技術究竟能否完全讓自駕車事故悲劇不再發生？

Uber的自動駕駛車輛上個月在美國發生撞人致死案件，筆者當時寫了一篇報導「自動駕駛車們，請先跑完模擬再上路測試好嗎？」；在文章發表之後，高通(Qualcomm)的人工智慧(AI)研發業務開發負責人Rick Calle做出回應，問了我以下的問題：

Uber撞人事件是第一場悲劇，我們該如何讓它變成最後一場？我非常確定他們也用了模擬軟體，但大家是否模擬了感測器故障的情況、因為距離使得光達(Lidar)採樣稀疏的效應，還有其他不可預測的事件？

Calle的問題指出了測試自動駕駛車輛絕非易事，要驗證自駕車不只是能運作，各種功能還必須安全運作，需要前所未有的工程嚴謹度；測試人員不僅得確定需要模擬的內容，也要確保模擬過程使用了高保真度的感測數據。接著必須擬定測試計劃，以便為車輛供貨商提供足夠可證明的安全性能指針。

不過，在了解模擬/測試方法的細節之前，知道一件事情很重要──我們今日所知的「自動駕駛」仍然不成熟。

美國卡內基美隆大學(Carnegie Mellon University)教授Philip Koopman在最新的一篇部落格文章中寫道，在Uber事故導致行人Elaine Herzberg身亡的並非全自動駕駛車輛，她是受害者，是因為一輛仍在開發階段的「未經實證的測試車」，還有「應該要確保技術故障不會導致傷害的那個安全駕駛」。

讓我們一起想想…過去一年半以來，科技業者(還有媒體)忙著促成全自動駕駛車輛的即將實現，卻漠視了無數揮之不去的、關於自動駕駛的「未知」；這裡的「未知」，我指的是自動駕駛車輛所衍生出的、科技產業幾乎還未開始處理的議題，更不用說提出因應策略。

我們詢問過數個產業界消息來源──從演算法開發者、測試專家，到嵌入式系統軟體工程師，他們仍認為開發「安全的」自動駕駛車輛是一個不確定的議題或挑戰，雖然他們的回答各異，卻都坦承自駕車還有很多議題，有待來自科技與汽車產業的回答。

預測性感知

自駕車技術開發商DeepScale執行長Forrest Iandola在談到Uber事故時表示，除非Uber公布行車紀錄器以外的數據──包括車上的雷達與攝影機在事故發生時所看到的──外界人士可能永遠不會知道事故發生原因：「我們需要透明的信息，不然很難知道他們的感知系統、動作規劃或是地圖繪製等功能究竟哪裡出錯。」

DeepSale是一家成立於2015年的新創公司，專門為先進駕駛輔助系統(ADAS)與自動駕駛車輛開發深度學習感知軟體；根據該公司已經學到的經驗，Iandola解釋，大多數為自駕車設計的感知系統是產業界與學術界「精心打造」，舉例來說，光達已經可以清楚辨識3D目標物的形狀，同時自駕車的「語義」(semantic)感知在物體分類方面也有所改善。

不過仍缺乏的，是「預測性感知」(predictive perception)；Iandola指出：「預測性感知技術的研發幾乎還沒開始。」

舉例來說，如果自駕車不能預測某目標物在5秒後的可能位置，就不能決定是否該煞車或轉向，甚至是在看到該目標物體後。「在運動規劃與預測性信息之間需要一個標準介面，」Iandola表示：「如果這個問題沒有解決，我得說要實現Level 4自駕車真的很困難。」

極端案例能模擬嗎？

在公開道路上測試自動駕駛車輛之前的模擬顯然非常重要，但更重要的是實際上如何模擬。安全自動駕駛車輛系統開發商Edge Case Research共同創辦人暨執行長Michael Wagner表示，對自駕車開發者來說有一個壞消息是，儘管累積了數十億英哩的模擬駕駛里程，也不一定能涵蓋自駕車可能遭遇的所謂「極端案例」或「邊緣案例」。

在過去幾年，深度學習晶元供貨商耗費大量資源，宣傳深度學習演算法可能實現全自動駕駛系統，這種演算法可能讓自駕車發展出類似人類的能力，能在不需要知道每一種可能情況的前提下識別不同圖形。

依賴深度學習的自動駕駛系統能被訓練，發展出類似人類的能力（來源：Drive Safely）

不過來自反面的聲音是，當機器學習或深度學習系統遭遇以往未見過的事物──被稱為長尾(long tail)或離群值(outlier)──會被「嚇到」；而人類駕駛在面臨實在異常的狀況時，至少會有的反應是覺得奇怪，他們知道在某種程度上需要有所反應，而機器則可能不會記錄極端異常的情況，會繼續往前走。

Wagner表示，Edge Case Research專註於建立這樣的極端情況，以納入模擬軟體平台；他坦承一切還在早期開發階段，該公司的平台代號為「全像」(Hologram)，目標是將實體車輛所行駛過的每一英哩轉化為數百萬計的可能場景，儘可能快速且安全地根除「未知的未知」。

要為自動駕駛車輛建立這種「極端案例」並不簡單；Wagner指出，在歐洲有一個名為Pegasus的項目利用了一種資料庫方法來確保自動駕駛安全，但挑戰在於該項目的某部份場景，可能對神經網路來說不一定重要。

Wagner表示，也就是說，我們其實並不知道神經網路會發現什麼難題或不容易處理的情況，更別說為何神經網路會有那樣的行為模式：「隨機性對於建立異常案例非常重要，我們利用實際的場景，在影像上做不少變化，然後在我們的Hologram平台上進行細微修改。」

他將Hologram形容為一個試驗專案：「我們正在向投資者推銷這個平台，以擴大它的規模。」而自動駕駛系統帶給汽車業者的最大衝擊，就是軟體內容不斷膨脹…

(未完待續)

編譯：Judith Cheng

本文授權編譯自EE Times，版權所有，謝絕轉載

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！