技術與信任：老司機詳解自動駕駛面臨的四重難題
雷鋒網(搜索“雷鋒網”公眾號關注)按：本文作者綠小水，自動駕駛行業從業者。
車的問題——技術難點
1、對環境的感知
關於Google無人駕駛汽車（以下簡稱 G-car），一個長久以來的誤解可能就是：它是全憑自己在行駛過程中實時“看”到的情境來做決定的。但事實上，它走過的每一步都是工程師們用汗水洗刷過的——他們會事先在目標路線上來回數遍，繪製一份儘可能詳盡的3-D地圖教給 G-car。顯然這是個很耗時的工程，那麼為什麼要這麼做呢？
答案是為了省下運算時間和能量，來處理行人、車流和其他各種實地行駛過程中的突發狀況。可是，Google的3-D地圖目前也只覆蓋了很有限的幾片實驗田，如加州景山。待到自動駕駛上路那一天，這樣地圖不僅要大面積覆蓋，而且要隨時更新，這工作量不言而喻。
然而計劃總是趕不上變化，牛津大學的研究者對英格蘭一條長6英里的街道特徵進行了為期一年的記錄——結論是街景始終在改變，單是一個轉向路標就挪動了三次。如果再考慮到天氣變化，難度就更大了。
比如在常常大雪封山的日本北海道，為了給司機標示出路面的寬度，隨處可見下圖這樣指向路肩的小箭頭。如果你對電影《非常勿擾》還有印象，也許就會想起笑笑姑娘（舒淇）曾經告訴過你它們是做什麼用的，可是，如果你的愛車沒看明白呢？
對於這個問題，Google表示很自信，因為隨着越來越多的自動駕駛車上路，會有源源不斷的路面信息傳回繪圖小組。當然，如果各個公司的自動駕駛研發團隊能夠共享信息的話，這個進程會快很多。
從另一個角度來講，提前繪圖也不是唯一出路，Iron Man的Tesla就更傾向於依賴對圖像和傳感器信息的實時處理。不過目前來看特斯拉主要是輔助駕駛，還沒有采用G-car那麼激進的無人駕駛。長遠來講，哪條路子走的更穩仍未可知。
2、對意圖的理解
作為一輛無人駕駛汽車，僅僅看到周圍是遠遠不夠的，你還要知道正發生着什麼：一個包裹着你輕柔的致富夢想的塑料袋在風中飛舞，需要躲避嗎；路旁一位行人一邊通話一邊四處張望，她確定是要過馬路嗎；交通警察揮舞的手勢透着機械舞的韻律，這到底是什麼鬼。這些情況都對計算機視覺提出了非常高的要求。
就像一個壞脾氣的學霸在給你講解習題的時候常常咆哮的那樣：為什麼這麼簡單的東西你就是不懂？這其實是在人類理解機器視覺或者籠統的講——機器學習的時候常常遇到的一個困境，即機器善於處理我們認為的困難問題比如下棋，可更多的時候它像個書呆子一樣面對現實生活一籌莫展，尤其是涉及推斷另一些人的決策的時候。
正如今年2月14日Google汽車的豔遇一樣，它天真的以為後面駛來的公交車會讓路給它，而這次任性的變道結果就是：
好基友Tesla當然不忍心看着G-car獨自捱罵，於是就在上個月，它也急吼吼地撞了。起因是它前面的一輛正在行駛的車為了避讓路邊停靠的小貨車變道了，於是後面耿直的Tesla就徑直撞上了小貨車，前車的心思看來它沒懂啊。
誠然類似的錯誤人類司機也是難免，並不是要求自動駕駛汽車一面世就得天衣無縫。觀眾們的普遍要求是：比人類司機好就行。但僅此一點，就説不準。
要知道Google汽車自2009年起，已經累積了130多萬英里的駕駛經驗，而與之相比的是，美國司機平均行駛逾億英里發生一次致人員死亡的嚴重交通事故。以目前自動駕駛這麼小的里程樣本，還遠不足以驅動傳統的計量方法來對它統計意義上的安全表現給出可靠的估計，簡言之，它還有hin長的路要走。
與此同時，也需要開發新的檢測自動駕駛技術安全性能的方法，否則以現在這個速度，實驗到天荒地老也不會有結論。
3、對“人—車接口”的控制
自動駕駛這一劑良藥多以電動汽車沖服，這一方面得益於電機易於精確控制，另一方面也是二者受眾重合度高，便於推廣。只要前面兩個問題處理得好，且行人沒有擺出各種經典的道德困境隊形（如trolley dilemma）來刁難它，“開車”這件事情本身並不是很困難。
自動駕駛普及並聯網之後會是一片喜人景象。線路優化，汽車共享，智能交通統統不再是夢，更不用説規模效應一旦形成，路標交規行人等，都勢必會做出相應的調整以適應，這樣一個自動駕駛友好型交通環境，會反過來減輕它感知和理解方面的困難，形成正反饋。
而在這之前，即便是最先進的自動駕駛汽車還是會時不時地身陷超出其智慧所能處理的環境。屆時，就靠人類接管了。於是引出了自動駕駛或者更廣泛的意義上來講——輔助駕駛都面對的一個問題：交接。
它該如何把備胎駕駛員從睡夢中搖醒（下圖，Tesla司機在自動巡航時睡着了），從電影拉回現實，或者中斷他的通話成功引起他的注意？要知道一個聚精會神沉浸在公路追逐片裏，盯着連環撞車鏡頭的人，錯過任何語音燈光提示都不稀奇。
最終人們發現還是笨辦法靠譜——震動——只要0.8秒鐘就可以讓一個正專注於回郵件的乘客切換到“司機”模式。那麼與此同時，車輛該怎麼告訴他危機所在的方位呢？
之前有研究顯示“身着有觸感的腰帶，人對其水平方向上震動的感知可以精確到10度”，所以可以根據需要人類查看的空間方位來刺激相應的人體部位。不過，即使震動警告可以有效做到這一點，讓它跟繁雜的其它信號如燈光、蜂鳴、語音等同時作用，可能反倒讓人無所適從：大腦被“警報洪水”過載了，蒙圈兒了……
為了避免上述情況。合理的建議是不同的警告模式用於人類接管過程中的不同階段。比如用震動來喚起人們的注意力，再用可視化的方法告知危險方位，這樣一來就同時利用了二者的優點：既觸覺使人迅速反應，視覺精確告知待處理的情況。
不過筆者認為，試想你在車裏，吃着火鍋唱着歌，突然愛車虎軀一震你心頭一緊，這時候，不論它是要你處理無關緊要的麻煩，還是交給你生死攸關的抉擇，這都不是什麼好的體驗，也不是自動駕駛的初衷。
不過，樂觀來講，技術問題一直在進步，只要其增速不減，那麼達到某一個固定目標只是時間問題。而另一個難題在於，如何讓人們接納這個新鮮事物呢？
人的困惑——信任危機
如果説解決車的問題要曉之以理，那麼面對人類陣營就只能動之以情了。首先要面對的就是，我們準備好了嗎？技術巨擘和機動車廠商在自動駕駛上砸了數十億美元，他們迫切希望公眾信任這樣的汽車。
可是，據密西根大學交通研究院的一項調查顯示，對自動駕駛汽車的信任問題仍是司機的一塊心病：四分之三的美國司機對乘坐自動駕駛汽車表示恐懼或者擔憂。
當被問及是否願意購買或者租用自動駕駛汽車時，他們的回答也不容樂觀。超過三分之一的人表示：門都沒有。
究其原因，安全問題還是人們最關心的。好消息是，這種疑慮會被逐漸打消。大眾汽車此前做過一個名為“綠野仙蹤（Wizard of Oz）”的研究，讓志願者乘坐由人類司機駕駛的汽車，但同時使他們誤以為這是一台機器操控的自動駕駛汽車。儘管一開始都惴惴不安，十來分鐘後乘客們都基本能夠放下焦慮享受舒適的旅程了。
類似的關於信任的研究，佛吉尼亞理工交通研究所也有一份，他們招募了幾十位志願者，實驗要求被測人員保持警惕，觀察路面和周遭情況以便必要時控制汽車。但絕大多數司機都表示自己很快就放鬆下來了，手腳也都脱離了控制位置。（呵呵，參見前面那位睡着的同學。這麼容易就放鬆警惕到底是好是壞呢？）
人類對自動駕駛的不信任，一類源自於對技術本身的懷疑態度。而另一層更深入的恐懼則直指掌握技術的那些人的道德準則。
在車載雷達的眼裏，路上每一位行人都是一個漂浮的“生存機率”，或者説“抗撞擊指數”，情非得已的時候，它也只好動用這些數字來擅自決定“犧牲”其中的哪一個甚至一些。那麼，假設我們是自動駕駛汽車裏的乘客，會期待自己的座駕按照什麼道德準則來行事呢？是下面的左邊還是右邊呢？
我們希望路上所有的車都具有高尚的情操在必要的時候可以捨己為人，除了我自己乘坐的那一輛之外。（nani？）事實上，大部分人都表示不願購買被預寫入了“舍小家為大家”程序的車輛，你呢？
一面是日新月異的技術，一面是心思詭譎的眾人，夾在這其中的立法程序走得那叫一個跌跌撞撞。不過，那就是另外一個故事了，以後有機會筆者在跟大家聊聊美國針對自動駕駛汽車的立法進程。
結束語
話説回來，工業化進程一步一個腳印，這些雷區哪一個沒踩到過。我們學到的就是：總會有方法解決，如果機器的智能遇到了瓶頸，實在不行還有人類自己的思維可以改造。
先讓層出不窮的輔助駕駛技術在培養羣眾基礎的同時廣泛積累經驗，再在小範圍內試點全自動駕駛特區以點帶面，待時機成熟結成統一戰線爭取全面勝利。
一則有意思的小故事，説是每到911紀念日，世貿中心遺址就會豎起兩道光柱，上達幾千米，百餘公里外清晰可辨，而對於遷徙路過的鳥羣來講，它們的生物導航系統會誤以為這是自然光源，從而盤旋其周無法逃離，後來在鳥類學家建議下，光柱每隔一段時間會關閉20分鐘，放飛它們。
我們跟機器的相處也是一段學習：機器學習開車，而人類，學習與機器同行，要有兩隻伸出的手，才可以友好地握在一起。
資料來源：雷鋒網
作者/編輯：科技蜘蛛
引用某年某月的某一天，“司機”這個稱呼會具有完全不同的意義（説的不是老司機啦）。想象一台車成為一場流動的盛宴，賓客交歡，觥籌交錯，不覺日已西沉…打住，這樣的場景還得個幾十年。那麼，是什麼橫亙在我們面前，導致在人工智能高歌猛進的今天，距離自動駕駛的明天，仍相去甚遠呢？這其中的重重關卡恐怕只有從業者才能領會。於是，我們從技術層面（車的問題）和心理層面（人的問題）總結了出了以下幾個挑戰。
車的問題——技術難點
1、對環境的感知
關於Google無人駕駛汽車（以下簡稱 G-car），一個長久以來的誤解可能就是：它是全憑自己在行駛過程中實時“看”到的情境來做決定的。但事實上，它走過的每一步都是工程師們用汗水洗刷過的——他們會事先在目標路線上來回數遍，繪製一份儘可能詳盡的3-D地圖教給 G-car。顯然這是個很耗時的工程，那麼為什麼要這麼做呢？
答案是為了省下運算時間和能量，來處理行人、車流和其他各種實地行駛過程中的突發狀況。可是，Google的3-D地圖目前也只覆蓋了很有限的幾片實驗田，如加州景山。待到自動駕駛上路那一天，這樣地圖不僅要大面積覆蓋，而且要隨時更新，這工作量不言而喻。
然而計劃總是趕不上變化，牛津大學的研究者對英格蘭一條長6英里的街道特徵進行了為期一年的記錄——結論是街景始終在改變，單是一個轉向路標就挪動了三次。如果再考慮到天氣變化，難度就更大了。
比如在常常大雪封山的日本北海道，為了給司機標示出路面的寬度，隨處可見下圖這樣指向路肩的小箭頭。如果你對電影《非常勿擾》還有印象，也許就會想起笑笑姑娘（舒淇）曾經告訴過你它們是做什麼用的，可是，如果你的愛車沒看明白呢？
對於這個問題，Google表示很自信，因為隨着越來越多的自動駕駛車上路，會有源源不斷的路面信息傳回繪圖小組。當然，如果各個公司的自動駕駛研發團隊能夠共享信息的話，這個進程會快很多。
從另一個角度來講，提前繪圖也不是唯一出路，Iron Man的Tesla就更傾向於依賴對圖像和傳感器信息的實時處理。不過目前來看特斯拉主要是輔助駕駛，還沒有采用G-car那麼激進的無人駕駛。長遠來講，哪條路子走的更穩仍未可知。
2、對意圖的理解
作為一輛無人駕駛汽車，僅僅看到周圍是遠遠不夠的，你還要知道正發生着什麼：一個包裹着你輕柔的致富夢想的塑料袋在風中飛舞，需要躲避嗎；路旁一位行人一邊通話一邊四處張望，她確定是要過馬路嗎；交通警察揮舞的手勢透着機械舞的韻律，這到底是什麼鬼。這些情況都對計算機視覺提出了非常高的要求。
就像一個壞脾氣的學霸在給你講解習題的時候常常咆哮的那樣：為什麼這麼簡單的東西你就是不懂？這其實是在人類理解機器視覺或者籠統的講——機器學習的時候常常遇到的一個困境，即機器善於處理我們認為的困難問題比如下棋，可更多的時候它像個書呆子一樣面對現實生活一籌莫展，尤其是涉及推斷另一些人的決策的時候。
正如今年2月14日Google汽車的豔遇一樣，它天真的以為後面駛來的公交車會讓路給它，而這次任性的變道結果就是：
好基友Tesla當然不忍心看着G-car獨自捱罵，於是就在上個月，它也急吼吼地撞了。起因是它前面的一輛正在行駛的車為了避讓路邊停靠的小貨車變道了，於是後面耿直的Tesla就徑直撞上了小貨車，前車的心思看來它沒懂啊。
誠然類似的錯誤人類司機也是難免，並不是要求自動駕駛汽車一面世就得天衣無縫。觀眾們的普遍要求是：比人類司機好就行。但僅此一點，就説不準。
要知道Google汽車自2009年起，已經累積了130多萬英里的駕駛經驗，而與之相比的是，美國司機平均行駛逾億英里發生一次致人員死亡的嚴重交通事故。以目前自動駕駛這麼小的里程樣本，還遠不足以驅動傳統的計量方法來對它統計意義上的安全表現給出可靠的估計，簡言之，它還有hin長的路要走。
與此同時，也需要開發新的檢測自動駕駛技術安全性能的方法，否則以現在這個速度，實驗到天荒地老也不會有結論。
3、對“人—車接口”的控制
自動駕駛這一劑良藥多以電動汽車沖服，這一方面得益於電機易於精確控制，另一方面也是二者受眾重合度高，便於推廣。只要前面兩個問題處理得好，且行人沒有擺出各種經典的道德困境隊形（如trolley dilemma）來刁難它，“開車”這件事情本身並不是很困難。
自動駕駛普及並聯網之後會是一片喜人景象。線路優化，汽車共享，智能交通統統不再是夢，更不用説規模效應一旦形成，路標交規行人等，都勢必會做出相應的調整以適應，這樣一個自動駕駛友好型交通環境，會反過來減輕它感知和理解方面的困難，形成正反饋。
而在這之前，即便是最先進的自動駕駛汽車還是會時不時地身陷超出其智慧所能處理的環境。屆時，就靠人類接管了。於是引出了自動駕駛或者更廣泛的意義上來講——輔助駕駛都面對的一個問題：交接。
它該如何把備胎駕駛員從睡夢中搖醒（下圖，Tesla司機在自動巡航時睡着了），從電影拉回現實，或者中斷他的通話成功引起他的注意？要知道一個聚精會神沉浸在公路追逐片裏，盯着連環撞車鏡頭的人，錯過任何語音燈光提示都不稀奇。
最終人們發現還是笨辦法靠譜——震動——只要0.8秒鐘就可以讓一個正專注於回郵件的乘客切換到“司機”模式。那麼與此同時，車輛該怎麼告訴他危機所在的方位呢？
之前有研究顯示“身着有觸感的腰帶，人對其水平方向上震動的感知可以精確到10度”，所以可以根據需要人類查看的空間方位來刺激相應的人體部位。不過，即使震動警告可以有效做到這一點，讓它跟繁雜的其它信號如燈光、蜂鳴、語音等同時作用，可能反倒讓人無所適從：大腦被“警報洪水”過載了，蒙圈兒了……
為了避免上述情況。合理的建議是不同的警告模式用於人類接管過程中的不同階段。比如用震動來喚起人們的注意力，再用可視化的方法告知危險方位，這樣一來就同時利用了二者的優點：既觸覺使人迅速反應，視覺精確告知待處理的情況。
不過筆者認為，試想你在車裏，吃着火鍋唱着歌，突然愛車虎軀一震你心頭一緊，這時候，不論它是要你處理無關緊要的麻煩，還是交給你生死攸關的抉擇，這都不是什麼好的體驗，也不是自動駕駛的初衷。
不過，樂觀來講，技術問題一直在進步，只要其增速不減，那麼達到某一個固定目標只是時間問題。而另一個難題在於，如何讓人們接納這個新鮮事物呢？
人的困惑——信任危機
如果説解決車的問題要曉之以理，那麼面對人類陣營就只能動之以情了。首先要面對的就是，我們準備好了嗎？技術巨擘和機動車廠商在自動駕駛上砸了數十億美元，他們迫切希望公眾信任這樣的汽車。
可是，據密西根大學交通研究院的一項調查顯示，對自動駕駛汽車的信任問題仍是司機的一塊心病：四分之三的美國司機對乘坐自動駕駛汽車表示恐懼或者擔憂。
當被問及是否願意購買或者租用自動駕駛汽車時，他們的回答也不容樂觀。超過三分之一的人表示：門都沒有。
究其原因，安全問題還是人們最關心的。好消息是，這種疑慮會被逐漸打消。大眾汽車此前做過一個名為“綠野仙蹤（Wizard of Oz）”的研究，讓志願者乘坐由人類司機駕駛的汽車，但同時使他們誤以為這是一台機器操控的自動駕駛汽車。儘管一開始都惴惴不安，十來分鐘後乘客們都基本能夠放下焦慮享受舒適的旅程了。
類似的關於信任的研究，佛吉尼亞理工交通研究所也有一份，他們招募了幾十位志願者，實驗要求被測人員保持警惕，觀察路面和周遭情況以便必要時控制汽車。但絕大多數司機都表示自己很快就放鬆下來了，手腳也都脱離了控制位置。（呵呵，參見前面那位睡着的同學。這麼容易就放鬆警惕到底是好是壞呢？）
人類對自動駕駛的不信任，一類源自於對技術本身的懷疑態度。而另一層更深入的恐懼則直指掌握技術的那些人的道德準則。
在車載雷達的眼裏，路上每一位行人都是一個漂浮的“生存機率”，或者説“抗撞擊指數”，情非得已的時候，它也只好動用這些數字來擅自決定“犧牲”其中的哪一個甚至一些。那麼，假設我們是自動駕駛汽車裏的乘客，會期待自己的座駕按照什麼道德準則來行事呢？是下面的左邊還是右邊呢？
我們希望路上所有的車都具有高尚的情操在必要的時候可以捨己為人，除了我自己乘坐的那一輛之外。（nani？）事實上，大部分人都表示不願購買被預寫入了“舍小家為大家”程序的車輛，你呢？
一面是日新月異的技術，一面是心思詭譎的眾人，夾在這其中的立法程序走得那叫一個跌跌撞撞。不過，那就是另外一個故事了，以後有機會筆者在跟大家聊聊美國針對自動駕駛汽車的立法進程。
結束語
話説回來，工業化進程一步一個腳印，這些雷區哪一個沒踩到過。我們學到的就是：總會有方法解決，如果機器的智能遇到了瓶頸，實在不行還有人類自己的思維可以改造。
先讓層出不窮的輔助駕駛技術在培養羣眾基礎的同時廣泛積累經驗，再在小範圍內試點全自動駕駛特區以點帶面，待時機成熟結成統一戰線爭取全面勝利。
一則有意思的小故事，説是每到911紀念日，世貿中心遺址就會豎起兩道光柱，上達幾千米，百餘公里外清晰可辨，而對於遷徙路過的鳥羣來講，它們的生物導航系統會誤以為這是自然光源，從而盤旋其周無法逃離，後來在鳥類學家建議下，光柱每隔一段時間會關閉20分鐘，放飛它們。
我們跟機器的相處也是一段學習：機器學習開車，而人類，學習與機器同行，要有兩隻伸出的手，才可以友好地握在一起。
資料來源：雷鋒網
作者/編輯：科技蜘蛛