当前位置: 首页 -  数码资讯 - 正文

自动驾驶陷入泥潭_Uber如何走出困境

2019-12-13 10:37 数码资讯 洢涵126°c
A+ A-

那么,这样的系统为何还会引发伤亡事故?在接下来的文章中,我们将提到很多可能的情况,而其中错误的评估结论就有可能导致事故。我们还会探讨哪些情况下,人工智能系统更有可能作出错误判断。

首先需要强调,我并不清楚造成此次事故的具体原因,也不会将其认定为无法避免的状况。此外,我也不打算在本文当中对任何人加以指责,或者对任何肇事原因作出证明。换言之,我只是在单纯讨论为什么这个问题对于人工智能类系统而言,要比常规驾驶情况下更难以解决。

· 激光雷达的工作原理与普通雷达相似,只是发射激光从而轻松在三维空间内绘制任何表面。为了增大三维成像范围,大多数激光雷达会不断旋转,像复印机扫描纸张那样持续扫描周边环境。其不依赖于外部照明,在黑暗条件下也能够准确发现目标。然而,虽然高端激光雷达拥有出色的分辨率水平,但其需要配合强大的计算机以重建三维图像。因此如果有厂商声称其激光雷达能够

这种情况其实相当常见。举例来说,普通的摄像机能够清晰拍摄到近距离物体,但只能以二维方式呈现。激光雷达属于一种激光发射器,其能够在三维空间中看到同一个物体,但观察结果却缺乏细节——特别是色彩信息(详见下图)。因此,我们可以利用多台摄像机从多个角度拍摄以重建三维场景,并将其与雷达“图像”进行比较。如此得出的综合结果显然更为可靠。然而,摄像机对光照条件非常敏感——即使是少量阴影也可能干扰场景中的某些部分并导致输出质量低下。作为一套出色的识别系统,其应该能够在这种情况下更多依赖于雷达系统的输入。而在其它情况下,则更多依赖于摄像机系统。而两类传感器得出共识性结论的部分,则属于可信度最高的判断。

这里咱们回顾一下。之前我们已经讲述了人工智能必须处理来自众多不同传感器的输入内容,评估传感器输入内容的质量并构建场景认知结论。有时不同传感器会给出不同的预测结果,而且并非所有传感器在任意时间段内皆可提供信息。因此,该系统会建立一套影响判断过程的记忆机制,这一点与人类一样。此后,其需要将这些信息加以融合,从而对当前状况作出一致的判断进而驱动汽车行进。

图:我坐在办公室的椅子上(位于图像中心位置)挥舞着Velodyne VLP-16雷达。自动驾驶汽车所使用的激光雷达拥有更高的分辨率,但仍然无法与摄像机相媲美。请注意,此图像来自单一雷达扫描,我们可以进行多次雷达扫描以进一步提升图像分辨率。

最近优步汽车(Uber)导致一位自行车骑行者因车祸遇难的事件引发了多方关注。很多人认为,系统能力低下的责任应由优步公司承担,但也有些人认为,事故本身并不值得大做文章。在笔者看来,此类事故确实可以通过技术方式加以避免。然而,为什么这个问题对于自动驾驶系统而言相对更难以解决?那么首先,让我们回答这样一个问题——“为何优步没有在自己的汽车上,使用奔驰配备的夜视系统?”下面就随汽车电子小编一起来了解一下相关内容吧。

自动驾驶陷入泥潭_Uber如何走出困境

这种自主导航问题太过复杂,无法简单在程序代码中使用IF-ELSE语句(IF-ELSE statements)并配合传感器信号读取加以解决。为什么?因为要获取完成这项任务所需要的一切数据,车辆当中必须包含数十个不同的传感器。其目标,在于建立一套全面的视野,同时弥补单一传感器所存在的不足。如果我们现在对这些传感器所能产生的测量值组合数字进行估算,就会发现这套自动驾驶系统有多么复杂。很明显,模拟其中每一种可能的输入组合已经远远超过人类大脑的处理能力。

· 首先,如果系统未能看到充足的类似数据,则可能无法正确理解当前情况。

导航功能由感知并解释环境、作出决策并采取行动这几个部分组成。环境感知则包括路径规划(驶向何处)、障碍物检测以及轨迹估算(探测到的物体如何移动)。除此之外还有很多。现在可以看到,避免碰撞只是其需要完成的众多任务当中的一项。系统同时面对着很多问题:我要去哪里在、我看到了什么、如何解释这些景象、是否有物体在移动、其移动速度有多快、我的轨迹是否会与他人的路线发生交叉等等。

在几乎所有新型车辆上,我们都能找到常规的碰撞回避(“collision avoidance”,简称CA)系统。这套系统的作用非常单一,或者说只有一项目标——在车辆即将发生碰撞时刹车。这种“确定性”意味着其会在检测到某种特定信号时,采取与之对应的动作(即制动)。对于同一种信号,其总是会产生同样的反应。此外,还有一些碰撞回避系统会根据环境采取一些基于概率的判断,但总体来讲,碰撞回避系统通常非常简单:当车辆以不合理的速度接近某个位置时,其会触发刹车。您可以在程序代码当中使用简单的IF语句来实现这项功能。

· 第二,如果当前环境难以感知,且传感器输入内容的可信度不高或者信号混杂,则可能引发错误判断。

那么,为什么人工智能型系统就做不到这一点?人工智能是系统展示其认知技能的一种能力,例如学习以及解决问题。换言之,人工智能并非依靠预编程方式来监测来自传感器的已知输入信号,从而采取预定义的行动。这意味着,不同于以往对已知情况进行预定义的处理方式,如今我们需要为算法提供大量数据以实现人工智能训练,并借此引导其学会如何操作——这就是机器学习的基本原理。如果我们利用机器学习技术建立一套碰撞回避系统,其完全能够达到近乎完美的效果——但这也意味着其仍然属于单一目的系统。它可以刹车,但却学不会导航。

很多人表示,如今的技术已经如此先进,因此优步汽车应该能够明确识别出正在过路的行人,包括那些因为走错了路而绕转回来、或者突然从暗处冲入照明区域的行人。那么,传感器能够测量到哪些情况,又无法应对哪些场景?这里,我谈的单纯只是测量,而非理解测量内容的能力。