Mobileye CEO談Uber事故：傳統經驗很重要，尤其在性命攸關的領域

如何識別並關閉數以百計極端情況、對成千上萬英里的道路畫面數據進行標註、在幾十個量產 ADAS 項目上進行具有挑戰性的量產前驗證測試等傳統經驗和做法，不能跳過。

編譯 | 晏奇

來源 | 英特爾官網

現在，是時候對自動駕駛車輛的安全性展開重要討論了。

一直以來，社會都期待自動駕駛汽車的技術能夠超越人類司機的駕駛水平。但是，隨著上周 Uber 自動駕駛汽車在美國亞利桑那州撞倒一位行人並致其死亡（事故發生時，汽車處於自動駕駛狀態，受害者名為 Elaine Herzberg）慘劇的發生，我們有必要審視一下相關感測與決策技術安全性。

Amnon Shashua 教授，他是英特爾公司的高級副總裁，也是 Mobileye（英特爾的子公司）的首席執行官與首席技術官。

首先，解讀感測器信息很有挑戰性。

警方公布的視頻證實，即使是自動駕駛系統最基本的組成部件，其探測和分類物體的能力都很富挑戰性。而這一能力，確實當今先進自動駕駛輔助系統（ADAS）的核心，包括諸如自動緊急剎車（AEB）、車道保持等功能。

正是 ADAS 系統內部高精度的感知系統，提供了生命保障功能。在系統有能力解決更難的問題之前，這種技術也是全自動駕駛汽車必不可少的基本組成部分。

為了展示目前 ADAS 技術的能力，我們給自己的軟體輸入了警方公布的事故車輛監控視頻。

儘管實驗條件比不上真實場景（那些存在於真實場景下的高動態範圍數據可能已經丟失），但在距離撞擊受害者前一秒的時間，系統仍然成功探測到了受害者。

從下方展示的三張視頻截圖中，我們可以看到：系統將偵測到的自行車與受害人用識別框標註了出來。

探測結果來自兩個獨立的探測源。模式識別，該過程可以生成識別框以及可通行空間（free-space）的探測模塊，它可以生成一個水平圖，用紅色區域表示「道路使用者」出現在前方。

第三個模塊藉助基於「平面+視差」技術區分道路目標。這個模塊會驗證之前模塊探測到的那些具有低信度（low confidence）物體，它們會被之前的模塊打上標註「fcvValid: Low」，並將其顯示在畫面的左上角。

之所以會產生低信度，因為缺失通常在量產車上可以搜集到的信息以及低質量的成像設置，因為錄像來自車載攝像頭拍攝的畫面，會受到某些未知的降採樣影響。

上圖展示了 Mobileye 公司的 ADAS 系統根據警方公布的行車錄像進行分析的截圖。綠色和白色的識別框代表系統的自行車和行人探測模塊的輸出結果。水平圖界定了道路與障礙物之間的可通行空間（free-space）。

目前市面上裝有 ADAS 系統的汽車，使用的就是本次實驗中的這個軟體，其性能已經得到了消費者們數十億英里駕駛範圍的驗證。

最近人工智慧的發展，諸如深度神經網路，已經讓很多人相信：我們可以很容易地開發出一個具有高精準物體識別性能的系統，現有的、有著十多年計算機視覺經驗的專家似乎變得沒那麼重要了。

雖然整個領域有了很多新變化，不過筆者以為，這些新技術雖然十分有用，但如何識別並關閉數以百計極端情況、對成千上萬英里的道路畫面數據進行標註、在幾十個量產 ADAS 項目上進行具有挑戰性的量產前驗證測試等傳統經驗和做法，不能跳過。

經驗很寶貴，特別是性命攸關的領域。

第二點，有關透明性的問題。

人人都認為，「安全是我們最關注事情，」但是，筆者團隊相信，為了得到公眾的信任，必須讓這份安全聲明更加透明才行。

2017 年 10 月，Mobileye 發布 RSS（https://www.mobileye.com/responsibility-sensitive-safety/）模型時，我曾表示系統的決策必須要遵照人類的常識判斷。我們提出了一套有關常識的數學定義，涉及到諸如「危險情形」、「恰當的反應」等等，然後開發了一個可以按照這些定義行動的系統。

第三點，與冗餘（redundancy）有關。

真實的感知系統冗餘，必須依賴獨立的信息源：攝像頭、雷達和激光雷達。將這些信息融合到一起，雖然可以便於系統的駕駛操作，但是，系統的安全性無法得到保障。

在 Mobileye，為了獲得真正的冗餘，我們分別發開了獨立的端到端攝像頭系統，激光雷達系統以及雷達系統。

更多類似上周發生的事件，將會危害消費者對自動駕駛本就脆弱的信心，還會催生不適當的監管，阻礙自動駕駛研發。

正如在介紹 RSS 時提到的，我堅信，現在正是需要對全自動駕駛汽車的安全驗證框架進行有意義討論的時候。唯有這樣，我們才能一同解決這些重要的問題。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！