為什麼你還沒有自動駕駛汽車？ 這個由兩部分組成的系列解釋了剩下的大問題

人們經常問，“我的自動駕駛汽車呢？” “為什麼我沒有，什麼時候來？” 很多人覺得他們在 20 多歲的時候就得到了一輛汽車的承諾，但已經很晚了，也許不會來，就像幾十年前談論的飛行汽車一樣。

在這個由兩篇文章組成的系列文章（附帶視頻）中，讓我們看看您今天可能沒有乘坐自動駕駛汽車的核心原因，以及可能發生的時間。 阻礙的核心技術、法律和社會問題是什麼，以及哪些問題實際上不是障礙？

對於我們大多數人來說，這些汽車不能很快到達這裡。 他們承諾避免當今世界各地每年造成超過 XNUMX 萬人死亡的車禍中的一小部分。 它們將使我們的生活更輕鬆，並改寫交通原則。 在這樣做的過程中，他們將改寫我們居住的地方和城市的本質，以及從能源到零售的數十個其他行業。 每天我們推遲將這些東西大量投放在路上，成千上萬的人將死於不應該開車的人手中。 我們每天都在拖延。

當然，這很難

需要明確的是，“花了這麼長時間”的最大原因是它很難。 有史以來最宏大的軟件研究項目之一。 它不僅需要突破性的軟件，還需要大量的詳細工作，以處理大量特殊情況並繪製世界及其所有皺紋。 任何認為或認為可以按計劃交付的人都是錯誤的，以前從未在軟件領域工作過。 當汽車公司拋出 2020 年這樣的日期時，那些是希望，而不是預測，而一些科技公司實際上實現了這一目標，這真是太棒了。 需要突破的多年項目永遠無法準確預測。

如果多年前對如此宏大項目的預測不准確，任何有軟件背景的人都不會感到震驚。 因此，即使沒有達到樂觀的希望，事情也不會“落後於計劃”。 這也意味著事情正在以更小的步驟完成。

最大的障礙雖然不是真的這樣做（即讓它安全），但知道你已經做到了。

證明你真的讓它安全了

第一個技術目標是讓它發生。 製造一輛可以安全駕駛的汽車。 這是一項巨大的成就，但至少在一些城市，一些公司已經實現了這一目標。 像 Waymo 這樣的公司在鳳凰城的輕鬆街道上已經做到了比普通人更安全的駕駛。 那是“困難的部分”——但更困難的部分是定義什麼是安全，衡量它，並證明你已經做到了。 你需要向你自己、向你的董事會、向你的律師、向公眾、甚至可能向政府證明這一點。 就像 Moderna Covid 疫苗於 2020 年 10 月準備就緒一樣，在第一次封鎖之前，世界等了 XNUMX 個月——而沒有它的情況下有 XNUMX 萬人死亡——才讓第一批人接種疫苗。 我們等著他們證明他們已經做到了。

衡量安全性非常困難。 我們知道人類駕駛員發生各種類型的碰撞事故的頻率，從輕微的碰撞到死亡。 在美國，大約每 80 萬英里或大約 2 萬小時的駕駛就會發生死亡事故。 我們不能這樣測試每個軟件版本：“讓我們讓它行駛 XNUMX 億英里，看看它殺死的人是否少於人類駕駛那麼遠時會死的十幾個人。” 在真正的道路上行駛一次都是不可能的距離，更不用說每個新版本了。 我們可能會少開車，併計算叮噹聲和輕微碰撞 - 事實上這是我們迄今為止提出的最好的，因為它至少是可能的 - 但我們不確定這是否與機器人受傷的方式相同與人相處。

許多人開始傳統的汽車工業方式。 他們測試車輛的每個組件，以確保其可靠且符合規範。 他們試圖用組件系統來做到這一點，但是當事情變得更複雜時，這種方法變得困難。 這被稱為功能安全——組件和系統沒有缺陷，它們是否能夠處理已知的潛在故障。

最近有更多的努力將其提升到系統級別並嘗試測試“預期功能的安全性”。 借助 SOTIF，團隊努力確保整個系統在出現問題和組件故障以及預期的誤用時仍能正常運行。 這通常涉及整個系統或部分系統的模擬，或者比道路現場測試更容易和更安全的“硬件在環”模擬。

模擬測試提供了在數百萬種不同場景中測試系統的能力。 任何人曾經看到、聽到或夢想過的任何事物——所有這些事物都有數百種細微的變化。

也許最難測試的事情，但您最想知道的事情是系統對從未見過的情況的響應能力如何。 雖然您可以創建模擬測試來了解車輛在幾乎所有預期的情況下都表現良好，但人類思維的一項巨大魔力是處理前所未有的問題的能力。 人工智能可以做到這一點，但它們並不那麼好。 最終，我們希望有一種方法可以每天獲得新的、現實的、危險的場景。 今天很好，你的汽車已經被編程來處理任何人曾經想過的所有事情，但真正的黃金標準可能是每天拋出 20 種以前從未見過的新情況，然後發現它可以處理大多數情況。 即使是人類也無法處理所有這些。 這是我希望看到的一件事 安全池項目，我在世界經濟論壇、Deepen.AI 和華威大學幫助發起了這項活動。

即使進行了所有模擬，您也需要在路上進行現場測試。 沒有人會部署一輛不能很好地處理現實世界的汽車。 雖然成本高昂，但使用人類安全駕駛員監督自動駕駛汽車操作的系統實際上具有出色的記錄，並且與普通人類駕駛相比不會危及公眾。

在這個行業中，每家公司都在描述他們對安全的投入程度。 製造安全的車輛是他們的工作，但他們做出這些聲明是為了取悅官員和公眾。 具有諷刺意味的是，公共利益不是製造最安全的自動駕駛汽車，而是 最安全的道路. 機器人汽車是一種可以帶來更安全道路的工具，他們越早到達這裡，就會越早越好。 官員們，如果他們認真對待改善整體道路安全的責任，實際上會鼓勵公司不要在安全方面走得太遠，而是專注於最快地部署更安全的技術——即使在部署規模較小的情況下做更少的事情來證明它是安全的, 讓它發生得更快。 但他們永遠不會，因為社會對錯誤和風險的反應方式。

安全的第二個組成部分是網絡安全。 我們確實需要這些汽車能夠抵禦試圖接管它們的企圖。 有些人不喜歡談論網絡安全，但汽車行業過去的歷史並不好。 這樣做不僅涉及安全實踐和工具，還涉及所謂的“紅隊”，即由專家白帽黑客組成的團隊從外部尋找漏洞，直到找不到更多漏洞為止。 另一個重要的工具是最小化連接，或者安全人員所說的“攻擊面”。 許多業內人士痴迷於他們想像中的“聯網汽車”，並將聯網誤認為與自動駕駛一樣大的革命。 它不是，不是遠程的。 需要一些連接，但應該謹慎使用它，這樣真正的革命才能保持安全。

測試的最大挑戰之一是所有機器人團隊都廣泛使用機器學習。 機器學習是一種非常強大的人工智能工具，大多數人認為它是必不可少的工具，但它往往會產生“黑盒”工具，這些工具可以做出決策，但沒人完全理解。 如果您不知道一個系統是如何工作的，或者它為什麼會失敗或做正確的事情，那麼就很難對其進行測試和認證。 在歐洲，他們一直在製定法律，要求所有的人工智能在某種程度上都是“可解釋的”，但許多機器學習網絡很難解釋。 這很可怕，但它們是如此強大，以至於我們不會放棄它們。 我們可能會面臨一個黑匣子，它在測試中的安全性是可解釋系統的兩倍，而且人們提出了令人信服的論點來支持這兩種選擇。

預測未來

自動駕駛汽車上覆蓋著傳感器，例如攝像頭、雷達、激光雷達等。 傳感器可能是硬件中討論最多的方面，但實際上傳感器根本不會告訴您您想知道什麼。 那是因為傳感器告訴你現在東西在哪裡，但你並不在乎。 你關心未來會發生什麼。 來自傳感器的信息只是通往預測未來的真正目標的線索。 知道某物在哪里以及它移動的速度是一個好的開始，但知道它是什麼對於知道它將在哪裡同樣重要。 道路上或道路附近的大多數物體都不是彈道的——人類負責並且可以改變路線。 這就是為什麼當今研究的關鍵領域之一是更好地預測路上的其他人，特別是人類，將要做什麼。 這可以從了解駕駛行為到確定站在拐角處的行人是否即將進入人行橫道或正在上網。

雖然有幾個團隊取得了長足的進步，但事實證明，人類在預測他人方面比今天的機器人要好。 在這方面做得更好是待辦事項清單上的關鍵問題之一，尤其是在繁忙的城市等更複雜的環境中。 預測未來還涉及預測其他人將如何對您自己的動作和他人的預測動作作出反應。 車道合併或無保護的左轉可能是一種相互讓步的舞蹈，而自動駕駛汽車將不斷嘗試改進它們的表現。

感應更快

傳感器可能只是實現真正目標的一種手段，但它們做得越好，你就能更好地預測未來。 團隊仍在尋求讓傳感器更快，以更快地進行感知和預測。 重要的一件事是了解移動物體的速度。 雷達會告訴您這一點，但相機和較舊的激光雷達不會，除非您查看多個幀。 一些較新的激光雷達可以告訴您速度和距離。 查看多個幀所花費的時間至少與獲取幀所花費的時間一樣多，但通常更多。

可能成為問題的一種情況是在更大的車輛後面的高速公路上行駛。 想像那輛車前面有一輛卡車停在路肩上，卡在車道上。 事故和緊急車輛經常發生這種情況。 突然，你面前的大車向右轉以避開障礙物，你第一次看到那輛停住的卡車。 你真的沒有太多時間剎車或轉向，你甚至可能無處可去。 如果您必須查看 3 幀視頻才能看到它確實沒有移動，那可能浪費了 1/10 秒，這是一種重要的情況。 因此，很多團隊都在尋找獲得這種優勢的方法，他們主要在可以測量“多普勒”的激光雷達中找到它，以了解他們用激光擊中的所有物體的速度。 雷達也知道速度，但世界上到處都是反射雷達的停止物體，很難從旁邊停止的護欄上分辨出停止的車輛。

走很長的路

我將簡要提到一個著名團隊的原因——特斯拉TSLA
——還沒有準備好是他們正試圖故意讓問題變得更難。 雖然每個團隊都大量使用計算機視覺，但特斯拉希望從 2016 年開始只使用計算機視覺和相機。大多數其他團隊還在他們的工具箱中添加了更好的相機、激光雷達、雷達和地圖。 特斯拉想要一個可以更便宜的視覺突破。 他們說所有這些額外的工具都會分散注意力。 但該行業的其他人希望使用所有工具更快地完成它，如果成本更高的話，並認為特斯拉正在削弱自己。 到目前為止，基於產品的質量——特斯拉 FSD 嚴重落後——其他人是對的，儘管比賽還沒有結束。

這是第一部分。 第二部分著眼於成為道路上的好公民，為什麼機器人汽車一次部署在一個城鎮而不是一次部署到任何地方，以及處理更平凡的物流問題，比如停車接載乘客，商業模式，應用程序，並且在讓政府和公眾接受您的同時過於擔心安全性。 我還將列出一些正在研究但不是真正阻礙部署的因素。 在未來的日子裡尋找第二部分。

有些人認為，他們在 2022 年沒有或沒有駕駛自動駕駛汽車，這意味著發展遠遠落後於計劃。 實際上，從來沒有一個嚴肅的時間表，只有希望，但事實上，這個問題清單預示著樂觀，因為這些剩餘的問題似乎一般都可以處理。 處理大部分問題需要努力工作和金錢，而不是突破。

請繼續關注第二部分，視頻和文本形式

您可以在此頁面或視頻頁面上發表評論。