本文嚟自微信公众号“品驾”（ID:Ping-Drive），作者：Juny，36氪经授权发布。
自动驾驶时代一定识到嚟，这已经成为咗汽车工业界嘅共识。
但对于自动驾驶技术目前仲面临乜嘢关键技术难题、何时先可以真正实现大规模商用等问题，好多人却都定系雾入面睇花、一知半解。
此次，品驾带住对自动驾驶技术嘅求解之心，走进美国密西根大学智能网联交通研究中心，专访Henry Liu教授团队。就喺唔久前，由该华人研究团队所提出嘅全新自动驾驶汽车智能测试方法登上《Nature Communications》，喺业界引起广泛关注。
▌ 实现自动驾驶技术嘅关键问题
日产汽车曾喺2014年笃定地认为，到2020年市场上将会出现多款无人驾驶汽车，马斯克都曾喺2015年时宣话，2018年特斯拉L5级别嘅“完全自动驾驶”就将面世。但係，时至今日，我哋仍然没有睇到有完全无人驾驶嘅汽车穿梭于日常生活之中。
那么，系乜嘢导致无人驾驶汽车嘅商用之路唔断延期？
喺回答呢个问题之前，我哋需系要解一辆合格嘅自动驾驶汽车系点样产生嘅。
“自动驾驶汽车系一个好复杂嘅系统，佢嘅实现唔剩剩系系要系要硬件同软件嘅通力协作，更重系要嘅系系要具有智能性并且够晒唔断学习。噉就需系要海量嘅自然驾驶数据唔断地进行测试同训练以确保安全。”Henry Liu教授向品驾解释道。
HenryLiu教授表示，家阵时各大车厂其实都有能力制造出具有一定程度自动驾驶能力嘅测试车嘎啦，但难点就在于测试层面——点样够晒确保无人驾驶汽车嘅安全性。
“实际上而家已经投入市场嘅大部分产品都仲停留喺辅助驾驶阶段，最多都就系介于L2-L3级之间。其中主系要原因之一就在于，驾驶系统仲无法保证汽车够晒喺完全脱离驾驶员嘅情况下足够安全地行驶。”
据美国交通部嘅统计数据，人类驾驶员平均每百万英入面识发生一次碰撞事故，每9000万英入面识发生一次致死事故，而自动驾驶嘅安全性可以系要比人类驾驶员高出三个数量级先可以满足预期，即一辆无人驾驶汽车系要保证开出嘅十亿英入面内唔可以发生任何碰撞事故。
为咗达到该安全范围，需系要搜集海量嘅“问题数据”进行分析，同时仲系要保证这些数据系发生喺唔同嘅驾驶环境下嘅，而这往往系要累积几千亿英入面甚至万亿级别嘅测试入面程才够晒进行有效验证。
安全事故发生嘅低概率同车辆行驶环境嘅复杂性，成为咗喺对自动驾驶汽车进行安全性可以测试中亟待解决嘅难题。
▌ 构建更高效、更智能嘅测试环境
几千亿英入面级别嘅测试入面程系一个乜嘢概念呢？
最早涉及自动驾驶技术研究嘅Waymo，自2009年正式成立以嚟，持续测试十多年，道路实测才仅有2000万英入面，仿真测试都只有150亿英入面。
为咗完成咁大规模嘅测试，等样车喺真实嘅环境中进行“试跑”显然系远远不足嘅，仿真平台测试同测试场测试其实系目前各大车厂最主系要嘅数据来源。
“简单嚟讲，仿真测试好似系构建一个基于真实世界嘅游戏，等一辆自动驾驶汽车喺呢个虚拟世界入面唔停地运行。”文章第一作者封硕博士解释道，“但由于呢个环境系基于数学模型构建嘅，如果我哋谂系要计算结果越接近真实世界，噉呢个模型嘅构建就越复杂，计算速度都会越慢。”
而为咗提高测试嘅效率，目前好多车厂喺仿真测试上都会采用“场景式”嘅测试方法。
所谓“场景式”测试，就系指测试者识事先将现实世界中车辆可能遇到嘅情形进行分类，然后按类别嚟为车辆设置特定嘅事件，比如等佢身边行驶嘅车辆突然从前方切入，或者系喺前方道路出现障碍物，从而测试并训练车辆喺这些特定场景下嘅处理能力。
但系基于场景嚟进行测试嘅方法一般系离散、片段嘅，更适用于自动驾驶嘅功可以性测试，无法有效衡量自动驾驶汽车喺投放到真实道路之后嘅性可以表现。
“因为喺现实世界中，好多情景并唔系割裂开嘅，比如你喺高速上开车，喺尝试变道嘅同嗰时，仲系要可能同时遇到你前方嘅车辆急刹车嘅情况，或者你喺交叉路口左转嗰时，你喺判断没有障碍物嘅同嗰时，仲系要系要可以判断右侧直行嘅嚟车。”
自动驾驶汽车喺现实中需系要经历连续嘅、唔间断嘅复杂驾驶环境，而家阵时嘅场景测试方法并无法解决呢个难题。
此次，Henry Liu团队则针对这一业界难点，提出一种全新嘅驾驶环境生成方法，该方法基于大数据构建一个具有“无偏性”同“挑战性”嘅自然驾驶环境。
乜嘢意思呢？就系喺呢个仿真环境入面，“陪练”车辆嘅一切行为都跟真实世界无异，有人变道、有人超车、有人急刹。同嗰时，借助人工智能技术，仲系要可以有目的地畀“陪练”车辆发出特定指令嚟“挑战”被测试嘅车辆，从而畀“主角”车辆营造一种真实而富有挑战嘅测试环境。
△该自然驾驶环境将囊括多种驾驶情形
这一方法，都系业界首个够晒构建完整加速测试环境嘅方案。而通过同类似于Waymo嘅CarCraft、百度嘅AADS等模拟嘅自然驾驶环境进行对照测试，新嘅方法可以等测试进程加快几百、几千倍，这意味住，喺该系统上每测试一英入面，相当于喺传统平台上测试几百、几千英入面。
△新测试方法（NADE）同传统测试方法（NDE）嘅效率比对
除喺构建仿真平台之外，团队仲喺探索一种结合增强现实技术嘅测试场环境。
而家，无论喺喺美国同中国，都建有好多嘅无人驾驶测试区。测试区系一片专为训练无人驾驶汽车嘅微缩城市，囊括城市道路、高速、乡村土路，甚至颠簸嘅坏路等各类型嘅道路，同时设有建筑物、红绿灯、路标同假人，用以验证无人车算法嘅正确性。
“但测试场测试嘅问题在于佢系一个同世隔绝嘅区域，因此缺少大量嘅汽车、行人等交通环境嚟跟测试车辆进行‘互动’，从而识影响真实投放嘅效果评定。”
△密西根大学打造嘅Mcity系全球首座无人驾驶汽车测试场
针对呢个问题，Henry Liu课题组提出嘅增强现实方案，但系以够将过去空无一人嘅测试场变成一个“车水马龙”嘅世界。跟仿真平台一样，除够晒仲原现实生活中复杂情形外，仲系要可以主动为测试车构建有挑战嘅环境。
“噉就好像系畀测试车戴上AR眼镜，佢识‘睇到’测试场入面突然多好多汽车同行人，而且我哋仲可以喺后台畀佢喺行进过程中设置一啲困难, 从而畀测试车营造出跟现实世界一样真实同时都有特定挑战嘅环境。”封硕解释说。
而该方案接下嚟都将会喺美国自动驾驶测试中心（ACM）进行落地应用，ACM总裁Reuben Sarkar指出，该测试方法将极大降低自动驾驶汽车测试嘅总成本，使得测试更加安全、可控同可重复，将成为自动驾驶汽车研发嘅重系要推动力。
▌ 自动驾驶时代已经唔远
那么，既然有更高效、便捷嘅测试方法，自动驾驶技术乜嘢时候先可以通过安全测试，真正地走向市场呢？
关于呢个问题，封硕表示，人类系要走向自动驾驶时代，仲系要需系要产业链上各个环节嘅共同努力。
目前，自动驾驶嘅安全测试主系要包含两个方面：一系收集足够数量嘅测试数据，寻找车辆本身存在嘅安全隐患，并评估车辆大规模投入应用后嘅安全表现；另一方面则系基于搜集到嘅测试结果，唔断提升安全性可以使其达到预期，两个方面系相辅相成、迭代提升嘅关系。
“对于第一个方面，随住测试方法嘅唔断完善，应该喺接下嚟嘅3-5年内就可以克服万亿级英入面测试所带嚟嘅困难，但系对于基于测试结果嘅改良，而家仲无法有一个明确嘅预测，因为这将涉及到传感器、导航、控制同决策系统等各个部分嘅协作，但我个人觉得应该喺未嚟5-10年之内，自动驾驶识逐步走向大规模商用。”
虽然好多车厂同技术提供商而家都表示自己已经实现L4级嘅自动驾驶，但封硕讲畀品驾，其实L4级嘅自动驾驶下都分为唔同嘅层次。
“L5级自动驾驶系一个理想化嘅状态，但系以理解为一个完美的方案。L4级因为对应用环境可以进行限制，所以发展到一定程度以上就可以进行大规模商用嘎啦。但家阵时嘅L4级并没有一个细分嘅标准。应用环境嘅唔同导致自动驾驶难度明显唔同。所以而家处于L4级别上嘅厂商实际上水平都系参差唔齐嘅。”
△SAE自动驾驶分级标准
喺市场化路径上，国内外自动驾驶厂商主系要有两种唔同嘅路线。第一种系 “渐进演化”路线，即喺传统嘅汽车上逐渐增加自动驾驶嘅辅助功可以，并通过已售出嘅汽车嚟搜集大量真实世界入面嘅数据，最终帮助过渡到完全自动驾驶嘅阶段，比如特斯拉、蔚来、理想、小鹏等。
另外一种则系走“一步到位”路线，即喺攻克够晒规模化应用嘅自动驾驶技术之后，再生产真正唔需系要司机、没有脚踏板嘅“全新”自动驾驶汽车，比如Waymo、Cruise、百度Apollo等。
封硕认为，两种路线从研究角度嚟睇并无明确嘅优劣之分，主系要系商业模式上嘅区别。无论选择边种路线，大家而家嘅目标都系搜集大量嘅驾驶数据，进而验证并提升车辆嘅安全性可以。
而关于各家车企嘅研究进展，除每年官方公布嘅报告外，公开资料其实一直控制喺有限范围，所以目前业界都唔清楚佢哋嘅各自技术研究已经发展至边个阶段，但系能边天某个企业就识发布出重磅成果，畀行业带嚟颠覆性嘅改变。
最后，封硕说道，“自动驾驶系一个非常复杂嘅系统性工程，涉及嘅专业领域非常广，这些年无论系学术界定系工业界，都喺各自嘅领域入面埋头苦干，大家系竞争对手都系合作伙伴，但我哋共同目标都系希望早日将人类带入自动驾驶时代，而而家睇嚟，黎明已经喺唔远处。”
参考：
Henry Liu团队该课题论文：
Shuo Feng et al. Intelligent driving intelligencetest for autonomous vehicles with naturalistic and adversarial environment,Nature Communications (2021). DOI: 10.1038/s41467-021-21007-8.
美国密西根大学智能网联实验室：https://traffic.engin.umich.edu/
2021-03-09 12:06:59
请登录之后再进行评论