全新任務中心上線了!
會員專屬好禮都在這

立即前往
任務中心
人工智慧如何顛履駕駛安全
作者 K@W
收藏文章
很開心您喜歡 K@W 的文章, 追蹤此作者獲得第一手的好文吧!
K@W
字體放大


分享至 Line

分享至 Facebook

分享至 Twitter


人工智慧如何顛履駕駛安全

2017 年 12 月 23 日

 
展開

人們一想到自動駕駛汽車,腦海裡浮現的形象通常是一輛完全實現自動駕駛的汽車,沒有人類駕駛員參與其中。實際情況要複雜得多:汽車自動化不僅分為幾個不同的級別,例如巡航控制就是一種初級形式,而且人工智慧也被用於汽車內部來增加駕駛者和乘客的道路安全係數。人工智慧甚至支持一種技術,讓汽車在吵鬧的環境中理解駕駛者的意圖:透過唇語解讀。

在矽谷,各方正你追我趕地開發最理想的技術用於自動駕駛車輛。近期在矽谷召開的人工智慧前線會議 (AI Frontiers conference) 舉辦期間,華頓商學院營運、資訊與決策教授霍桑納格 (Kartik Hosanagar) 說道:“現在或許是關於自動駕駛汽車討論最熱烈的時候。” “10 年前,自動駕駛車輛的絕大部分工作僅限於研究實驗室、教學機構開展。”而在大約 5 年前,也只有谷歌(Alphabet, GOOGL-US)和幾家公司開始進行這方面的測試。“時至今日,這項研究令各方趨之若鶩。”他說:“光是在加州,擁有牌照進行無人駕駛車輛測試和營運的公司數量就已經達到了 30 到 50 家之多。”

放眼全球,美國和中國正走在自動駕駛汽車研究競賽的最前線。德國和日本儘管以汽車製造業聞名,但也只能甘拜下風。“關鍵的差距就在於人工智慧。”中國自動駕駛汽車研發公司景馳科技的聯合創始人韓旭 (Tony Han) 指出。“中美在人工智慧領域一馬當先。”在自動駕駛監管方面,中美同樣走在前面。對於該領域關注的集中爆發背後主要受到三個趨勢的推動:電動車數量不斷增加;共享經濟的出現讓 Uber、Lyft 這類共乘公司獲得動力;以及人工智慧的進步。他說,其實好好想一下並不難理解,自動駕駛其實就是把機器人駕駛員和電動車結合起來。

韓旭說,目前絕大多數研究自動駕駛汽車的公司都在開發一種適合“第 4 級別車輛”的技術。自動駕駛汽車的自動化程度一般分為 5 級。

第 1 級是最低限度的自動駕駛,典型特徵是已經出現了很多年的巡航定速功能。第 5 級是最高級,實現車輛完全自動駕駛。第 4 級略低一點,車輛已經可以達到較高的自動駕駛程度,在特定情況下無需駕駛者干預或關注便可自動操作,比如在專門劃定的閉合區域或交通道路上。

車輛內部的人工智慧

晶片製造企業輝達(NVIDIA, NVDA-US) (Nvidia) 的自動駕駛部門高級總監丹尼·夏皮羅 (Danny Shapiro) 說,科技企業對待自動駕駛車輛技術的研發相當認真,因為他們輸不起:“這可不是為 Netflix 設計的推薦引擎,”他在會上說:“人工智慧必須精准無誤。”這也意味著人工智慧要求“極端的”計算能力和大量代碼。夏皮羅說道。在自動駕駛車輛上安裝有強大的電腦和影像處理單元,透過深度學習分析接收到的所有資料:人工智慧需要決定前面的物體是一個人、車輛、消防栓還是什麼別的東西。

雖然真正的全自動駕駛汽車上市還需要等待時日,但人工智慧已經令一輛汽車的內部面貌大為改觀了。前置攝影鏡頭可以識別車內的人,追蹤駕駛者的眼部運動,監督其是否昏昏欲睡或者分神,甚至還能讀取駕駛者的唇語。車外安裝的感測器和攝影鏡頭能夠配合內部技術提升安全性。

比如,如果有其它車試圖闖紅燈,車輛會發出“存在交叉車流危險”的警報。如果司機想要變道,車輛可能還會說:“小心!有一輛摩托車正在駛入中間車道!”夏皮羅說:“即使不是真正的全自動駕駛,車輛仍可具備一整套像守護天使那樣的性能。”

實際上,自動駕駛公司的一個主要目標就是讓駕駛更加安全。Uber 高級工程經理、美國卡耐美隆大學研究教授傑夫·施耐德 (Jeff Schneider) 說,汽車交通事故中有 94% 屬於人為失誤。他指出,導致事故發生的錯誤中有一半屬於認知錯誤,比如司機注意力不集中、沒有看到前方障礙物。還有一半是決策錯誤,比如司機開得太快或者錯誤地估計了形勢。

施耐德認為,自動駕駛車輛可以解決這兩類錯誤。認知錯誤問題可以透過感測器、雷達、攝影鏡頭、Lidar (一種遠端感應系統) 以及其他工具來儘量避免。汽車可以看到物體或周圍其它東西的三維定位,接收高解析度的 360 度景象,還能獲取其它相關資料,比如物體移動速度等等。同時,負責的計算系統可以分析道路景象,形成正確的駕駛決策。

提高精確度的一種方式就是將冗餘納入系統。比如,如果某處的道路交通標誌不清晰,就要想辦法確保自動駕駛汽車不會搞錯。施耐德說,車上自載的地圖可以告知車輛那個位置是有道路交通標誌的。同時,公司利用大量資料對車輛進行不同路況下的訓練,例如雪天、雨天、雨夾雪和下大雨等情況。

自動駕駛汽車的研發公司甚至會使用電腦生成的環境來訓練車輛,例如落日炫目的情況下駕駛的問題。“只需要一套伺服器,我們就能在 5 個小時內生成超過 30 萬公里的 (駕駛環境) 。對美國所有馬路進行演算法測試只需要兩天。”輝達的夏皮羅這樣說。

為確保萬無一失,車輛必須面對複雜的任務測試。“如果你是寫程式的人”,必須對穿越馬路的行人、路上的其他車輛、看板、交通信號裝置、機動車道、自行車道、人行道等等的人和物負責,施耐德說:“那絕對是一團亂麻。”

安全與保障

施耐德說,對於將全自動駕駛車輛視為白日夢的懷疑論者來說,回顧自動駕駛汽車走過的歷程可能會有所幫助。早在 20 世紀 80 年代,卡耐基美隆大學的 NavLab 專案就已經將電腦、感測器裝到了卡車上,以實現自動和輔助駕駛。他說:“那是機器人技術的時代,規則就是攝影鏡頭要保持工作,以便拍下好的瞬間。”1995 年,這所大學的“No Hands Across America”從匹茲堡開到南加州,其中 98% 的路程是自動駕駛的,還包括 70 英里徹底沒有人為干預的路程。

2000 年,大學轉而研究越野車。GPS、Lidars 等新發明被運用到了汽車上,讓車輛更容易辨別物體、繞道行駛。7 年之後,在專為無人駕駛汽車舉辦的“DARPA 超級挑戰賽”上,卡耐基美隆大學又邁出重要一步,透過載入高品質的地圖對駕駛環境進行全面重塑。“人工智慧又向前邁出了一大步,”施耐德這樣說道。卡耐基梅隆大學贏得了那次比賽。也正是從這時起,谷歌認識到了自動駕駛汽車的潛力,著手開展自動駕駛研發專案。自此,人工智慧、機器學習和深度學習得到了進一步發展。

但是,消費者乘坐自動駕駛車輛是否感到舒適自如?施耐德說,從 Uber 在匹茲堡、鳳凰城開展自動駕駛汽車測試的經驗來看,公眾對乘坐這種車輛應該是持開放態度的。雖然一開始的確有人擔心大家對這種車心存恐懼,“但我們發現結果恰恰相反。”他說道。比如,由於乘客不能自己選擇呼叫採用自動駕駛功能的 Uber,部分乘客甚至會在叫車時專門追著這種車,希望它能接單。

話雖如此,自動駕駛車輛大量上市的真正阻礙來自商業模式。起碼從目前來看,擁有一輛自己的車比無論去哪兒都要用Uber叫車還是要經濟得多。“單純從計算價格的角度說,不如買車划算。”施耐德說:“一旦自動駕駛車輛成功了,一定會遍地開花……到那時候就沒有必要買車了。”

K@W》授權轉載

【延伸閱讀】

 
週餘
 
 
分享文章
分享至 Line
分享至 Facebook
分享至 Twitter
收藏 已收藏
很開心您喜歡 K@W 的文章, 追蹤此作者獲得第一手的好文吧!
K@W
分享至 Line
分享至 Facebook
分享至 Twitter
地圖推薦
 
推薦您和本文相關的多維知識內容
什麼是地圖推薦?
推薦您和本文相關的多維知識內容