只有擁有大量的訓(xùn)練數(shù)據(jù),才能達到無需人工干涉的完全自動駕駛水平。由于目前的自動駕駛系統(tǒng)對其環(huán)境缺乏更廣泛的了解,安全性仍有一些灰色地帶,尚未成熟的技術(shù)與人類駕駛者相比,在理解意外事件方面依然遜色不少。

文︱立厷

圖︱網(wǎng)絡(luò)

如何讓自動駕駛汽車能像人類一樣?在人工智能時代,自動駕駛汽車能不能像人一樣自主學習并掌握駕駛技能?現(xiàn)在看,還遠遠不能。

目前,主流自動駕駛技術(shù)主要采用各種傳感器加神經(jīng)網(wǎng)絡(luò)系統(tǒng)和機器學習的模式,需要極大數(shù)量的數(shù)據(jù)來訓(xùn)練車輛系統(tǒng)。就是這樣,進展也就是L2+。一些有志之士也在另辟蹊徑,進行一些“另類”研究,試圖讓自動駕駛汽車能模仿人類。

L5自動駕駛為什么遙不可及?

2018年,谷歌旗下Waymo稱,利用神經(jīng)網(wǎng)絡(luò)技術(shù)自動駕駛汽車能夠像人腦一樣思考,母公司Alphabet和谷歌技術(shù)將神經(jīng)網(wǎng)絡(luò)系統(tǒng)和機器學習法等人工智能技術(shù)引入自動駕駛汽車,將大大降低自動駕駛的出錯率。

2019年,特斯拉要求用戶上傳靜止和移動物體的圖像,還針對汽車行駛過程中發(fā)生的一些情景進行測試,以訓(xùn)練網(wǎng)絡(luò)能夠正確識別這些情景,幫助其車輛預(yù)測道路上的未來活動。在進行路徑規(guī)劃時,特斯拉也采取了同樣方式,觀測人類駕駛者在各種道路情況下所選擇的路徑,匯總特定情況下典型人類行動。

本來,特斯拉的馬斯克曾說2020年底完成L5級別自動駕駛功能,后來又改口稱,要到2021年底,現(xiàn)在2021過半,大家可能又要失望了。此前躊躇滿志的很多自動駕駛公司前赴后繼,不斷燒錢向L5瘋狂挺進,但大多已杳無音信。

特斯拉的觀點得到了絕大多數(shù)從事自動駕駛研究人士的認同:只有擁有大量的訓(xùn)練數(shù)據(jù),才能達到無需人工干涉的完全自動駕駛水平。由于目前的自動駕駛系統(tǒng)對其環(huán)境缺乏更廣泛的了解,安全性仍有一些灰色地帶,尚未成熟的技術(shù)與人類駕駛者相比,在理解意外事件方面依然遜色不少。

美國加州汽車管理局(CDMV)指出,人類駕駛者在理解意外事件方面表現(xiàn)出色,他們通�？梢圆扇”匾�的預(yù)防措施來避免事故的發(fā)生。然而,由于目前的自動駕駛系統(tǒng)對其所處環(huán)境缺乏更廣泛的了解,很難采取類似的預(yù)防措施,問題的關(guān)鍵是能否開發(fā)出一種能夠在遇到意外事件時降低風險的系統(tǒng)。

7月的2021世界人工智能大會上,華為智能駕駛產(chǎn)品線總裁、首席架構(gòu)師蘇箐語出驚人:“L5級別自動駕駛是一個牽引目標,永遠不可能達到�！彼�說:“因為從定義來看,L5是要在任何時間、任何地點、任何天氣都能夠覆蓋所有的情況和場景,世界上沒有一個人類駕駛者能夠做到這點。”

人類駕駛者不能做到的事情,自動駕駛技術(shù)能不能做到呢?沒有答案。還是看看人們的努力吧。

模仿他人訓(xùn)練自己

自動駕駛汽車由機器學習算法驅(qū)動,需要大量的駕駛數(shù)據(jù)才能安全運行,數(shù)據(jù)為王,但它也是一個瓶頸。目前,自動駕駛汽車是跟著已有的駕駛數(shù)據(jù)來學習如何安全駕駛,學習需要很長時間;出于競爭目的,全球頭部汽車公司和大型科技企業(yè)都將大量數(shù)據(jù)據(jù)為己有,不可能拿出來與他人分享。

那么,如果自動駕駛汽車能夠像嬰兒通過觀察和模仿周圍的人來學習走路那樣學習駕駛,所需要的駕駛數(shù)據(jù)就少得多了�；�于這一想法,波士頓大學的工程師Eshed Ohn-Bar正在開發(fā)出一種全新的方式,讓自主汽車通過觀察道路上的其他汽車來學習安全駕駛技術(shù),預(yù)測其自己如何對環(huán)境做出反應(yīng),并利用這些信息來做出自己的駕駛決策。

Ohn Bar是波士頓大學工程學院電氣和計算機工程助理教授,也是教職研究員。他最近在2021年計算機視覺與模式識別會議上介紹了他們的研究成果。他們提出的訓(xùn)練模式的想法出于加強該領(lǐng)域研究人員之間數(shù)據(jù)共享和合作的愿望。

他說:“每家公司都要經(jīng)歷同樣的過程,包括開車、安裝傳感器、付錢讓駕駛者開車、收集數(shù)據(jù)以及教汽車如何駕駛。”他認為,分享駕駛數(shù)據(jù)可以幫助公司更快地制造安全的自動駕駛汽車,讓社會上的每個人都能從合作中受益。Ohn Bar說,人工智能駕駛系統(tǒng)需要如此多的數(shù)據(jù)才能正常工作,以至于沒有一家公司能夠獨自解決這個問題。

“數(shù)十億英里(在路上收集的數(shù)據(jù))只是現(xiàn)實世界事件和多樣性海洋中的一小部分,”O(jiān)hn Bar說,然而,丟失數(shù)據(jù)樣本可能會導(dǎo)致不安全行為和潛在的崩潰。”

他提出的機器學習算法是通過估計附近其他汽車的視點和盲點來創(chuàng)建周圍環(huán)境的鳥瞰圖。這些地圖有助于自動駕駛汽車像其他汽車或行人一樣檢測障礙物,并了解其他汽車如何轉(zhuǎn)彎、通過路口和讓路而不會撞到任何東西。

通過這種方法,自動駕駛汽車通過將周圍車輛的動作轉(zhuǎn)化為自己的參考框架來學習,并融入機器學習算法和神經(jīng)網(wǎng)絡(luò)。學習的對象車輛可能是沒有任何傳感器的人駕駛的車輛,或其他公司的自動駕駛車輛。由于對場景中所有周圍車輛的觀察是算法訓(xùn)練的核心,這種“觀察和學習”模式鼓勵數(shù)據(jù)共享,從而提高自動駕駛車輛的安全性。

Ohn Bar和同事測試了他們的“觀察和學習”算法,讓算法“駕駛”的自動駕駛汽車在兩個虛擬城鎮(zhèn)中行駛,一個是與其訓(xùn)練環(huán)境類似的直截了當?shù)霓D(zhuǎn)彎和障礙,另一個是意外的轉(zhuǎn)彎,如五路交叉口。在這兩種情況下,研究人員發(fā)現(xiàn)他們的自動駕駛神經(jīng)網(wǎng)絡(luò)很少發(fā)生事故。只有一小時的駕駛數(shù)據(jù)來訓(xùn)練機器學習算法,自動駕駛車輛在92%的時間安全到達了目的地。

Ohn Bar說:“雖然以前最好的方法需要幾個小時,但我們驚訝地發(fā)現(xiàn),我們的方法只需要10分鐘的駕駛數(shù)據(jù)就能學會安全駕駛。”

他說,這些結(jié)果是有希望的,但在處理復(fù)雜的城市環(huán)境方面仍然存在一些明顯的挑戰(zhàn)�！彼�說:“還很難對被監(jiān)視車輛、傳感器測量中的噪音和遮擋以及各種駕駛者的視角進行解釋�！�

展望未來,該團隊表示,他們教授自動駕駛汽車自動駕駛的方法也可以用于其他方面。運送機器人甚至無人機都可以通過觀察環(huán)境中的其他人工智能系統(tǒng)來學習充實自己。

狹路相逢的“會車”算法

在美國賓夕法尼亞州匹茲堡,車輛經(jīng)常要在擁擠的街道上會車,同時在某一地點交錯通過。在擁擠狹窄的街道上開車的人都很熟悉這種情況:兩邊都是停著的車,沒有足夠的空間讓雙向行駛的車輛相向通過。一輛車必須躲進停著的車的空隙中,或者減速并盡可能地靠邊停車,讓另一輛車擠過去。

卡內(nèi)基梅隆大學的研究人員試圖使自主車輛能夠駕馭這種情況,讓自動駕駛車輛的行為更像人類,在高沖突駕駛場景中穩(wěn)健地協(xié)商雙向車道使用權(quán)。人類駕駛者解決問題的方法并不是靠雙方的密切聯(lián)系。編程自主汽車(AV)遇到這種情況也不知道對方車輛會做什么,這是卡內(nèi)基梅隆大學的ARGO AI中心自主車輛研究研究人員面對的一個獨特挑戰(zhàn)。

計算機科學機器人研究所的訪問學者,現(xiàn)在是慕尼黑工業(yè)大學自主空中系統(tǒng)實驗室一員的Christoph Killing說:“這是道路上不成文的規(guī)則,這正是我們正在處理的問題。這有點難。車輛必須學會在不知道另一輛車是要停還是要走的情況下協(xié)商這種情況。”

Killing與研究科學家John Dolan博士和學生Adam Villaflor合作試圖解決這個問題。在機器人技術(shù)和自動化國際會議上,該團隊介紹了他們的研究成果:“學會在高沖突駕駛場景中穩(wěn)健地協(xié)商雙向車道使用”。

該團隊認為,他們的研究是第一次進入這種特定的駕駛場景。它要求駕駛者在不知道對方在想什么的情況下,通過人與人之間的合作,安全地行駛過去。駕駛者必須平衡“斗氣”與合作。一個過于激進的駕駛者,一個不顧其他車輛的駕駛者,可能會把自己和其他人置于危險之中。一個過于合作的駕駛者,一個總是在迎面而來的車輛面前靠邊停車的駕駛者,可能永遠也無法在上路行駛。自動駕駛車輛也是這樣。問題是怎么能讓自動駕駛車輛更像經(jīng)驗老到的人?

Dolan說:“我一直覺得在匹茲堡開車時,這是一個有趣的方面,有時也是一個困難的方面�！�

自動駕駛汽車被認為是解決交付和運輸最后一英里挑戰(zhàn)的潛在解決方案。但是,要讓AV將比薩餅、包裹或人送到目的地,它們必須能夠在狹小的空間和未知的駕駛者意圖中導(dǎo)航。

該團隊開發(fā)了一種方法來模擬不同類型駕駛者的合作性,即一名駕駛者靠邊讓另一名駕駛者通過的可能性,并使用這些模型來訓(xùn)練一種算法,該算法可以幫助自動駕駛車輛安全有效地在這種情況下實現(xiàn)導(dǎo)航。目前該算法僅用于仿真,未用于實際車輛,但結(jié)果令人滿意。研究小組發(fā)現(xiàn),他們的算法比目前的模型表現(xiàn)得更好。

駕駛充滿了這樣復(fù)雜的場景。在自主駕駛研究人員解決這些問題的過程中,他們正在尋找方法,以使為一種場景開發(fā)的算法和模型(如在高速公路上并線)適用于其他場景,如在十字路口變道或左轉(zhuǎn)。

Dolan說:“廣泛的測試揭示了最后百分之十的案例。我們不斷發(fā)現(xiàn)這些極端情況,并不斷想出處理這些情況的辦法。”

老道的短距離安全跟車

Robbin van Hoek是埃因霍溫科技大學機械工程系動力學與控制小組的研究員,他為自動化車輛設(shè)計了一個新平臺,集成了合作型車輛和自動車輛的優(yōu)點。該框架是實現(xiàn)自動駕駛汽車的重要一步,讓自動駕駛汽車能夠在較小的車間距離內(nèi)安全駕駛,同時防止在高速公路上常見的人類駕駛車輛的“口琴效應(yīng)”。

近年來,車輛自動化已成為一個重要課題。其目的是緩解駕駛者引發(fā)的交通事故,提高現(xiàn)有基礎(chǔ)設(shè)施的道路通行能力,同時降低燃油消耗。自動化車輛可以區(qū)分為兩大類。

第一類是合作型車輛,它使用車對車通信或車對基礎(chǔ)設(shè)施(V2I)通信來交換運動數(shù)據(jù),從而可以在很短的距離內(nèi)跟隨前面的車輛,同時防止口琴效應(yīng),而口琴效應(yīng)通常會導(dǎo)致交通堵塞。然而,這種類型的車輛通常只能執(zhí)行單個任務(wù),因此其應(yīng)用僅限于在公路上跟隨前面的車輛。

第二類是自動駕駛車輛。這類車輛使用車載傳感器,如雷達、激光雷達和計算機視覺系統(tǒng),以識別道路、其他交通參與者和其他相關(guān)特征或障礙物。這些車輛上的控制算法利用軌跡預(yù)測的顯式規(guī)劃。通過規(guī)劃各種軌跡,車輛可以根據(jù)當前情況選擇最合適的軌跡類型。與合作型車輛相比,它能夠處理更廣泛的交通場景。

Robbin van Hoek的研究(NWO資助的i-CAVE項目的一部分)旨在將這兩類自動化車輛集成到一個平臺中。這種新型車輛得益于來自其他車輛的通信運動數(shù)據(jù),可以在非常近的距離內(nèi)跟蹤車輛,同時防止交通堵塞,同時保持了自動駕駛車輛的多功能性。例如,不僅可以跟隨前面的車輛,還可以自動決定超車,以防主車輛行駛速度過慢。

除了數(shù)學方法的開發(fā),該框架在兩輛雷諾Twizy中實現(xiàn),能夠?qū)崿F(xiàn)自動駕駛。通過開發(fā)的合作軌跡規(guī)劃方法,Van Hoek能夠以0．3秒安全跟蹤前面的車輛。這是個什么概念?0．3秒的速度距離相當于在80km/h的速度下車輛間距保持在7米。別小看這0．3秒,這已經(jīng)是目前領(lǐng)先的數(shù)據(jù)了。

這項研究是實現(xiàn)自動駕駛汽車的重要一步,自動駕駛汽車能夠在較小的車間距離內(nèi)安全駕駛,同時防止在高速公路上常見的人駕駛車輛的口琴效應(yīng)有助于提高交通的流動能力和安全性。