無人駕駛車輛的應急反應，有時并不比人類做得更好

繼優步之后，Waymo的無人駕駛測試車也發生了碰撞。幸運的是，沒有人死于事故。5月4日，在亞利桑那州錢德勒，一輛有人駕駛的汽車越過中線，因故撞上了對面的Waymo測試車，導致兩輛車受損，無人駕駛安全員受輕傷。認為Waymo車輛和安保人員沒有責任。該市似乎已經適應了無人駕駛汽車是責任主體之一的現狀。盡管它不負責任，但它也讓公眾意識到，在某些情況下，無人車對其他車輛不可預測的行為的反應并不比人類更好。在險些相撞的過程中，Waymo并沒有采取令人驚嘆的躲避行動（也許保持車道更明智），但沒有回應有點令人失望。無人駕駛測試車甚至沒有采取剎車等常規措施。Waymo會在內部徹底檢查無人系統的訓練日志，但他們不會愚蠢到試圖了解車輛的“想法”。他們只會從結果中推斷，找到訓練系統中尚未完善甚至尚未涉足的部分。如何訓練“黑匣子”導致谷歌的“城堡”項目曝光。谷歌一直聲稱，它將實際道路測試和虛擬測試相結合來訓練自動駕駛系統。谷歌一直對如何整合兩者保密。新的事故表明谷歌仍然領先，但它不再是獨一無二的。無人系統就像新生兒一樣，有感知外部環境的“感官”（相機、毫米波雷達、激光雷達）和高速大腦（計算單元、圖像處理單元），但“大腦”的功能仍在分化，因此需要學會識別環境中所有可能的人和物體。它也可以被教授一些基本的應對措施，但在實踐中，研究人員不知道它是如何做出決定的。對人類來說，人工智能決策機制是一個“黑匣子”。這就是為什么很多人對此感到擔憂的原因。教導無人駕駛系統區分道路和可能遇到的其他一切是訓練的第一步。這就像教嬰兒閱讀圖片一樣。由于圖像的信息過于豐富，無法建模，深度學習似乎發揮了特殊的優勢。基于數百萬年的進化，人類往往可以通過直覺在復雜的情況下找到解決方案。人工智能正在學習這一點，但遵循另一套規則。深度學習可以用于感知和決策。例如，AlphaGo的子網絡是一個DNN訓練系統。最簡單地說，就是根據當前狀態做出決策。它的設計者和培訓師不想教它做決定（事實上，人類不知道系統將如何做決定），而是教它一些基本知識。在這個階段，識別環境是核心任務。物體，你可以開車的地方（你不能在路肩和花壇上開車），合法的行駛路徑等。首先，從大量的汽車圖像中提取基本特征，如汽車前部和側面的近似幾何形狀，以便系統能夠區分汽車的左右兩側（標記有不同的特征）。通過連續的多幀圖像，可以根據它們之間的連續變化來區分汽車的行駛方向。它還可以識別遠處視野中的小型車輛，這比任何人都更遠、更清晰。如何評估他們對自己的影響將在稍后進行培訓。其次，在傳統圖像中，路肩和道路本身的顏色很難區分，立體視覺也很難區分（畢竟高差太小）。人類怎么能輕易識別它？在陰影邊。只有10厘米的肩膀將形成一個連續的深色窄帶區域。你學會這個系統了嗎？使用連續窄帶陰影（斷開的個別路段可以用作高風險警告信號），結合車道識別，勾勒出可行駛區域。它看起來很完美，但有時沒有車道，或者由于天氣原因很難識別車道。在這種情況下，人類是如何駕駛的？間歇性的樹木、街道上開放的排水溝、兩邊行走的行人都可以作為判斷的依據。該系統需要從大量視頻（實際上是多幀圖像）中提取人類策略并對其進行優化。Waymo希望他的人工智能系統能采取與聰明的人類駕駛員幾乎相同的步驟，但它比任何人類都更快、更果斷。但這并沒有反映在汽車上……

5月4日的蘋果酒。出了什么問題？訓練系統的局限性這表明許多虛擬環境訓練，至少其中一些沒有在實際場景中使用。換句話說，集成存在問題。當無人系統具備識別能力時，它需要面對兩種場景：一種是真實世界，另一種是數字世界。在從前者獲得實踐經驗后，我們可以改變后者的各種條件（例如移動障礙物和使行人的行為更加不可預測），并不斷完善我們的應對策略，直到它們達到最佳。谷歌專家承認，要模擬不可靠的人類行為是極其困難的。即使在簡單的十字路口，無人駕駛系統也會被不按信號行駛的行人和摩托車弄糊涂。在一系列剎車后，無數車輛試圖從側面擠進，這導致了更多的混亂。在數字化培訓系統中，Waymo再次簡化了路況。例如，同一方向的兩條高速車道只涉及兩輛汽車。A車配備了無人駕駛系統，B車將作為障礙物出現。當A車以90公里的速度在內側道路上直行時，右側的B車突然超過A車并立即剎車。A車能否快速平穩地剎車，同時給后面的車輛留出足夠的制動時間？B以各種方式和不同角度阻擋A車，并對A車的制動過程進行了數百次重復測試。訓練系統記錄無人系統的性能，分析故障情況，優化無人系統的處置行動。然后情況將變得更加復雜：城市里有很多車道，當遇到車道上倒車的車輛、突然出現在路上的籃球或突然跳出隔離帶的人時，無人系統將如何應對。當然，程序中不能用盡所有輸入條件。程序員希望無人系統能夠從數以萬計的場景中提取方法，以便在其他場景中做出合理的決策。5月4日的車禍，對于目前的Waymo測試車來說，可能屬于“超一流”的情況。面對迎面而來的車輛，人類的問題是沒有足夠的時間觀察和做出決定，以至于驚慌失措。但無人系統的情況并非如此。通過毫秒級傳感器數據解決方案，CPU可以準確地知道周圍所有車輛的瞬時位置，斜向駛來的車輛的瞬時速度和加速度，并預測對方在未來幾秒鐘內的連續位置。經計算，如果不采取緊急制動+變向，1.5秒后會發生劇烈碰撞，危及車內人員。是什么促使Waymo車輛決定忽略它？是否在右側車道上沒有機動空間，或改變方向后無法保持車輛的穩定性，或無法通過急剎車改變碰撞結果，但會因道路摩擦不平衡而導致車輛側翻，從而導致更嚴重的后果？我們無法知道決策過程，Waymo的工程師可能會通過讀取數據來解決一些困惑。如果他們的結論與當時無人車的結論相同——什么都不做更有益，那么就沒有問題。問題是，這樣的結論超出了人類的認知范圍。面對危機，我們總是要做點什么。我們迅速提高腎上腺素水平，擴張瞳孔，收緊肌肉，提高血壓來迎接挑戰。將人工智能決策與人類進行比較可能是不恰當的。這反過來又促使人們思考基于人類經驗的培訓系統的有效性。虛擬世界可能太簡單了，無法設置。Waymo專家夸口說，他們是唯一一家采用“加速培訓系統”的公司。事實上，福特、優步和通用汽車也在硅谷建立了類似的培訓系統。Waymo只是第一個開始。當然，他們也獲得了最多的數據。在虛擬世界中的訓練可能在24小時內跑上數千萬公里。每一分鐘都可以模擬10年前兩周前的工作量。一些專家建議，模擬與真實道路測試的比例應為100∶1。同時，模擬部分應切斷枯燥的部分，專注于感興趣的部分（盡可能復雜），以加速訓練。有人認為，一旦虛擬城市中的無人系統數量達到數百萬，其群體行為模式就非常接近超級城市的真實日常生活。貝……

d it，我們必須部署足夠多的實際車輛和傳感器來建立高速公路數據庫。完全由虛擬場景訓練的無人系統在面對真實路況時可能會表現得“不同”。這提醒人們，虛擬城市的模型過于簡單，會導致無人車無法控制大城市的復雜局面。然而，錢德勒是一個只有幾十萬人口的旅游景點。但通常陽光充足，對傳感器的正常工作有積極影響。環境影響似乎已被排除在外。讓我們回到開頭。盡管培訓從人類駕駛員一開始處理的場景中吸取了教訓，但人工智能最終可能會采取不同的策略。隨著無人駕駛系統對人類行為理解的加深，它已經形成了自己的駕駛風格。令人驚訝的是，當無人系統面對另一個無人系統時，其策略與面對人類駕駛的車輛時不同。我們還沒有想過這個城市完全充滿無人駕駛汽車的情況。這意味著，當一個無人系統統治整個城市時，它可能會自發地形成一個全新的交通規則。更高效、更默契。人類在汽車時代積累并被視為標準的規范很可能會被取代。這場車禍揭示了人和無人車可能造成的混亂，但也讓我們期待著新的無人交通。到那時，無人系統的工作可能會更簡單。繼優步之后，Waymo的無人駕駛測試車也發生了碰撞。幸運的是，沒有人死于事故。5月4日，在亞利桑那州錢德勒，一輛有人駕駛的汽車越過中線，因故撞上了對面的Waymo測試車，導致兩輛車受損，無人駕駛安全員受輕傷。認為Waymo車輛和安保人員沒有責任。該市似乎已經適應了無人駕駛汽車是責任主體之一的現狀。盡管它不負責任，但它也讓公眾意識到，在某些情況下，無人車對其他車輛不可預測的行為的反應并不比人類更好。在險些相撞的過程中，Waymo并沒有采取令人驚嘆的躲避行動（也許保持車道更明智），但沒有回應有點令人失望。無人駕駛測試車甚至沒有采取剎車等常規措施。Waymo會在內部徹底檢查無人系統的訓練日志，但他們不會愚蠢到試圖了解車輛的“想法”。他們只會從結果中推斷，找到訓練系統中尚未完善甚至尚未涉足的部分。如何訓練“黑匣子”導致谷歌的“城堡”項目曝光。谷歌一直聲稱，它將實際道路測試和虛擬測試相結合來訓練自動駕駛系統。谷歌一直對如何整合兩者保密。新的事故表明谷歌仍然領先，但它不再是獨一無二的。無人系統就像新生兒一樣，有感知外部環境的“感官”（相機、毫米波雷達、激光雷達）和高速大腦（計算單元、圖像處理單元），但“大腦”的功能仍在分化，因此需要學會識別環境中所有可能的人和物體。它也可以被教授一些基本的應對措施，但在實踐中，研究人員不知道它是如何做出決定的。對人類來說，人工智能決策機制是一個“黑匣子”。這就是為什么很多人對此感到擔憂的原因。教導無人駕駛系統區分道路和可能遇到的其他一切是訓練的第一步。這就像教嬰兒閱讀圖片一樣。由于圖像的信息過于豐富，無法建模，深度學習似乎發揮了特殊的優勢。基于數百萬年的進化，人類往往可以通過直覺在復雜的情況下找到解決方案。人工智能正在學習這一點，但遵循另一套規則。深度學習可以用于感知和決策。例如，AlphaGo的子網絡是一個DNN訓練系統。最簡單地說，就是根據當前狀態做出決策。它的設計者和培訓師不想教它做決定（事實上，人類不知道系統將如何做決定），而是教它一些基本知識。在這個階段，識別環境是核心任務。物體，你可以開車的地方（你不能在路肩和花壇上開車），合法的行駛路徑等。首先，基本特征，如汽車前部和側面的大致幾何形狀，是……

從大量的汽車圖像中提取，使系統能夠區分汽車的左右兩側（標記有不同的特征）。通過連續的多幀圖像，可以根據它們之間的連續變化來區分汽車的行駛方向。它還可以識別遠處視野中的小型車輛，這比任何人都更遠、更清晰。如何評估他們對自己的影響將在稍后進行培訓。其次，在傳統圖像中，路肩和道路本身的顏色很難區分，立體視覺也很難區分（畢竟高差太小）。人類怎么能輕易識別它？在陰影邊。只有10厘米的肩膀將形成一個連續的深色窄帶區域。你學會這個系統了嗎？使用連續窄帶陰影（斷開的個別路段可以用作高風險警告信號），結合車道識別，勾勒出可行駛區域。它看起來很完美，但有時沒有車道，或者由于天氣原因很難識別車道。在這種情況下，人類是如何駕駛的？間歇性的樹木、街道上開放的排水溝、兩邊行走的行人都可以作為判斷的依據。該系統需要從大量視頻（實際上是多幀圖像）中提取人類策略并對其進行優化。Waymo希望他的人工智能系統能采取與聰明的人類駕駛員幾乎相同的步驟，但它比任何人類都更快、更果斷。但這并沒有反映在5月4日的車禍中。出了什么問題？訓練系統的局限性這表明許多虛擬環境訓練，至少其中一些沒有在實際場景中使用。換句話說，集成存在問題。當無人系統具備識別能力時，它需要面對兩種場景：一種是真實世界，另一種是數字世界。在從前者獲得實踐經驗后，我們可以改變后者的各種條件（例如移動障礙物和使行人的行為更加不可預測），并不斷完善我們的應對策略，直到它們達到最佳。谷歌專家承認，要模擬不可靠的人類行為是極其困難的。即使在簡單的十字路口，無人駕駛系統也會被不按信號行駛的行人和摩托車弄糊涂。在一系列剎車后，無數車輛試圖從側面擠進，這導致了更多的混亂。在數字化培訓系統中，Waymo再次簡化了路況。例如，同一方向的兩條高速車道只涉及兩輛汽車。A車配備了無人駕駛系統，B車將作為障礙物出現。當A車以90公里的速度在內側道路上直行時，右側的B車突然超過A車并立即剎車。A車能否快速平穩地剎車，同時給后面的車輛留出足夠的制動時間？B以各種方式和不同角度阻擋A車，并對A車的制動過程進行了數百次重復測試。訓練系統記錄無人系統的性能，分析故障情況，優化無人系統的處置行動。然后情況將變得更加復雜：城市里有很多車道，當遇到車道上倒車的車輛、突然出現在路上的籃球或突然跳出隔離帶的人時，無人系統將如何應對。當然，程序中不能用盡所有輸入條件。程序員希望無人系統能夠從數以萬計的場景中提取方法，以便在其他場景中做出合理的決策。5月4日的車禍，對于目前的Waymo測試車來說，可能屬于“超一流”的情況。面對迎面而來的車輛，人類的問題是沒有足夠的時間觀察和做出決定，以至于驚慌失措。但無人系統的情況并非如此。通過毫秒級傳感器數據解決方案，CPU可以準確地知道周圍所有車輛的瞬時位置，斜向駛來的車輛的瞬時速度和加速度，并預測對方在未來幾秒鐘內的連續位置。經計算，如果不采取緊急制動+變向，1.5秒后會發生劇烈碰撞，危及車內人員。是什么促使Waymo車輛決定忽略它？在右側車道上是否沒有機動空間，或改變方向后無法保持車輛的穩定性，或無法通過急剎車改變碰撞結果，但會因道路摩擦的不平衡而導致車輛側翻，w……

ch會導致更嚴重的后果嗎？我們無法知道決策過程，Waymo的工程師可能會通過讀取數據來解決一些困惑。如果他們的結論與當時無人車的結論相同——什么都不做更有益，那么就沒有問題。問題是，這樣的結論超出了人類的認知范圍。面對危機，我們總是要做點什么。我們迅速提高腎上腺素水平，擴張瞳孔，收緊肌肉，提高血壓來迎接挑戰。將人工智能決策與人類進行比較可能是不恰當的。這反過來又促使人們思考基于人類經驗的培訓系統的有效性。虛擬世界可能太簡單了，無法設置。Waymo專家夸口說，他們是唯一一家采用“加速培訓系統”的公司。事實上，福特、優步和通用汽車也在硅谷建立了類似的培訓系統。Waymo只是第一個開始。當然，他們也獲得了最多的數據。在虛擬世界中的訓練可能在24小時內跑上數千萬公里。每一分鐘都可以模擬10年前兩周前的工作量。一些專家建議，模擬與真實道路測試的比例應為100∶1。同時，模擬部分應切斷枯燥的部分，專注于感興趣的部分（盡可能復雜），以加速訓練。有人認為，一旦虛擬城市中的無人系統數量達到數百萬，其群體行為模式就非常接近超級城市的真實日常生活。在這背后，我們必須部署足夠多的實際車輛和傳感器來建立高速公路數據庫。完全由虛擬場景訓練的無人系統在面對真實路況時可能會表現得“不同”。這提醒人們，虛擬城市的模型過于簡單，會導致無人車無法控制大城市的復雜局面。然而，錢德勒是一個只有幾十萬人口的旅游景點。但通常陽光充足，對傳感器的正常工作有積極影響。環境影響似乎已被排除在外。讓我們回到開頭。盡管培訓從人類駕駛員一開始處理的場景中吸取了教訓，但人工智能最終可能會采取不同的策略。隨著無人駕駛系統對人類行為理解的加深，它已經形成了自己的駕駛風格。令人驚訝的是，當無人系統面對另一個無人系統時，其策略與面對人類駕駛的車輛時不同。我們還沒有想過這個城市完全充滿無人駕駛汽車的情況。這意味著，當一個無人系統統治整個城市時，它可能會自發地形成一個全新的交通規則。更高效、更默契。人類在汽車時代積累并被視為標準的規范很可能會被取代。這場車禍揭示了人和無人車可能造成的混亂，但也讓我們期待著新的無人交通。到那時，無人系統的工作可能會更簡單。

標簽：福特發現

汽車資訊熱門資訊