電子(next 60 years in consumer electronics)」系列文章的自動駕駛交通類目中指出,自動駕駛技術的廣泛實現只是時間問題,而不是是否會實現的問題,但是,與ADAS不同,它還沒有準備好。我記得當時我寫道:「我猜想,完全自動駕駛首先會在規劃完善的城市環境下投入使用,而不是農村地區,而且會率先在貨櫃卡車、計程車等營運交通車輛上使用(還記得先前關於就業機會被替代的評論?),以及公共交通(包括巴士、飛機、輪船…),而不是私家車輛。」

(參考原文: Self-driving cars: observations and interpretations,by Brian Dipert)