自動駕駛「戰役」的下一個制高點
常識告訴我們，僅僅根據已知的場景、障礙和潛在事故原因來部署聯網自動駕駛車輛還遠遠不夠。
誰能夠實現準確預測，並對不尋常的情況做出反應，將是接下來自動駕駛技術落地的爭奪焦點。
從Mobileye的RSS，到特斯拉的「影子模式」，從通用Cruise的「持續學習機器」到幾乎所有企業都在推動的「數據驅動閉環迭代」，都在強化對於不確定性事件的預測和規避、學習能力。
一些研究機構也在嘗試新的手段，近日德國慕尼黑技術大學(TUM)的研究人員開發了一種新的自動駕駛汽車演算法，系統能夠「思考」每一刻可能發生的最糟糕的事情，然後給出在不危及或阻礙交通的情況下的策略。
一、「搞定」預測，才能加速落地
如果，自動駕駛汽車要大規模上路，顯然必須要回答一個關鍵性的問題：在接下來的3-5秒，周圍的汽車、行人和騎自行車的人會做什麼？這個問題被稱為行為預測。
近年來，不少參與自動駕駛研發的工程師都相信，行為預測的重要性。在一些工程師看來，自動駕駛的「預測缺陷」是限制它們實現L4及更高級別自動駕駛的關鍵。
「預測部分，如果在測試路況裡邊還基於傳統的規則性的做法來做整個的車輛的路徑規劃，或者車輛採取什麼動作的話，有可能面臨車輛能被逼停的情況。」行業人士表示。
對於Corner Case，要在後續不斷地測試、優化，用演算法來覆蓋或者涵蓋。通過學習車的運動路徑，其他交通參與物的運動形式，來不斷地彌補這些錯誤，或者不斷地更新所不能處理的工況。
比如，經常遇到的工況是，人在過一個紅綠燈的時候，當你發現旁邊人走了，有的人也會跟著走兩步然後停下來，有的人會跟著一直走下去。
人與人之間的相互行為交叉，是有一定的影響的，人與人之間是有相互的一個干擾性在裡邊的。
特斯拉採取的策略是4D自動標註 神經網路深度學習。
這套系統意味著自動駕駛感知組建可以建立一個實時的3D環境，然後根據其他車輛的過去行為預測標記物體的4D運動，然後有效地利用神經網路來學習其他駕駛員或物體的反應。
埃隆·馬斯克曾表示，目前的神經網路和其他與自動駕駛相關的軟體只使用了定製設計的全自動駕駛晶元5-10%的計算能力，剩餘算力則分配給更多的計算密集型神經網路，比如行為預測。
按照此前披露的一些信息，特斯拉全新一代神經網路（Dojo）不僅會更大，而且在架構上也會有所改進，比如在人工神經元的類型及其相互連接方面。
該項目是基於特斯拉硬體團隊開發的神經網路晶元以及集群超級計算機，用於提高伺服器端神經網路的學習速度。目標是能夠接受大量的數據並在視頻級別上進行無監督的大規模訓練。
Waymo最初使用深度學習來識別和分類對象，現在使用DL來預測其他道路參與者的行動、規劃和模擬。他們與谷歌內的其他小組合作，包括Brain和Deep Mind。
為了提高預測的準確性，Waymo一方面使用來自真實世界的大量數據來衡量預測性能，另一方面預測幾種可能性。它們估計每個動作的概率，然後由規劃模塊考慮，以創建一個安全的決策規劃。
克里斯·厄姆森(Chris Urmson)，2013年至2016年期間曾領導Waymo自動駕駛的研發，「如果我可以揮舞一根魔棒，加速系統的某種能力提升，這就是感知預測能力。」
二、如何解決當下難題
人工智慧的整個概念是基於模式的創建和模式識別——從大量數據中學習。就好比，沒有人生來就知道如何安全駕駛汽車，電腦也不例外。到目前為止，它們的效率不如人類。
「他們必須得到更多的數據。」該研究機構負責人表示。
傳統測試的方法是大規模實際路測，後來又有了模擬模擬測試，然而，真正的自動駕駛不能僅僅依賴於數據建模。
在模擬中學習到的東西必須在現實世界中進行測試，以驗證任何可能出現的問題是否會重現，包括車輛如何在沒有接管情況下自動運行和應對不同的場景事件。
為了預測未來的「命運」，自動駕駛汽車必須具備實時採集、存儲和分析數據的能力，就像人類司機對不同情況的反應一樣。
事實上，不管是Waymo的虛擬模擬測試，還是特斯拉基於實際道路行駛數據的訓練，都還是沒法解決根本性的問題：如果真的遇到特殊場景，系統應該怎麼做出合理判斷和決策。
之前Mobileye有自己的一套安全戰略（RSS），其區分了系統故障（即可以識別的故障）和正常運行故障（可能出現誤檢）。
這套機制不是基於一個沒有事故的想法（因為有些事故可能是無法避免的）。比如，與你前面的車保持安全的距離，這樣如果它突然剎車，你就能及時停下來。
它的方法是避免造成事故的責任——換句話說，車輛的決策應該計算這樣的路徑/行為，而不是導致事故的責任。
上述機構的演算法，目的是不斷預測可能出現的最壞的情況。理論是，這是可行的，但從計算的角度來看，這可能是「非常昂貴的計算」，不確定是否可以在「安全時間窗口」內完成。
類似的改進演算法就像其他機器學習演算法一樣，如果有足夠的關於不尋常事件的數據，以及在此類事件發生時執行的動作，那麼這些演算法就可以通過提高精確度和預測數據集來改進。
在行業人士看來，「提供一輛能在已知環境中運行，但不能在極限情況下運行的自動駕駛系統是相對簡單的。」但如果希望在城市街道上實現L4級自動駕駛，仍任重道遠。
唯一的機會，在於提高預測的準確性。
目前，大多數自動駕駛公司都在專註於測試。通過大量測試，將有可能整理和分析數據，以提高場景預測能力，從而提高系統的安全性。
然而，這是一項耗時的工作，即便是模擬模擬測試。
一些行業人士指出，唯一的辦法就是數據共享。比如，在收集、分析和評估數據方面建立一些行業標準和介面協議，通過各家企業的數據共享來加快這一進程。
此前，一份來自美國公路安全保險協會（IIHS）的交通事故分析報告顯示，自動駕駛只能規避約三分之一的道路交通事故。
基於5000多起具有廣泛代表性的交通事故分析報告顯示，並非所有錯誤都可以通過攝像頭、雷達和其他基於感測器的自動駕駛技術消除。
因為，大多數撞車事故是由更複雜的錯誤導致的，比如對其他道路使用者將要做什麼做出了錯誤的假設，人為根據路況加速或者減速行駛，或者做出不正確的閃避動作。
