其他

自動駕駛沒那麼簡單

你是否也被車商洗腦,認為無人車時代即將來臨? 事實上受限於軟體研發,自動駕駛有層級之分,並非一蹴即成。即將問世的自動駕駛車,可能和你想像的不一樣!

撰文/沙拉多夫(Steven E. Shladover)
翻譯/周坤毅

其他

自動駕駛沒那麼簡單

你是否也被車商洗腦,認為無人車時代即將來臨? 事實上受限於軟體研發,自動駕駛有層級之分,並非一蹴即成。即將問世的自動駕駛車,可能和你想像的不一樣!

撰文/沙拉多夫(Steven E. Shladover)
翻譯/周坤毅


重點提要
■汽車工業與媒體過度推銷自動駕駛汽車。即使是簡單的突發狀況,對電腦來說也是極大挑戰,因此無人車在未來數十年內都不可能成真。
■問題特別大的,是在緊急狀況時需要人類介入的自動駕駛系統。不過未來十年內,自動駕駛系統將能在特定環境與應用條件下實現。
■自動代客停車、低速校園公車、緊密排列的重型卡車車隊,以及行駛在特定車道上的高速公路自動駕駛系統,不僅可行,而且即將成真。


很快地,電腦將能隨時駕車載我們前往任何想去的地方,而且絕對安全,如果這輛車不用左轉穿越車流的話。然而路況可能會出現問題,雪和冰也會造成麻煩。如何避免撞上交通警察、導護人員及閃避救護車至關重要,而在市區,行人可能隨時會跑到車子前方,所以我們還是走路或搭捷運就好。


這些事是人類駕駛每天都會遇到的簡單突發狀況,對電腦來說卻是重大問題,我們得投入大量時間、金錢與心力才能解決,但越來越多人相信,全自動無人車時代即將來臨。


是誰造成這些誤解?問題之一來自我們使用的術語。主流媒體任意使用「自動」(autonomous)、「無人」(driverless)與「自動駕駛」(self-driving)等字眼來描述各種不同科技,混淆了這些術語的重大差異。但汽車工業並未協助釐清,汽車製造商、設備供應商與科技公司的銷售人員也精心撰寫文宣,鼓勵大眾過度解讀其產品的自動化程度。記者為了引人注意,總是報導最樂觀的預測。互相炒作下,造成民眾不切實際的期待。


這些誤導令人遺憾。因為即將問世的自動駕駛系統,能拯救生命、減少污染並節省燃料,但是可能和你想像的不一樣。


什麼是自動駕駛?


駕駛是一種遠比多數人所理解更複雜的活動,需要各種不同技巧與動作,其中有些很容易自動化,有些則較為困難。在開放道路上維持定速相對簡單,這也是為什麼傳統定速巡航控制系統已存在十幾年。


隨著科技進步,工程師得以把更多駕駛任務自動化,例如目前已廣泛配備的「主動式定速巡航系統」,能自動維持車速並與前車保持適當距離;配備在新款賓士(Mercedes-Benz)與Infiniti汽車上的「車道偏移輔助系統」,能利用攝影機、感測器與轉向控制讓汽車自動保持在車道中央。現在的汽車十分聰明,但距離全自動駕駛還有很長一段路要走。


國際汽車工程師學會(SAE International,前身是美國汽車工程師學會)定義的五級分類法(參見右頁〈自動駕駛也有「分級制」〉),對於釐清何謂自動駕駛非常有幫助。


在此分類法中,前三級的科技(完全不具自動化的第零級除外)仰賴人類在緊急狀況時介入,例如主動式定速巡航系統、車道偏移輔助系統便屬於第一級;第二級系統整合第一級系統的數種功能,例如車道偏移輔助系統的橫向控制與主動式定速巡航系統的縱向控制,以完成更複雜的自動駕駛任務,這是市售車目前達到的最大自動化程度;第三級系統則允許駕駛人在特定狀況下(例如高速公路塞車時)開啟自動駕駛。


接下來兩級完全不需要人類協助,因此是截然不同的系統。第四級(高度自動化)系統能應付各種駕駛任務,但只能在嚴格界定的範圍內操作,例如封閉停車場或高速公路上的專用道。分類法中最高的第五級是全自動駕駛車;許多人聽到Nissan汽車執行長戈恩(Carlos Ghosn)信心滿滿宣佈無人車將在2020年上路時,心裡想的大概就是這種全自動駕駛車。


事實上,沒人預期第五級的全自動駕駛系統能這麼快問世,我們極有可能還要等很久,而第三級系統同樣遙遙無期。第四級系統則可望在十年內實現。要澄清這些誤解,我們得從軟體說起。


軟體不強大,工程師很頭大


人類駕駛避免嚴重車禍的能力其實十分卓越,這與一般人的認知不同。根據2011年全美交通安全統計資料顯示,人類駕駛平均每330萬小時才會發生一次致命車禍,將近每6萬4000小時才會在車禍中受傷。這些數據替自動駕駛系統樹立重要的安全標竿,畢竟自動化機器至少得比人類更安全。但鼓吹自動駕駛的人不願承認的是,想達成這種安全程度,還需要大量的研發工作。


想想看你的筆記型電腦多常當機?如果負責駕駛汽車的軟體出現「藍色死當畫面」,那可不是重開機便能解決的,軟體的執行速度只要延遲1/10秒,便足以導致交通意外。因此自動駕駛軟體的設計與研發,必須達到與現有消費性電子產品完全不同等級的安全標準。


達到這些標準十分困難,需要在軟體工程與資料處理上取得突破性進展,工程師需要軟體設計的新方法,確保在快速變化的複雜情況下,也能安全正確執行。目前已研發出在撰寫程式前便能分析所有失效模式的標準方法(類似電腦程式的數學證明),但是只適用於非常簡單的應用。科學家才剛開始摸索如何擴大這類測試,來驗證這些控制全自動駕駛車所需的極度複雜程式。


程式寫好後,軟體工程師還需要除錯並驗證程式的新方法,但現行做法相當繁複且昂貴。舉例來說,新型商用或軍用飛機的研發費用,有一半花在軟體檢查與驗證上,然而自動駕駛車所需的軟體遠比飛航軟體更複雜。設計自動飛航系統的工程師知道,幾乎不必考量附近其他飛機。因為雙方距離夠遠,有足夠反應時間,因此系統不必知道其他飛機的精確速度與位置。但自動駕駛車必須追蹤附近的數十輛汽車和障礙物,並在1/10秒內做出決定,因此所需的程式比飛航軟體複雜好幾個數量級。


完成程式驗證後,製造商還需要新方法來證明全自動駕駛系統的安全性,以說服風險評估人員、保險公司、安全代表、主管機關,當然還有顧客。目前正式驗收測試的做法太不切實際:測試人員必須累積上億甚至數十億英里的里程數,才能確保在統計學上涵蓋數以千計消費者日常駕駛時可能遇到的危險情境。研究人員已開始思考解決之道,例如德國政府與企業展開一項耗資數百萬美元的計畫,希望解決這個問題,但這些行動才剛開始。


這類有如汽車大腦的控制程式,並非唯一必須經過檢查的元件,提供資料給大腦做決定的感測器同樣也要詳細檢查。工程師必須發展出新的感測器訊號處理與資料融合演算法,能以幾乎為零的偽陰性(未辨識出的危險物體)與極低的偽陽性(誤判為危險的安全物體,會造成汽車不當閃避或緊急煞車)分辨汽車行進路線上的安全與危險物體。


汽車工程師無法像商用飛機一樣強制加裝備用系統來解決問題,因為自動駕駛車是消費性產品,必須讓一般民眾也負擔得起。人工智慧(AI)不一定有用,有些人建議採用機器學習系統,讓自動駕駛車學習數百萬小時的駕駛資料,並在產品使用期間持續學習。但非確定性的機器學習系統會帶來其他問題:在生產線上完全相同的兩輛車,在路上遭遇不同的交通狀況,一年後它們的自動駕駛系統反應會截然不同。......