人機共駕：自動駕駛的終局？

“它經常在不合適的時間變道，但如果你想轉方向盤救緊急情況，它會和你爭道，這很危險。”“整個過程就像看孩子開車一樣，壓力很大。”...這里的“它”是特斯拉Autopilot。此前美國《消費者報告》報道稱，更新后的自動駕駛儀具有自動變道功能，車主可以選擇在變道時不給出任何警告，完全交給機器來選擇。但是，試駕編輯在體驗后吐槽道。特斯拉自動駕駛一直備受爭議。一方面說它是新手的福音，是預防事故的好幫手，另一方面又有人抨擊它是事故的罪魁禍首。這個系統不僅升級了用戶體驗，也因為安全事件頻發而備受關注。不可否認的是，特斯拉Autopilot讓大家有機會看到自動駕駛的未來，雖然離真正的“自動駕駛”還很遠。畢竟由于軟硬件的限制，最多只能實現L2自動駕駛，而且在這個階段，“人”還是主體，需要機器和人的配合，所以所有這些關于自動駕駛的爭議都可以歸結為“人機共駕”的典型問題。

具有“Autopilot導航”功能的特斯拉車型可實現自主變道| Teslarati在“全自動駕駛”這一純技術問題普及之前，“人機共駕”問題是所有汽車公司和自動駕駛公司需要突破的又一難題。這個難題的核心是“人”的不確定因素。根據控制權的劃分，“人機共駕”可分為“雙駕單控”和“雙駕雙控”兩種模式。前者側重于駕駛權的轉移以及主駕駛和輔助駕駛中的人車問題；后者與驅動自信有關。在人車都有控制權的情況下，應該更相信哪一方？因此，建立一個高效、舒適、安全的自動駕駛系統是極其復雜的。原因很簡單。機器必須與人互動。而且這個交互過程不僅涉及機器人，還涉及機器學習、心理學、經濟學、政策等領域的問題。同時也挑戰了我們現有的認知和假設:人類的表現可以差到什么程度？人工智能會有多強大？

麻省理工學院進行的“人機共駕”研究在右上角顯示了測試車輛“黑貝蒂”。麻省理工學院之前做過一個關于“人機共駕”的研究，從設計開發“以人為中心”的自動駕駛系統的角度提出了七個原則。這些指導原則并沒有消除人性的復雜性，而是將其融入整個系統。這正是這項研究的實質。實驗結果的演示可以在一輛名為“黑貝蒂”的無人車上看到。只配備了攝像頭，主要通過機器學習進行外部環境感知、規劃決策、駕駛員監控、語音識別、聚合和人機雙向控制的無縫切換(語音控制)，方向盤上安裝了扭矩傳感器。通過下面的視頻，可以看到這款無人車的具體表現:https://www.youtube.com/watch?. V = OOC 8 oh 0 clgc“人”是復雜的因素嗎？在過去的十年中，自動駕駛的能力逐漸提高，迫使政策制定者和行業安全研究者開始思考如何對“自動駕駛”進行分級，以便為相關法律、標準、工程設計甚至行業交流提供參考框架。目前業界普遍采用美國汽車工程學會SAE制定的分級標準，將自動駕駛分為L0到L5六個等級。但SAE對各個層次的定義其實非常模糊，無法給出清晰明確的區別，所以它似乎不太適合作為引發行業思考的“磚頭”，而更像是一套汽車系統設計開發的指導原則。

美國汽車工程學會對自動駕駛的SAE分類| SAE目前，業界對自動駕駛汽車有三種普遍看法:1。駕駛任務很簡單；2.人類不擅長駕駛；3.人類和機器不能很好的合作。與這些觀點相比，麻省理工的研究方向完全相反:1。開車其實很難；2.人類是優秀的司機；3.人與智能機器有效地合作是可行的，也是一個有價值的目標。基于這一前提和假設，麻省理工學院提出了“以人為中心”的框架，并將其應用于人機共駕系統的開發，徹底去除了執行具體駕駛任務時人機之間的界限。同時，麻省理工學院還提出了人機共駕的“七大原則”，并討論了如何在設計、開發和測試“黑貝蒂”的過程中應用這些原則。“人機共駕”七大原則1。共享自主)麻省理工學院認為，自動駕駛應該分為兩個層次:1。共享自主權；第二，完全自主。這種分類方法不僅可以提供建設性的指導方針，增加必要的限制，還可以設定要實現的量化目標。甚至，每個類別下要實現的功能，對應的技術要求，可能出現的問題都可以劃分。這個原理的核心在于對“擂臺上的人類車手”的討論。為了有效地控制車輛，由人和機器組成的團隊必須充分了解外部環境。目標是督促全行業明確區分“人機駕駛”和“全自動駕駛”。

表一中“人機共駕”和“全自動駕駛”兩條路徑所涉及的技術，包含了量產使用時各項技術性能的等級要求| MIT需要指出的是，表一中的“良好”和“例外”是用來表示解決1%極端情況的優先順序。遠程控制，V2X，V2I都不是必備技術，要用的話需要滿足特殊能力要求。在實現高級自動駕駛的方法上，傳統思維跳過了全程對“人”的考慮，將重點放在地圖、感知、規劃以及表一“全自動駕駛”一欄中標注為“專屬”的技術上，實際上考慮到目前的硬件和算法能力，這種解決方案對高精度地圖和傳感器套件的魯棒性要求較高，提供了更為保守的駕駛策略。如表一所述，“以人為中心”的自動駕駛汽車的焦點主要在駕駛員身上。仍然由人來負責控制車輛，但前提是要充分考慮人的狀態、駕駛模式和以往的人機合作經驗，同時把車輛的轉向、加減速交給人工智能系統。以特斯拉的自動駕駛為例。麻省理工學院之前的研究表明，測試中超過30%的行程是由這個L2駕駛輔助系統控制的。如果人機共駕應用成功，應該可以達到50%以上的機控率。在這項實驗中，麻省理工學院表示無人車系統在接管過程中表現出不同程度的能力，而人類駕駛員則始終密切關注機器的動態，并根據傳感系統獲得的信息及時預測可能出現的危險。二、從表一的數據中學習，不難發現，任何涉及到的車輛技術都是數據驅動的，需要收集大量的邊緣案例數據，并利用這些數據不斷優化算法。這個學習過程的目的應該是通過大量的數據實現從傳統的模塊化監督學習到端到端的半監督和無監督學習的過渡。為了實現車輛的自動駕駛，傳統的方法，無論什么水平，幾乎都不會應用很多機器學習技術。除了一些特殊的線下場景，比如Mobileye的視覺感知系統識別車道線，或者通用超級巡航配備的紅外攝像頭預測駕駛員的頭部動作。特斯拉的自動駕駛可能比其他方案走得更遠。在為第二代硬件平臺HW 2.0開發軟件算法時，越來越多的監督機器學習原理被應用在視覺感知中。但即便如此，大部分對車輛的控制和對駕駛員狀態的監控都不是大數據驅動的，幾乎沒有涉及在線學習過程。目前，在業界開展的一些全自動駕駛技術道路測試中，機器學習主要應用于環境感知這一環節。更重要的是，這些車輛收集的數據，在數量和多樣性方面，都不如那些具有L2級自動駕駛能力的車輛。

Tesla Autopilot主要依靠機器學習算法來檢測目標和車道線| ElectrekMIT認為“L2自動駕駛系統的機器學習框架所使用的數據從規模和豐富度來看，具有足夠的擴展能力，能夠覆蓋多變的、有代表性的、具有挑戰性的邊緣案例。共享自治需要同時收集人和車輛的感知數據，并在挖掘和分析后進行監督學習的注釋。在實驗中……MIT的ntal過程，深度神經網絡模型已經應用于駕駛場景感知、路徑規劃、駕駛員監控、語音識別、語音聚合，可以通過大量收集的駕駛體驗數據不斷調整優化。在收集數據時，MIT表示不局限于單個傳感器來源，而是考慮到整個駕駛體驗，所有傳感器數據流都由一個實時時鐘進行匯總和聚合，用于標記多個神經網絡模型。這樣可以很好的匹配駕駛場景和駕駛員的狀態，在聚合的傳感器數據流中進行標注工作，這樣在數據規模允許的情況下，模塊化的監督學習可以很容易過渡到端到端的學習。第三，人體感應實際上就是我們通常所說的“駕駛員監控”是指對駕駛員整體心理和功能特征的多維度測量和評價，包括注意力分散、疲勞、注意力分配和容量、認知負荷、情緒狀態等。目前除了通用Super Cruise在方向盤上配備了紅外攝像頭之外，無論是搭載ADAS駕駛輔助系統的量產車型，還是路測中的全自動駕駛汽車，大部分都沒有提供任何與駕駛員監控相關的軟硬件。特斯拉Model 3其實安裝了車內攝像頭，但目前還沒有啟用。官方功能表示要等軟件更新后才能知道。除了基于視覺的解決方案，市場上也有一些準確率不高的方式。例如，特斯拉在方向盤上安裝了扭矩傳感器，一些公司通過監測方向盤是否反轉來推斷駕駛員是否疲勞。

新一代凱迪拉克CT6的駕駛員監控系統由Seeing Machines提供|官方供圖麻省理工學院認為“對駕駛員狀態的感知和監控是實現高效人機共駕的第一步，也是最關鍵的一步。在過去的二十年里，來自機器視覺、信號處理、機器人學等領域的專家對相關課題進行了研究，目的是討論如何盡可能地保證司機和乘客的安全。此外，對駕駛員狀態的監控，對于如何改善和升級人機交互界面，以及高級駕駛輔助系統ADAS的設計都有很大的幫助。隨著汽車智能化程度的不斷提高，如何準確、及時地檢測駕駛員的行為，對于創造安全、個性化的出行體驗尤為重要。更有意思的是，從完全手動駕駛到完全自動駕駛，涉及到不同模式之間的切換問題。總的來說，handoff方向盤是一個信號，可能表示系統準備好接管了，但是還有哪些更準確的信息可以用來判斷，這可能是“駕駛員監控”的研究者需要不斷思考的。四、共享感知-控制(Shared Preception-Control)一般來說，這相當于給整個自動駕駛系統增加了“一雙眼睛和手”。“它經常在不合適的時間變道，但如果你想轉方向盤救緊急情況，它會和你爭道，這很危險。”“整個過程就像看孩子開車一樣，壓力很大。”...這里的“它”是特斯拉Autopilot。此前美國《消費者報告》報道稱，更新后的自動駕駛儀具有自動變道功能，車主可以選擇在變道時不給出任何警告，完全交給機器來選擇。但是，試駕編輯在體驗后吐槽道。特斯拉自動駕駛一直備受爭議。一方面說它是新手的福音，是預防事故的好幫手，另一方面又有人抨擊它是事故的罪魁禍首。這個系統不僅升級了用戶體驗，也因為安全事件頻發而備受關注。不可否認的是，特斯拉Autopilot讓大家有機會看到自動駕駛的未來，雖然離真正的“自動駕駛”還很遠。畢竟由于軟硬件的限制，最多只能實現L2自動駕駛，而且在這個階段，“人”還是主體，需要機器和人的配合，所以這些關于自動駕駛的爭議都可以歸結為……“人機共駕”的典型問題。

具有“Autopilot導航”功能的特斯拉車型可實現自主變道| Teslarati在“全自動駕駛”這一純技術問題普及之前，“人機共駕”問題是所有汽車公司和自動駕駛公司需要突破的又一難題。這個難題的核心是“人”的不確定因素。根據控制權的劃分，“人機共駕”可分為“雙駕單控”和“雙駕雙控”兩種模式。前者側重于駕駛權的轉移以及主駕駛和輔助駕駛中的人車問題；后者與驅動自信有關。在人車都有控制權的情況下，應該更相信哪一方？因此，建立一個高效、舒適、安全的自動駕駛系統是極其復雜的。原因很簡單。機器必須與人互動。而且這個交互過程不僅涉及機器人，還涉及機器學習、心理學、經濟學、政策等領域的問題。同時也挑戰了我們現有的認知和假設:人類的表現可以差到什么程度？人工智能會有多強大？

麻省理工學院進行的“人機共駕”研究在右上角顯示了測試車輛“黑貝蒂”。麻省理工學院之前做過一個關于“人機共駕”的研究，從設計開發“以人為中心”的自動駕駛系統的角度提出了七個原則。這些指導原則并沒有消除人性的復雜性，而是將其融入整個系統。這正是這項研究的實質。實驗結果的演示可以在一輛名為“黑貝蒂”的無人車上看到。只配備了攝像頭，主要通過機器學習進行外部環境感知、規劃決策、駕駛員監控、語音識別、聚合和人機雙向控制的無縫切換(語音控制)，方向盤上安裝了扭矩傳感器。通過下面的視頻，可以看到這款無人車的具體表現:https://www.youtube.com/watch?. V = OOC 8 oh 0 clgc“人”是復雜的因素嗎？在過去的十年中，自動駕駛的能力逐漸提高，迫使政策制定者和行業安全研究者開始思考如何對“自動駕駛”進行分級，以便為相關法律、標準、工程設計甚至行業交流提供參考框架。目前業界普遍采用美國汽車工程學會SAE制定的分級標準，將自動駕駛分為L0到L5六個等級。但SAE對各個層次的定義其實非常模糊，無法給出清晰明確的區別，所以它似乎不太適合作為引發行業思考的“磚頭”，而更像是一套汽車系統設計開發的指導原則。

美國汽車工程學會對自動駕駛的SAE分類| SAE目前，業界對自動駕駛汽車有三種普遍看法:1。駕駛任務很簡單；2.人類不擅長駕駛；3.人類和機器不能很好的合作。與這些觀點相比，麻省理工的研究方向完全相反:1。開車其實很難；2.人類是優秀的司機；3.人與智能機器有效地合作是可行的，也是一個有價值的目標。基于這一前提和假設，麻省理工學院提出了“以人為中心”的框架，并將其應用于人機共駕系統的開發，徹底去除了執行具體駕駛任務時人機之間的界限。同時，麻省理工學院還提出了人機共駕的“七大原則”，并討論了如何在設計、開發和測試“黑貝蒂”的過程中應用這些原則。“人機共駕”七大原則1。共享自主)麻省理工學院認為，自動駕駛應該分為兩個層次:1。共享自主權；第二，完全自主。這種分類方法不僅可以提供建設性的指導方針，增加必要的限制，還可以設定要實現的量化目標。甚至，每個類別下要實現的功能，對應的技術要求，可能出現的問題都可以劃分。這個原理的核心在于對“擂臺上的人類車手”的討論。為了有效地控制車輛，由人和機器組成的團隊必須充分了解外部環境。目標是督促全行業明確區分“人機駕駛”和“全自動駕駛”。

表一中“人機共駕”和“全自動駕駛”兩條路徑所涉及的技術，包含了量產使用時各項技術性能的等級要求| MIT需要指出的是，表一中的“良好”和“例外”是用來表示解決1%極端情況的優先順序。遠程控制，V2X，V2I都不是必備技術，要用的話需要滿足特殊能力要求。在實現高級自動駕駛的方法上，傳統思維跳過了全程對“人”的考慮，將重點放在地圖、感知、規劃以及表一“全自動駕駛”一欄中標注為“專屬”的技術上，實際上考慮到目前的硬件和算法能力，這種解決方案對高精度地圖和傳感器套件的魯棒性要求較高，提供了更為保守的駕駛策略。如表一所述，“以人為中心”的自動駕駛汽車的焦點主要在駕駛員身上。仍然由人來負責控制車輛，但前提是要充分考慮人的狀態、駕駛模式和以往的人機合作經驗，同時把車輛的轉向、加減速交給人工智能系統。以特斯拉的自動駕駛為例。麻省理工學院之前的研究表明，測試中超過30%的行程是由這個L2駕駛輔助系統控制的。如果人機共駕應用成功，應該可以達到50%以上的機控率。在這項實驗中，麻省理工學院表示無人車系統在接管過程中表現出不同程度的能力，而人類駕駛員則始終密切關注機器的動態，并根據傳感系統獲得的信息及時預測可能出現的危險。二、從表一的數據中學習，不難發現，任何涉及到的車輛技術都是數據驅動的，需要收集大量的邊緣案例數據，并利用這些數據不斷優化算法。這個學習過程的目的應該是通過大量的數據實現從傳統的模塊化監督學習到端到端的半監督和無監督學習的過渡。為了實現車輛的自動駕駛，傳統的方法，無論什么水平，幾乎都不會應用很多機器學習技術。除了一些特殊的線下場景，比如Mobileye的視覺感知系統識別車道線，或者通用超級巡航配備的紅外攝像頭預測駕駛員的頭部動作。特斯拉的自動駕駛可能比其他方案走得更遠。在為第二代硬件平臺HW 2.0開發軟件算法時，越來越多的監督機器學習原理被應用在視覺感知中。但即便如此，大部分對車輛的控制和對駕駛員狀態的監控都不是大數據驅動的，幾乎沒有涉及在線學習過程。目前，在業界開展的一些全自動駕駛技術道路測試中，機器學習主要應用于環境感知這一環節。更重要的是，這些車輛收集的數據，在數量和多樣性方面，都不如那些具有L2級自動駕駛能力的車輛。

Tesla Autopilot主要依靠機器學習算法來檢測目標和車道線| ElectrekMIT認為“L2自動駕駛系統的機器學習框架所使用的數據從規模和豐富度來看，具有足夠的擴展能力，能夠覆蓋多變的、有代表性的、具有挑戰性的邊緣案例。共享自治需要同時收集人和車輛的感知數據，并在挖掘和分析后進行監督學習的注釋。在實驗中……MIT的ntal過程，深度神經網絡模型已經應用于駕駛場景感知、路徑規劃、駕駛員監控、語音識別、語音聚合，可以通過大量收集的駕駛體驗數據不斷調整優化。在收集數據時，MIT表示不局限于單個傳感器來源，而是考慮到整個駕駛體驗，所有傳感器數據流都由一個實時時鐘進行匯總和聚合，用于標記多個神經網絡模型。這樣可以很好的匹配駕駛場景和駕駛員的狀態，在聚合的傳感器數據流中進行標注工作，這樣在數據規模允許的情況下，模塊化的監督學習可以很容易過渡到端到端的學習。第三，人體感應實際上就是我們通常所說的“駕駛員監控”是指對駕駛員整體心理和功能特征的多維度測量和評價，包括注意力分散、疲勞、注意力分配和容量、認知負荷、情緒狀態等。目前除了通用Super Cruise在方向盤上配備了紅外攝像頭之外，無論是搭載ADAS駕駛輔助系統的量產車型，還是路測中的全自動駕駛汽車，大部分都沒有提供任何與駕駛員監控相關的軟硬件。特斯拉Model 3其實安裝了車內攝像頭，但目前還沒有啟用。官方功能表示要等軟件更新后才能知道。除了基于視覺的解決方案，市場上也有一些準確率不高的方式。例如，特斯拉在方向盤上安裝了扭矩傳感器，一些公司通過監測方向盤是否反轉來推斷駕駛員是否疲勞。

新一代凱迪拉克CT6的駕駛員監控系統由Seeing Machines提供|官方供圖麻省理工學院認為“對駕駛員狀態的感知和監控是實現高效人機共駕的第一步，也是最關鍵的一步。在過去的二十年里，來自機器視覺、信號處理、機器人學等領域的專家對相關課題進行了研究，目的是討論如何盡可能地保證司機和乘客的安全。此外，對駕駛員狀態的監控，對于如何改善和升級人機交互界面，以及高級駕駛輔助系統ADAS的設計都有很大的幫助。隨著汽車智能化程度的不斷提高，如何準確、及時地檢測駕駛員的行為，對于創造安全、個性化的出行體驗尤為重要。更有意思的是，從完全手動駕駛到完全自動駕駛，涉及到不同模式之間的切換問題。總的來說，handoff方向盤是一個信號，可能表示系統準備好接管了，但是還有哪些更準確的信息可以用來判斷，這可能是“駕駛員監控”的研究者需要不斷思考的。四、共享感知-控制(Shared Preception-Control)一般來說，這相當于給整個自動駕駛系統增加了“一雙眼睛和手”。目的是建立附加的傳感、控制和路線規劃機制。即使是在高度自動化的駕駛系統運行時，也需要及時為駕駛員推送信息，并將其帶入整個駕駛過程。研究自動駕駛的目的是為了完美解決“感知-控制”的問題，兼顧人類的不可靠性和行為的不可預測性。所以傳統的觀點是，最簡單的辦法就是把人排除在駕駛之外，就像十幾年前贏得DARPA挑戰賽的團隊一樣。但與傳統解決方案相反，“以人為中心”的理論將人置于感知和決策規劃閉環的關鍵位置。所以車輛感知系統就成了配角，為人類駕駛員提供外界環境信息，實際上被認為是解決了機器視覺本身的局限性。

2

3

表二麻省理工學院“以人為本”的自動駕駛系統執行的感知任務，包括檢測駕駛員的面部表情、動作、可駕駛區域、車道l……場景中的es和物體| II MIT的研究，工作人員圍繞這個原理設計了幾個關鍵算法。表二是幾個典型案例。首先，我們可以直觀的看到神經網絡做出的判斷，道路分割的面積，駕駛場景狀態預測的可信度；其次，整合所有的感知數據，輸出融合的決策建議，從而可以在表四的場景下估計總體風險；第三，MIT一直采用模仿學習:以人類駕駛員控制車輛時方向盤的動作作為訓練數據，進一步優化端到端的深度神經網絡；最后，麻省理工學院使用的端到端神經網絡是一個名為“辯論機器”的框架的一部分，它為主要的感知-控制系統提供人類監督(表三)。這里的“辯論機器框架”是MIT MIT 2018提出的一個概念。請點擊(http://1t.click/DAK)了解詳細的技術細節。它將主人工智能系統與經過獨立訓練來執行相同任務的輔助人工智能系統配對。該框架表明，在沒有任何基本的系統設計或操作知識的情況下，兩個系統之間的差異足以提高整體決策流水線的準確性。

4

表三“辯論機器”框架在“黑貝蒂”自動駕駛測試車上的應用和評估|麻省理工學院

5

表四通過結合車輛內外感知系統的數據做出的融合決策可以充分估計可能的風險| MIT五、深度個性化這里涉及到一個“將人類融入機器”的概念。通過調整AI系統的參數，可以更適合人類操作，呈現一定程度的定制化。最終的系統應該具備駕駛員的行為特征，而不是剛出廠時的常見配置。6.不避免設計缺陷對于整個汽車行業來說，有很多原因需要考慮。在進行工程設計時，最重要的考慮是“安全”，所以要盡可能地減少系統出錯的頻率和程度。換句話說，對于自動駕駛來說，完美是目標，這也導致了一些功能設計可能是“必要的”，因為它們的“不完美”和“不確定”的性質。但根據麻省理工學院的研究，在設計一個實現“人機共駕”的人工智能系統時，豐富高效的通信機制是一個非常必要的因素。就“交流”而言，系統的不完善可以在感知模型的交換和整合過程中，為人和機器提供密集多樣的信息內容。如果人工智能系統的不確定性、局限性和錯誤被隱藏起來，它也會錯過建立信任和深入理解與人之間關系的機會。麻省理工學院認為，行業在設計半自動駕駛系統時采用的“完美”思維可能是迄今為止犯下的嚴重錯誤之一。麻省理工學院在研發無人車“黑貝蒂”時，以文字和視覺的形式與人類充分溝通了人工智能系統的局限性。比如可視化人類和機器對外界的感知，讓司機知道AI系統的局限性。研究人員表示，與僅僅提供“報警”或“模糊信號”相比，這種方式是最簡單有效的人機交流方式。雖然這種通信機制仍然面臨一些技術困難，例如，可視化過程通常需要芯片的高計算能力和實時調用能力。但值得關注和思考的是機器人、自動化、人機交互等領域的解決方案。7.系統級經驗目前汽車行業工程設計過程中最重要的目標之一就是“安全”。另一個是“降低成本”。第二個目標是模塊化和基于組件的設計思想。然而，在機器人、計算機視覺、機器學習等領域的人工智能系統設計中，同樣的模式卻有著不同的原因。比如注重單一功能的實現(目標檢測等。)在設計中可以有效地檢驗算法的合理性并逐步完善和優化。但這個過程必然會關注單一功能，而忽略系統的整體體驗。在過去的幾十年里，“系統工程”和“系統思維”的原則一直指導著汽車工業產品的產出。然而，類似的思維幾乎沒有應用到自動駕駛汽車的設計、測試和評估中。就像上面麻省理工提到的六大原則一樣，人和機器都難免會有缺陷。只有在系統層面考慮“人機共駕”的框架，這些缺陷才有機會變成優勢。關于“人機共駕”的永恒討論無論是短期還是長期，其實都很難……預測自動駕駛的哪一條道路最終會成功，退一步說，你連什么樣的結果是“成功”都不知道。在談到研究目的時，麻省理工學院希望一個自動駕駛系統能夠同時滿足“安全性”、“愉快的駕駛體驗”和“改善的出行體驗”三個要求，而不是適當地相互妥協。雖然“人機共駕”這個話題已經是包括汽車工業、機器人在內的很多領域研究的焦點，但仍然值得進一步探討。在今年4月的上海國際車展上，一級供應商ZF和英偉達聯合推出了coPILOT智能高級駕駛輔助系統。這是一套定位于“L2+級”的自動駕駛輔助系統，旨在提高乘用車的安全性和駕駛舒適性。從產品名稱不難看出，這套系統也強調了“人機共駕”的理念。它配備了相應的傳感器和功能，可以監控駕駛員，并在潛在危險情況發生時觸發警告。例如，當駕駛員注意力不集中、幾乎完全不注意道路交通或表現出困倦的跡象時，等等。因此，人工智能扮演著“個人駕駛助手”的角色，這一產品理念與麻省理工學院的研究不謀而合。完美解決駕駛任務和完美管理人類的信任和注意力哪個更難？這是一個值得深思的問題。麻省理工學院認為，關于這個問題的討論不會停止。這篇論文和無人駕駛測試車“黑貝蒂”都是基于“人機共駕”的研究成果，麻省理工學院認為這是開發“以人為中心”的自動駕駛系統的必由之路。目的是建立附加的傳感、控制和路線規劃機制。即使是在高度自動化的駕駛系統運行時，也需要及時為駕駛員推送信息，并將其帶入整個駕駛過程。研究自動駕駛的目的是為了完美解決“感知-控制”的問題，兼顧人類的不可靠性和行為的不可預測性。所以傳統的觀點是，最簡單的辦法就是把人排除在駕駛之外，就像十幾年前贏得DARPA挑戰賽的團隊一樣。但與傳統解決方案相反，“以人為中心”的理論將人置于感知和決策規劃閉環的關鍵位置。所以車輛感知系統就成了配角，為人類駕駛員提供外界環境信息，實際上被認為是解決了機器視覺本身的局限性。

2

3

表二麻省理工學院“以人為中心”的自動駕駛系統執行的感知任務，包括檢測駕駛員的面部表情、動作、可駕駛區域、車道線和場景中的物體| II麻省理工學院的研究中，工作人員圍繞這一原理設計了幾個關鍵算法。表二是幾個典型案例。首先，我們可以直觀的看到神經網絡做出的判斷，道路分割的面積，駕駛場景狀態預測的可信度；其次，整合所有的感知數據，輸出融合的決策建議，從而可以在表四的場景下估計總體風險；第三，MIT一直采用模仿學習:以人類駕駛員控制車輛時方向盤的動作作為訓練數據，進一步優化端到端的深度神經網絡；最后，麻省理工學院使用的端到端神經網絡是一個名為“辯論機器”的框架的一部分，它為主要的感知-控制系統提供人類監督(表三)。這里的“辯論機器框架”是MIT MIT 2018提出的一個概念。請點擊(http://1t.click/DAK)了解詳細的技術細節。它將主人工智能系統與經過獨立訓練來執行相同任務的輔助人工智能系統配對。該框架表明，在沒有任何基本的系統設計或操作知識的情況下，兩個系統之間的差異足以提高整體決策流水線的準確性。

4

表三“辯論機器”框架在“黑貝蒂”自動駕駛測試車上的應用和評估|麻省理工學院

5

表四通過結合車輛內外感知系統的數據做出的融合決策可以充分估計可能的風險| MIT五、深度個性化這里涉及到一個“將人類融入機器”的概念。通過調整AI系統的參數，可以更適合人類操作，呈現一定程度的定制化。最終的系統應該具備駕駛員的行為特征，而不是剛出廠時的常見配置。6.不避免設計缺陷對于整個汽車行業來說，有很多原因需要考慮。在進行工程設計時，最重要的考慮是“安全”，所以要盡可能地減少系統出錯的頻率和程度。換句話說，對于自動駕駛來說，完美是目標，這也導致了一些功能設計可能是“必要的”，因為它們的“不完美”和“不確定”的性質。但根據麻省理工學院的研究，在設計一個實現“人機共駕”的人工智能系統時，豐富高效的通信機制是一個非常必要的因素。就“交流”而言，系統的不完善可以在感知模型的交換和整合過程中，為人和機器提供密集多樣的信息內容。如果人工智能系統的不確定性、局限性和錯誤被隱藏起來，它也會錯過建立信任和深入理解與人之間關系的機會。麻省理工學院認為，行業在設計半自動駕駛系統時采用的“完美”思維可能是迄今為止犯下的嚴重錯誤之一。麻省理工學院在研發無人車“黑貝蒂”時，以文字和視覺的形式與人類充分溝通了人工智能系統的局限性。比如可視化人類和機器對外界的感知，讓司機知道AI系統的局限性。研究人員表示，與僅僅提供“報警”或“模糊信號”相比，這種方式是最簡單有效的人機交流方式。雖然這種通信機制仍然面臨一些技術困難，例如，可視化過程通常需要芯片的高計算能力和實時調用能力。但值得關注和思考的是機器人、自動化、人機交互等領域的解決方案。7.系統級經驗目前汽車行業工程設計過程中最重要的目標之一就是“安全”。另一個是“降低成本”。第二個目標是模塊化和基于組件的設計思想。然而，在機器人、計算機視覺、機器學習等領域的人工智能系統設計中，同樣的模式卻有著不同的原因。比如注重單一功能的實現(目標檢測等。)在設計中可以有效地檢驗算法的合理性并逐步完善和優化。但這個過程必然會關注單一功能，而忽略系統的整體體驗。在過去的幾十年里，“系統工程”和“系統思維”的原則一直指導著汽車工業產品的產出。然而，類似的思維幾乎沒有應用到自動駕駛汽車的設計、測試和評估中。就像上面麻省理工提到的六大原則一樣，人和機器都難免會有缺陷。只有在系統層面考慮“人機共駕”的框架，這些缺陷才有機會變成優勢。關于“人機共駕”的永恒討論無論是短期還是長期，其實都很難……預測自動駕駛的哪一條道路最終會成功，退一步說，你連什么樣的結果是“成功”都不知道。在談到研究目的時，麻省理工學院希望一個自動駕駛系統能夠同時滿足“安全性”、“愉快的駕駛體驗”和“改善的出行體驗”三個要求，而不是適當地相互妥協。雖然“人機共駕”這個話題已經是包括汽車工業、機器人在內的很多領域研究的焦點，但仍然值得進一步探討。在今年4月的上海國際車展上，一級供應商ZF和英偉達聯合推出了coPILOT智能高級駕駛輔助系統。這是一套定位于“L2+級”的自動駕駛輔助系統，旨在提高乘用車的安全性和駕駛舒適性。從產品名稱不難看出，這套系統也強調了“人機共駕”的理念。它配備了相應的傳感器和功能，可以監控駕駛員，并在潛在危險情況發生時觸發警告。例如，當駕駛員注意力不集中、幾乎完全不注意道路交通或表現出困倦的跡象時，等等。因此，人工智能扮演著“個人駕駛助手”的角色，這一產品理念與麻省理工學院的研究不謀而合。完美解決駕駛任務和完美管理人類的信任和注意力哪個更難？這是一個值得深思的問題。麻省理工學院認為，關于這個問題的討論不會停止。這篇論文和無人駕駛測試車“黑貝蒂”都是基于“人機共駕”的研究成果，麻省理工學院認為這是開發“以人為中心”的自動駕駛系統的必由之路。

標簽：特斯拉凱迪拉克理念發現Model 3

汽車資訊熱門資訊