自动驾驶处于“人机共驾”阶段,未来该如何发展?

2019-08-22来源: eefocus关键字:自动驾驶  MIT  特斯拉  人机共驾

不管短期还是长期来看,其实很难预测自动驾驶的哪条实现路径最终会成功。


「它经常会在不合适的时机进行变道,但如果你想拨一把方向盘救个急,它还会和你较劲,非常危险」,「整个过程就像看着自己孩子开车一样,干着急还提心吊胆,搞得压力很大」……

 

这里的「它」正是特斯拉 Autopilot 。之前美国《消费者报告》(Consumer Reports)曾报道称,更新后的 Autopilot 具备了自动变道的功能,车主可以选择在变道时不进行任何提醒,完全交由机器来抉择。但试驾编辑们在体验后却纷纷吐槽了它。

 

特斯拉 Autopilot 一直以来都争议不断。一边说它是新手们的福音,杜绝事故的好帮手,另一边却有人抨击它是事故的罪魁祸首。这套系统带来用户体验升级的同时也因为频发的安全事故而备受关注。

 

不可否认的是,特斯拉 Autopilot 让大家有机会一窥自动驾驶的未来,尽管它离真正意义上的「自动驾驶」还很远。毕竟软硬件的局限导致它最多只能实现 L2 级自动驾驶的能力,而这个阶段中「人」依然是主体,需要机器和人相互配合完成,所以这些关于 Autopilot 的争议全部都可以归属于典型的「人机共驾」问题。

 

开启了「Navigate on Autopilot」功能的特斯拉车型能够实现自主变道 | Teslarati

 

在「完全自动驾驶」这个纯技术的难题还未普及实现之前,「人机共驾」问题是所有汽车企业、自动驾驶企业都需要突破解决的另一道难题。

 

这道难题的核心是「人」这个不确定因素。按照控制权的划分,「人机共驾」又可分为「双驾单控」和「双驾双控」两种模式。前者关注的是驾驶权的交接和人车在主驾、副驾时的问题;而后者关乎驾驶自信,在人车都有控制权的情况下,该相信哪方多一点。

 

所以要建立一套高效、体验舒适、安全的自动驾驶系统是及其复杂的。原因很简单,机器是必须要和人进行互动的。而且这个互动的过程不光牵扯到机器人学科,还囊括了机器学习、心理学、经济学及政策等领域的问题。同时它也对我们已有的认知和假设形成了挑战:到底人类的表现能有多糟?人工智能又会是多么强大的存在?

 

MIT 进行的「人机共驾」研究,右上角为试验车辆「Black Betty」| MIT

 

MIT 之前曾进行过一项关于「人机共驾」的课题研究,从设计和开发「以人为中心」自动驾驶系统的角度出发,提出了七大原则。这些指导原则中并没有把人类本质的复杂性剔除掉,而是将其融合到了整套系统中。这也恰恰是这套课题研究的精髓所在。

 

实验成果的展示我们可以在一辆叫做「Black Betty」的无人车上看到。它只搭载了摄像头,主要通过机器学习的方式进行外部环境感知,规划决策,驾驶员监控,语音识别、聚合以及管理人机双向操控的无缝切换(语音控制),方向盘上安装了扭矩传感器。通过下面的视频,大家可以看到这辆无人车的具体表现:https://www.youtube.com/watch?v=OoC8oH0CLGc

 

「人」才是复杂因素?
在过去的十几年里,汽车自动驾驶的能力在逐步提升,迫使政策制定者以及行业安全研究人员开始思考如何为「自动驾驶」定级的问题,目的是借此为相关法律、标准、工程设计甚至是业界交流提供可参考的框架。目前行业内普遍采纳的是美国汽车工程学会 SAE 制定的分级标准,它将自动驾驶分为 L0 到 L5 共六个等级。不过 SAE 对每个级别的定义其实是很模糊的,并不能给出清晰、明确的区别,所以它似乎已经不太适合作为引发行业思考的「砖」了,更像是汽车系统设计开发的一套指导原则。

 

美国汽车工程学会 SAE 对自动驾驶的分级 | SAE

 

目前业界对自动驾驶汽车有如下三种普遍的观点:1. 驾驶任务很简单;2. 人类不擅长开车;3. 人类和机器无法做到良好的配合。相较这些观点而言,MIT 的研究则完全朝着相反的方向进行:1. 开车这件事实际上很难;2. 人类是非常棒的驾驶员;3. 让人和智能机器实现高效协作是能够实现的,而且是很有价值的目标。

 

基于这样的前提和假设,MIT 提出了「以人为中心」的框架并将其应用至人机共驾系统的开发过程中,在执行具体的驾驶任务时将人类与机器的边界完全去掉。与此同时,MIT 还提出了针对人机共驾的「七原则」,讨论了在设计、开发、测试「Black Betty」的过程中如何应用这些原则。

 

「人机共驾」的七原则
一、人机共驾(Shared Autonomy)

MIT 认为自动驾驶应该分为两个等级:一、人机共驾(Shared Autonomy);二、全自动驾驶(Full Autonomy)。这样的分类方式不仅能够提供有建设性的指导方针,添加必要的限制条件同时还可以对要实现的目标进行量化设定。甚至,对每个类别下要实现的功能、对应的技术需求以及可能遇到的问题都可以划分出来。

 

这个原则的核心在于对「人类驾驶员在环」的讨论。为了实现对车辆的有效控制,人和机器组成的团队必须共同保持对外部环境有充分的感知。目标是促使整个行业对「人机共驾」和「全自动驾驶」进行清晰地划分。

 

表 I 「人机共驾」和「全自动驾驶」这两种路径中涉及的技术,包括用于大规模量产时对每项技术表现的等级要求 | MIT

 

需要指出的是,表 I 中的术语「Good」和「Exceptional」用来表示解决 1% 极端案例的优先级顺序。远程操控、V2X 和 V2I 等并非必须的技术,如果要使用的话需要达到特殊的能力要求。

 

在实现高等级自动驾驶的方法上,传统思路全程都跳过了对「人」这个因素的考虑,精力主要集中在对地图、感知、规划以及表 I 中「全自动驾驶」一栏标注为「exceptional」的技术上。实际来看,考虑到目前的硬件和算法能力,这种解决方案对高精度地图、传感器套件的鲁棒性要求很高,提供的是较为保守的驾驶策略。

 

而正如表 I 所述,「以人为中心」的自动驾驶汽车着眼点主要在司机身上。负责控制车辆的依然是人,但前提是要对人的状态、驾驶方式及之前的人机合作经验做充分的考量,同时把车辆的转向、加减速等交由人工智能系统负责。以特斯拉的 Autopilot 为例,之前 MIT 的研究显示,测试中有超过 30% 的行程都是由这套 L2 级驾驶辅助系统控制完成的。而如果人机共驾应用成功的话,应该能实现超过 50% 的机器控制率。在这次实验中,MIT 表示无人车系统在接管过程中呈现出了不同程度的能力,而人类驾驶员始终在密切关注着机器的动态,根据感知系统获得的信息及时预测可能发生的危险。

 

二、从数据中学习(Learn from Data)

从表 I 不难发现,这其中涉及的任何一项车辆技术都是数据驱动的,需要搜集大量的边缘案例数据,利用这些数据持续不断地优化算法。这个学习过程的目的应该是,通过大量数据实现从传统的模块化监督学习向端到端半监督式和无监督学习过渡。

 

要实现车辆的自动驾驶,传统的方法,不管是哪个级别,几乎都不会大量的应用机器学习技术。除了在一些特殊的线下场景,比如 Mobileye 的视觉感知系统要进行车道线识别,或者是通用 Super Cruise 搭载的红外摄像头要对驾驶员头部动作进行预测等。

 

特斯拉的 Autopilot 可能要比其他方案更进一步,在开发针对第二代硬件平台 HW 2.0 的软件算法时,在视觉感知上应用了越来越多监督机器学习的原理。但即便如此,对车辆的绝大部分控制以及对驾驶员状态监测的实现中,并没有利用大数据驱动的方式,也几乎不涉及线上学习的过程。

 

而在目前业界进行的一些全自动驾驶技术的路测中,机器学习主要应用于环境感知这一环节。更甚的是,这些车辆采集到的数据,无论是从量还是多样性来看,和具备 L2 级自动驾驶能力的车型相比,逊色不少。

 

特斯拉 Autopilot 对目标物、车道线的检测主要依赖机器学习算法进行 | Electrek

 

MIT 认为,「L2 级自动驾驶系统中机器学习框架使用的数据,从规模和丰富性的角度来看都具有足够的扩展能力,可以覆盖多变的、具有代表性、挑战性的边缘案例。」人机共驾(Shared Autonomy)要求同时搜集人和车辆的感知数据,挖掘分析后用于监督学习的标注。在 MIT 的实验过程中,驾驶场景感知、路径规划、驾驶员监控、语音识别以及语音聚合都应用了深度神经网络模型,可以通过搜集到的大量驾驶体验数据进行持续性的调校和优化。

 

在进行数据采集时,MIT 表示并不会只局限于单一的传感器来源,而是对整个驾驶体验通盘考虑,并将所有的传感器数据流通过实时时钟(real-time clock)汇总、聚合,用于多个神经网络模型的标注。这种方式能够让驾驶场景与驾驶员状态能够很好地匹配起来,而在聚合的传感器数据流进行标注工作,使模块化的监督学习可以在数据规模允许时轻松地向端到端学习过渡。

 

三、监督人类(Human Sensing)

这个其实就是我们俗称的「驾驶员监控」。它指的是对驾驶员的整体心理以及功能特征,包括分心

[1] [2]

关键字:自动驾驶  MIT  特斯拉  人机共驾

编辑:什么鱼 引用地址:http://news.eeworld.com.cn/qrs/ic472204.html
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。

上一篇:亚马逊用Alexa抢占苹果和谷歌在车联网的龙头地位?
下一篇:充电桩“桩王”特来电是什么来路?

关注eeworld公众号 快捷获取更多信息
关注eeworld公众号
快捷获取更多信息
关注eeworld服务号 享受更多官方福利
关注eeworld服务号
享受更多官方福利

推荐阅读

激光雷达上身?奥迪已量产L3自动驾驶技术,特斯拉仅有低配版L3?

在如今的汽车市场上,一些十万出头的国产车型都开始标配L2级辅助驾驶系统了,而一些高端车型的品牌则是在更加智能化的L3级自动驾驶技术的商用化而开始战略部署了。早在今年四月份的特斯拉开放日中,钢铁侠马斯克对于各家厂商即将要实现技商用化的L3级别自动驾驶技术表示:傻子才用激光雷达,现在谁用激光雷达谁完蛋。马斯克如此激烈的言辞,引发了不少业内人士对于对于即将要商用化的L3自动驾驶技术进行了探讨,也将激光雷达的应用放到了浪尖上,进而使得业内自动驾驶领域关于更高一级的技术架构变动。特斯拉属于一个新生的汽车品牌,一直所主打着高科技,在未来即将推行的商用化L3级别自动驾驶技术也将以摄像头+毫米波雷达以及AI 芯片所形成的自动驾驶主体,并且摄像头
发表于 2019-09-12
激光雷达上身?奥迪已量产L3自动驾驶技术,特斯拉仅有低配版L3?

沃尔沃新专利:车顶抬头显示器 或应用于自动驾驶汽车

统处于启动状态时,任何人都可以在汽车上方(如家里或建筑的二楼)的有利位置看到车顶,了解车辆是否锁定;如果是电动汽车,还可以了解到电池寿命以及充电状态。车顶抬头显示器的另一种可能应用领域是自动驾驶汽车,如果驾驶员无需开车,就可以抬头查看有关车速、距离和到达时间等信息。该项专利出现的时间比沃尔沃L4自动驾驶2021规划要早,因此极有可能很快在沃尔沃概念车上亮相。(文中图片均来自caranddriver.com)
发表于 2019-09-12
沃尔沃新专利:车顶抬头显示器 或应用于自动驾驶汽车

特斯拉自动驾驶新专利 “高速布线架构”优化FSD冗余设计

据外媒报道,最近,特斯拉提交了一项名为“高速布线系统架构”的专利申请,以解决其全自动驾驶(FSD)套件面临的一个重要问题:冗余,并且该专利于当地时间8月15日被正式公布。传统的计算机布线系统通常在通信中没有设计冗余部分,都是单个设备连接至一个中心点(如一个处理器),该处理器与每个设备单独通信。通常,线缆会将数据从设备传输至处理器,或者将数据从处理器传输至设备,每根线缆在运行过程中都只能单向传输数据。如果其中一根线缆失效,那么与设备的通信也会失败,而在自动驾驶环境中,可能会导致整个系统发生故障。如果只是增加备用线缆也不是一个很好的解决方案,因为线缆越多,连接点也会更多,进而电路板就会更大,最终造成更高的制造成本。特斯拉公布的布线结构
发表于 2019-09-12
特斯拉自动驾驶新专利 “高速布线架构”优化FSD冗余设计

车规级激光雷达的另类测试验证路线

尽管存在些许争议,激光雷达仍是实现自动驾驶L3量产的关键。随之衍生的问题是,由于L3需要性能更好的激光雷达和大量数据的采集分析,因此,对激光雷达的测试验证更是重中之重。为实现自动驾驶L3量产,长城旗下WEY VV7的下一代车型将搭载激光雷达。新智驾了解到,这款激光雷达来自Ibeo,产品计划于2021年量产,期间将由一家名为亮道智能的初创公司提供测试验证服务。通常情况下,L2阶段的ADAS摄像头测试的输出和评定主要由人工标注,但L3的激光雷达等传感器的测试工作量会大幅增加。为了满足车企正常的研发周期需要,需要采用新的方法。亮道智能正是以此为契机,开发了一套通过自动化处理来进行客观真值数据建立的工具。激光雷达上车派目前,激光雷达
发表于 2019-09-11

当理想回归现实,无人驾驶是否还值得期待?

2019年,已经很少听到自动驾驶企业对外讲述那些炫目的技术、融资和天才团队的故事。作为自动驾驶界老大哥的Waymo明确表达,L5无人驾驶车在路上普及还需要等上几十年的时间。认清大势后,大家已经不再寄望于遥远的故事,转而寻找让自己先活下去的机会,或者说,一个更容易实现的承诺,证明自己有阶段性商业变现的能力。 不过,按照业界“人是无价的,货物是有价的”逻辑出发,在商业变现上,自动驾驶界也有圈层分化。无人驾驶乘用车:“烤串要多烤几串”因为安全、法规等因素,载人的自动驾驶乘用车正转而寻求近期的落地模式,以获得一些商业回报或投资人的进一步加持。汽车行业人士姜山对记者说,这就好比过去天天去餐馆吃饭,赊了很多钱,今年餐馆说不能再赊帐
发表于 2019-09-11
当理想回归现实,无人驾驶是否还值得期待?

Uber的自动驾驶发展了四年,并非一帆风顺

汽车巨头(福特-大众-Argo AI、通用-本田-Cruise、戴姆勒-宝马等)正面对抗,而不差钱的新创公司(Zoox、Aurora、Nuro、Pony、Voyage 等)中也可能杀出一支奇兵,搅乱战局。 而经历了四年成长的 Uber 自动驾驶业务,在丰田、软银、电装的加持下形成的丰田-软银-电装-Uber ATG 阵营,也将通过分拆踏上新的征程。 参考资料:https://www.bloomberg.com/news/features/2016-08-18/uber-s-first-self-driving-fleet-arrives-in-pittsburgh-this-month-is06r7on 
发表于 2019-09-11
Uber的自动驾驶发展了四年,并非一帆风顺

小广播

何立民专栏

单片机及嵌入式宝典

北京航空航天大学教授,20余年来致力于单片机与嵌入式系统推广工作。

电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2019 EEWORLD.com.cn, Inc. All rights reserved