只有擁有大量的訓(xùn)練數(shù)據(jù),才能達(dá)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(xué)習(xí)并掌握駕駛技能?現(xiàn)在看,還遠(yuǎn)遠(yuǎn)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(jī)器學(xué)習(xí)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(jìn)展也就是L2+。一些有志之士也在另辟蹊徑,進(jìn)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(jī)器學(xué)習(xí)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(jìn)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(jìn)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(jìn),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(rèn)同:只有擁有大量的訓(xùn)練數(shù)據(jù),才能達(dá)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(fēng)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(biāo),永遠(yuǎn)不可能達(dá)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(jī)器學(xué)習(xí)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(xué)習(xí)如何安全駕駛,學(xué)習(xí)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(xué)習(xí)走路那樣學(xué)習(xí)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(xué)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(xué)習(xí)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(xué)工程學(xué)院電氣和計算機(jī)工程助理教授,也是教職研究員。他最近在2021年計算機(jī)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(qiáng)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�！彼�認(rèn)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(jī)器學(xué)習(xí)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(xué)習(xí),并融入機(jī)器學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)。學(xué)習(xí)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(xué)習(xí)”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(xué)習(xí)”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(dāng)?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(jī)器學(xué)習(xí)算法,自動駕駛車輛在92%的時間安全到達(dá)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(xué)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(jìn)行解釋�！�

展望未來,該團(tuán)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(jī)器人甚至無人機(jī)都可以通過觀察環(huán)境中的其他人工智能系統(tǒng)來學(xué)習(xí)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(jìn)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(xué)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(xué)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(jī)科學(xué)機(jī)器人研究所的訪問學(xué)者,現(xiàn)在是慕尼黑工業(yè)大學(xué)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(xué)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(xué)家John Dolan博士和學(xué)生Adam Villaflor合作試圖解決這個問題。在機(jī)器人技術(shù)和自動化國際會議上,該團(tuán)隊介紹了他們的研究成果:“學(xué)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(tuán)隊認(rèn)為,他們的研究是第一次進(jìn)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(jìn)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(yuǎn)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(rèn)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(tuán)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(xué)機(jī)械工程系動力學(xué)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(dá)、激光雷達(dá)和計算機(jī)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(dāng)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(xué)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(dāng)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。