无人驾驶车辆的应急反应，有时并不比人类做得更好

继优步之后，Waymo的无人驾驶测试车也发生了碰撞。幸运的是，没有人死于事故。5月4日，在亚利桑那州钱德勒，一辆有人驾驶的汽车越过中线，因故撞上了对面的Waymo测试车，导致两辆车受损，无人驾驶安全员受轻伤。认为Waymo车辆和安保人员没有责任。该市似乎已经适应了无人驾驶汽车是责任主体之一的现状。尽管它不负责任，但它也让公众意识到，在某些情况下，无人车对其他车辆不可预测的行为的反应并不比人类更好。在险些相撞的过程中，Waymo并没有采取令人惊叹的躲避行动（也许保持车道更明智），但没有回应有点令人失望。无人驾驶测试车甚至没有采取刹车等常规措施。Waymo会在内部彻底检查无人系统的训练日志，但他们不会愚蠢到试图了解车辆的“想法”。他们只会从结果中推断，找到训练系统中尚未完善甚至尚未涉足的部分。如何训练“黑匣子”导致谷歌的“城堡”项目曝光。谷歌一直声称，它将实际道路测试和虚拟测试相结合来训练自动驾驶系统。谷歌一直对如何整合两者保密。新的事故表明谷歌仍然领先，但它不再是独一无二的。无人系统就像新生儿一样，有感知外部环境的“感官”（相机、毫米波雷达、激光雷达）和高速大脑（计算单元、图像处理单元），但“大脑”的功能仍在分化，因此需要学会识别环境中所有可能的人和物体。它也可以被教授一些基本的应对措施，但在实践中，研究人员不知道它是如何做出决定的。对人类来说，人工智能决策机制是一个“黑匣子”。这就是为什么很多人对此感到担忧的原因。教导无人驾驶系统区分道路和可能遇到的其他一切是训练的第一步。这就像教婴儿阅读图片一样。由于图像的信息过于丰富，无法建模，深度学习似乎发挥了特殊的优势。基于数百万年的进化，人类往往可以通过直觉在复杂的情况下找到解决方案。人工智能正在学习这一点，但遵循另一套规则。深度学习可以用于感知和决策。例如，AlphaGo的子网络是一个DNN训练系统。最简单地说，就是根据当前状态做出决策。它的设计者和培训师不想教它做决定（事实上，人类不知道系统将如何做决定），而是教它一些基本知识。在这个阶段，识别环境是核心任务。物体，你可以开车的地方（你不能在路肩和花坛上开车），合法的行驶路径等。首先，从大量的汽车图像中提取基本特征，如汽车前部和侧面的近似几何形状，以便系统能够区分汽车的左右两侧（标记有不同的特征）。通过连续的多帧图像，可以根据它们之间的连续变化来区分汽车的行驶方向。它还可以识别远处视野中的小型车辆，这比任何人都更远、更清晰。如何评估他们对自己的影响将在稍后进行培训。其次，在传统图像中，路肩和道路本身的颜色很难区分，立体视觉也很难区分（毕竟高差太小）。人类怎么能轻易识别它？在阴影边。只有10厘米的肩膀将形成一个连续的深色窄带区域。你学会这个系统了吗？使用连续窄带阴影（断开的个别路段可以用作高风险警告信号），结合车道识别，勾勒出可行驶区域。它看起来很完美，但有时没有车道，或者由于天气原因很难识别车道。在这种情况下，人类是如何驾驶的？间歇性的树木、街道上开放的排水沟、两边行走的行人都可以作为判断的依据。该系统需要从大量视频（实际上是多帧图像）中提取人类策略并对其进行优化。Waymo希望他的人工智能系统能采取与聪明的人类驾驶员几乎相同的步骤，但它比任何人类都更快、更果断。但这并没有反映在汽车上……

5月4日的苹果酒。出了什么问题？训练系统的局限性这表明许多虚拟环境训练，至少其中一些没有在实际场景中使用。换句话说，集成存在问题。当无人系统具备识别能力时，它需要面对两种场景：一种是真实世界，另一种是数字世界。在从前者获得实践经验后，我们可以改变后者的各种条件（例如移动障碍物和使行人的行为更加不可预测），并不断完善我们的应对策略，直到它们达到最佳。谷歌专家承认，要模拟不可靠的人类行为是极其困难的。即使在简单的十字路口，无人驾驶系统也会被不按信号行驶的行人和摩托车弄糊涂。在一系列刹车后，无数车辆试图从侧面挤进，这导致了更多的混乱。在数字化培训系统中，Waymo再次简化了路况。例如，同一方向的两条高速车道只涉及两辆汽车。A车配备了无人驾驶系统，B车将作为障碍物出现。当A车以90公里的速度在内侧道路上直行时，右侧的B车突然超过A车并立即刹车。A车能否快速平稳地刹车，同时给后面的车辆留出足够的制动时间？B以各种方式和不同角度阻挡A车，并对A车的制动过程进行了数百次重复测试。训练系统记录无人系统的性能，分析故障情况，优化无人系统的处置行动。然后情况将变得更加复杂：城市里有很多车道，当遇到车道上倒车的车辆、突然出现在路上的篮球或突然跳出隔离带的人时，无人系统将如何应对。当然，程序中不能用尽所有输入条件。程序员希望无人系统能够从数以万计的场景中提取方法，以便在其他场景中做出合理的决策。5月4日的车祸，对于目前的Waymo测试车来说，可能属于“超一流”的情况。面对迎面而来的车辆，人类的问题是没有足够的时间观察和做出决定，以至于惊慌失措。但无人系统的情况并非如此。通过毫秒级传感器数据解决方案，CPU可以准确地知道周围所有车辆的瞬时位置，斜向驶来的车辆的瞬时速度和加速度，并预测对方在未来几秒钟内的连续位置。经计算，如果不采取紧急制动+变向，1.5秒后会发生剧烈碰撞，危及车内人员。是什么促使Waymo车辆决定忽略它？是否在右侧车道上没有机动空间，或改变方向后无法保持车辆的稳定性，或无法通过急刹车改变碰撞结果，但会因道路摩擦不平衡而导致车辆侧翻，从而导致更严重的后果？我们无法知道决策过程，Waymo的工程师可能会通过读取数据来解决一些困惑。如果他们的结论与当时无人车的结论相同——什么都不做更有益，那么就没有问题。问题是，这样的结论超出了人类的认知范围。面对危机，我们总是要做点什么。我们迅速提高肾上腺素水平，扩张瞳孔，收紧肌肉，提高血压来迎接挑战。将人工智能决策与人类进行比较可能是不恰当的。这反过来又促使人们思考基于人类经验的培训系统的有效性。虚拟世界可能太简单了，无法设置。Waymo专家夸口说，他们是唯一一家采用“加速培训系统”的公司。事实上，福特、优步和通用汽车也在硅谷建立了类似的培训系统。Waymo只是第一个开始。当然，他们也获得了最多的数据。在虚拟世界中的训练可能在24小时内跑上数千万公里。每一分钟都可以模拟10年前两周前的工作量。一些专家建议，模拟与真实道路测试的比例应为100∶1。同时，模拟部分应切断枯燥的部分，专注于感兴趣的部分（尽可能复杂），以加速训练。有人认为，一旦虚拟城市中的无人系统数量达到数百万，其群体行为模式就非常接近超级城市的真实日常生活。贝……

d it，我们必须部署足够多的实际车辆和传感器来建立高速公路数据库。完全由虚拟场景训练的无人系统在面对真实路况时可能会表现得“不同”。这提醒人们，虚拟城市的模型过于简单，会导致无人车无法控制大城市的复杂局面。然而，钱德勒是一个只有几十万人口的旅游景点。但通常阳光充足，对传感器的正常工作有积极影响。环境影响似乎已被排除在外。让我们回到开头。尽管培训从人类驾驶员一开始处理的场景中吸取了教训，但人工智能最终可能会采取不同的策略。随着无人驾驶系统对人类行为理解的加深，它已经形成了自己的驾驶风格。令人惊讶的是，当无人系统面对另一个无人系统时，其策略与面对人类驾驶的车辆时不同。我们还没有想过这个城市完全充满无人驾驶汽车的情况。这意味着，当一个无人系统统治整个城市时，它可能会自发地形成一个全新的交通规则。更高效、更默契。人类在汽车时代积累并被视为标准的规范很可能会被取代。这场车祸揭示了人和无人车可能造成的混乱，但也让我们期待着新的无人交通。到那时，无人系统的工作可能会更简单。继优步之后，Waymo的无人驾驶测试车也发生了碰撞。幸运的是，没有人死于事故。5月4日，在亚利桑那州钱德勒，一辆有人驾驶的汽车越过中线，因故撞上了对面的Waymo测试车，导致两辆车受损，无人驾驶安全员受轻伤。认为Waymo车辆和安保人员没有责任。该市似乎已经适应了无人驾驶汽车是责任主体之一的现状。尽管它不负责任，但它也让公众意识到，在某些情况下，无人车对其他车辆不可预测的行为的反应并不比人类更好。在险些相撞的过程中，Waymo并没有采取令人惊叹的躲避行动（也许保持车道更明智），但没有回应有点令人失望。无人驾驶测试车甚至没有采取刹车等常规措施。Waymo会在内部彻底检查无人系统的训练日志，但他们不会愚蠢到试图了解车辆的“想法”。他们只会从结果中推断，找到训练系统中尚未完善甚至尚未涉足的部分。如何训练“黑匣子”导致谷歌的“城堡”项目曝光。谷歌一直声称，它将实际道路测试和虚拟测试相结合来训练自动驾驶系统。谷歌一直对如何整合两者保密。新的事故表明谷歌仍然领先，但它不再是独一无二的。无人系统就像新生儿一样，有感知外部环境的“感官”（相机、毫米波雷达、激光雷达）和高速大脑（计算单元、图像处理单元），但“大脑”的功能仍在分化，因此需要学会识别环境中所有可能的人和物体。它也可以被教授一些基本的应对措施，但在实践中，研究人员不知道它是如何做出决定的。对人类来说，人工智能决策机制是一个“黑匣子”。这就是为什么很多人对此感到担忧的原因。教导无人驾驶系统区分道路和可能遇到的其他一切是训练的第一步。这就像教婴儿阅读图片一样。由于图像的信息过于丰富，无法建模，深度学习似乎发挥了特殊的优势。基于数百万年的进化，人类往往可以通过直觉在复杂的情况下找到解决方案。人工智能正在学习这一点，但遵循另一套规则。深度学习可以用于感知和决策。例如，AlphaGo的子网络是一个DNN训练系统。最简单地说，就是根据当前状态做出决策。它的设计者和培训师不想教它做决定（事实上，人类不知道系统将如何做决定），而是教它一些基本知识。在这个阶段，识别环境是核心任务。物体，你可以开车的地方（你不能在路肩和花坛上开车），合法的行驶路径等。首先，基本特征，如汽车前部和侧面的大致几何形状，是……

从大量的汽车图像中提取，使系统能够区分汽车的左右两侧（标记有不同的特征）。通过连续的多帧图像，可以根据它们之间的连续变化来区分汽车的行驶方向。它还可以识别远处视野中的小型车辆，这比任何人都更远、更清晰。如何评估他们对自己的影响将在稍后进行培训。其次，在传统图像中，路肩和道路本身的颜色很难区分，立体视觉也很难区分（毕竟高差太小）。人类怎么能轻易识别它？在阴影边。只有10厘米的肩膀将形成一个连续的深色窄带区域。你学会这个系统了吗？使用连续窄带阴影（断开的个别路段可以用作高风险警告信号），结合车道识别，勾勒出可行驶区域。它看起来很完美，但有时没有车道，或者由于天气原因很难识别车道。在这种情况下，人类是如何驾驶的？间歇性的树木、街道上开放的排水沟、两边行走的行人都可以作为判断的依据。该系统需要从大量视频（实际上是多帧图像）中提取人类策略并对其进行优化。Waymo希望他的人工智能系统能采取与聪明的人类驾驶员几乎相同的步骤，但它比任何人类都更快、更果断。但这并没有反映在5月4日的车祸中。出了什么问题？训练系统的局限性这表明许多虚拟环境训练，至少其中一些没有在实际场景中使用。换句话说，集成存在问题。当无人系统具备识别能力时，它需要面对两种场景：一种是真实世界，另一种是数字世界。在从前者获得实践经验后，我们可以改变后者的各种条件（例如移动障碍物和使行人的行为更加不可预测），并不断完善我们的应对策略，直到它们达到最佳。谷歌专家承认，要模拟不可靠的人类行为是极其困难的。即使在简单的十字路口，无人驾驶系统也会被不按信号行驶的行人和摩托车弄糊涂。在一系列刹车后，无数车辆试图从侧面挤进，这导致了更多的混乱。在数字化培训系统中，Waymo再次简化了路况。例如，同一方向的两条高速车道只涉及两辆汽车。A车配备了无人驾驶系统，B车将作为障碍物出现。当A车以90公里的速度在内侧道路上直行时，右侧的B车突然超过A车并立即刹车。A车能否快速平稳地刹车，同时给后面的车辆留出足够的制动时间？B以各种方式和不同角度阻挡A车，并对A车的制动过程进行了数百次重复测试。训练系统记录无人系统的性能，分析故障情况，优化无人系统的处置行动。然后情况将变得更加复杂：城市里有很多车道，当遇到车道上倒车的车辆、突然出现在路上的篮球或突然跳出隔离带的人时，无人系统将如何应对。当然，程序中不能用尽所有输入条件。程序员希望无人系统能够从数以万计的场景中提取方法，以便在其他场景中做出合理的决策。5月4日的车祸，对于目前的Waymo测试车来说，可能属于“超一流”的情况。面对迎面而来的车辆，人类的问题是没有足够的时间观察和做出决定，以至于惊慌失措。但无人系统的情况并非如此。通过毫秒级传感器数据解决方案，CPU可以准确地知道周围所有车辆的瞬时位置，斜向驶来的车辆的瞬时速度和加速度，并预测对方在未来几秒钟内的连续位置。经计算，如果不采取紧急制动+变向，1.5秒后会发生剧烈碰撞，危及车内人员。是什么促使Waymo车辆决定忽略它？在右侧车道上是否没有机动空间，或改变方向后无法保持车辆的稳定性，或无法通过急刹车改变碰撞结果，但会因道路摩擦的不平衡而导致车辆侧翻，w……

ch会导致更严重的后果吗？我们无法知道决策过程，Waymo的工程师可能会通过读取数据来解决一些困惑。如果他们的结论与当时无人车的结论相同——什么都不做更有益，那么就没有问题。问题是，这样的结论超出了人类的认知范围。面对危机，我们总是要做点什么。我们迅速提高肾上腺素水平，扩张瞳孔，收紧肌肉，提高血压来迎接挑战。将人工智能决策与人类进行比较可能是不恰当的。这反过来又促使人们思考基于人类经验的培训系统的有效性。虚拟世界可能太简单了，无法设置。Waymo专家夸口说，他们是唯一一家采用“加速培训系统”的公司。事实上，福特、优步和通用汽车也在硅谷建立了类似的培训系统。Waymo只是第一个开始。当然，他们也获得了最多的数据。在虚拟世界中的训练可能在24小时内跑上数千万公里。每一分钟都可以模拟10年前两周前的工作量。一些专家建议，模拟与真实道路测试的比例应为100∶1。同时，模拟部分应切断枯燥的部分，专注于感兴趣的部分（尽可能复杂），以加速训练。有人认为，一旦虚拟城市中的无人系统数量达到数百万，其群体行为模式就非常接近超级城市的真实日常生活。在这背后，我们必须部署足够多的实际车辆和传感器来建立高速公路数据库。完全由虚拟场景训练的无人系统在面对真实路况时可能会表现得“不同”。这提醒人们，虚拟城市的模型过于简单，会导致无人车无法控制大城市的复杂局面。然而，钱德勒是一个只有几十万人口的旅游景点。但通常阳光充足，对传感器的正常工作有积极影响。环境影响似乎已被排除在外。让我们回到开头。尽管培训从人类驾驶员一开始处理的场景中吸取了教训，但人工智能最终可能会采取不同的策略。随着无人驾驶系统对人类行为理解的加深，它已经形成了自己的驾驶风格。令人惊讶的是，当无人系统面对另一个无人系统时，其策略与面对人类驾驶的车辆时不同。我们还没有想过这个城市完全充满无人驾驶汽车的情况。这意味着，当一个无人系统统治整个城市时，它可能会自发地形成一个全新的交通规则。更高效、更默契。人类在汽车时代积累并被视为标准的规范很可能会被取代。这场车祸揭示了人和无人车可能造成的混乱，但也让我们期待着新的无人交通。到那时，无人系统的工作可能会更简单。

标签：福特发现

汽车资讯热门资讯