特斯拉|动物出没，小孩跑过：自动驾驶拼尽全力想突破的“边缘”是什么？( 二 )

“20%的问题”无法消除的原因在于，一方面，道路交通本身的复杂性决定着道路环境的不可控性，完全稳定、没有突发情况的状态无法得到保障；另一方面，由于交通本身重要的地域特性，不同地区往往会呈现出完全不同的道路环境。
比如，在中国大部分地方，野生动物出现在道路上的概率极低，一般情况下自动驾驶的车辆没有机会学习和识别这样的情景。但是在一些国家和地区，道路上出现鹿、狮子、熊等野生动物的概率相对中国较高，这时，一辆基于中国道路的自动驾驶汽车所面临的风险将会升高。

文章插图
反过来，由于中国道路交通拥堵情况以及包括机动车参与者之间的交互行为更复杂，在国外测试的车辆在中国道路上行驶也将面临着更多的不确定性。正如有人所调侃的那样，“在美国道路上得跑好几周的数据，在北京五环路上跑一圈就有了。”
边缘情况难以解决，在一些危险的突发情况下，人类似乎把一些过大的权利交给了自动驾驶系统。
例如，随着自动驾驶车辆的出现，一个与曾经被人们广泛讨论的“电车难题”相类似的“隧道困境”出现了：一辆自动驾驶的汽车载着乘客正准备进入隧道，突然跑出来一个孩子，此时，单靠刹车已经来不及使汽车减速从而保证孩子的存活。在这样的情况下，车内车外的生命天平似乎掌握在了自动驾驶系统的手上，而自动驾驶又到底该如何做出决策？

文章插图
“电车难题”
“隧道困境”并没有一个标准答案，行业能做的，只有尽可能缩短自动驾驶的反应时间、提高自动驾驶的判断准确性，让更多的边缘情况能提前被预判、被解决。
搭建仿真世界
从技术上来说，边缘情况指的是一套系统中一个参数或是条件为极值，在这样的极端情况下，系统就会呈现出某种不正常的状态。在自动驾驶领域，当特殊或突发情况发生时，一辆无法及时合理地捕捉并辨认障碍物和环境的自动驾驶汽车，很有可能造成事故的发生以及人员的伤亡。
要解决边缘情况，实际上就是要确知自动驾驶的能力边界。目前，确知能力边界有三种方式，分别是仿真测试、封闭道路测试和公共道路测试。
其中，仿真测试因其较高的效率和安全性，越来越被各大厂商看重。其意义在于，现实生活中80%的场景都是正常情况，而这些正常情况对于机器处理边缘情况的能力并没有帮助，仿真系统则正可以通过模拟发生几率为20%的边缘情况，来提升机器的学习效率。

文章插图
图片中“来源困难”、“标注困难”、“处于闭环中”的数据，正是边缘情况的主要体现（来源：特斯拉）
在最近的AI日上，特斯拉公布了自己的一套仿真系统。本来，涉及到自动驾驶，马斯克总是对于市面上流行的事物显得“不感冒”。无论是从其始终坚持的纯视觉感知路线上，还是从其对于自动驾驶仿真系统的态度上，都不难看出这一点。
两年前，马斯克对仿真系统的态度是，没有什么模拟技术能媲美摄像头采集场景下的真实性和复杂性。而两年后，马斯克和他的特斯拉一改此前态度，对仿真测试加大投入，这也一定情况下说明了业内的主流方向。

文章插图
特斯拉仿真系统
马斯克又一次打脸的原因，或许是自动驾驶要求的测试里程实在太大。特斯拉AI日上公布的数据显示，其Autopilot 仿真器中建立了 2000 英里长的道路，已经有 3.71 亿张模拟图像和 4.8 亿个立方体；最早一批提出仿真系统的Waymo达到了现实场景2000万英里，仿真超 100亿英里的级别。