過去一年半以來，科技業者(還有媒體)忙著促成全自動駕駛車輛的即將實現，卻漠視了無數揮之不去的、關于自動駕駛的“未知”……

Uber的自動駕駛車輛上個月在美國發生撞人致死案件，筆者當時寫了一篇報導“自動駕駛車們，請先跑完仿真再上路測試好嗎？”；在文章發表之后，高通(Qualcomm)的人工智能(AI)研發業務開發負責人Rick Calle做出回應，問了我以下的問題：

Uber撞人事件是第一場悲劇，我們該如何讓它變成最后一場？我非常確定他們也用了仿真軟件，但大家是否仿真了傳感器故障的情況、因為距離使得光達(Lidar)采樣稀疏的效應，還有其他不可預測的事件？

Calle的問題指出了測試自動駕駛車輛絕非易事，要驗證自駕車不只是能運作，各種功能還必須安全運作，需要前所未有的工程嚴謹度；測試人員不僅得確定需要模擬的內容，也要確保模擬過程使用了高保真度的感測數據。接著必須擬定測試計劃，以便為車輛供貨商提供足夠可證明的安全性能指針。

不過，在了解模擬/測試方法的細節之前，知道一件事情很重要──我們今日所知的“自動駕駛”仍然不成熟。

美國卡內基美隆大學(Carnegie Mellon University)教授Philip Koopman在最新的一篇部落格文章中寫道，在Uber事故導致行人Elaine Herzberg身亡的并非全自動駕駛車輛，她是受害者，是因為一輛仍在開發階段的“未經實證的測試車”，還有“應該要確保技術故障不會導致傷害的那個安全駕駛”。

讓我們一起想想…過去一年半以來，科技業者(還有媒體)忙著促成全自動駕駛車輛的即將實現，卻漠視了無數揮之不去的、關于自動駕駛的“未知”；這里的“未知”，我指的是自動駕駛車輛所衍生出的、科技產業幾乎還未開始處理的議題，更不用說提出因應策略。

我們詢問過數個產業界消息來源──從算法開發者、測試專家，到嵌入式系統軟件工程師，他們仍認為開發“安全的”自動駕駛車輛是一個不確定的議題或挑戰，雖然他們的回答各異，卻都坦承自駕車還有很多議題，有待來自科技與汽車產業的回答。

預測性感知

自駕車技術開發商DeepScale執行長Forrest Iandola在談到Uber事故時表示，除非Uber公布行車紀錄器以外的數據──包括車上的雷達與攝影機在事故發生時所看到的──外界人士可能永遠不會知道事故發生原因：“我們需要透明的信息，不然很難知道他們的感知系統、動作規劃或是地圖繪制等功能究竟哪里出錯。”

DeepSale是一家成立于2015年的新創公司，專門為先進駕駛輔助系統(ADAS)與自動駕駛車輛開發深度學習感知軟件；根據該公司已經學到的經驗，Iandola解釋，大多數為自駕車設計的感知系統是產業界與學術界“精心打造”，舉例來說，光達已經可以清楚辨識3D目標物的形狀，同時自駕車的“語義”(semantic)感知在物體分類方面也有所改善。

不過仍缺乏的，是“預測性感知”(predictive perception)；Iandola指出：“預測性感知技術的研發幾乎還沒開始。”

舉例來說，如果自駕車不能預測某目標物在5秒后的可能位置，就不能決定是否該煞車或轉向，甚至是在看到該目標物體后。“在運動規劃與預測性信息之間需要一個標準接口，”Iandola表示：“如果這個問題沒有解決，我得說要實現Level 4自駕車真的很困難。”

極端案例能模擬嗎？

在公開道路上測試自動駕駛車輛之前的模擬顯然非常重要，但更重要的是實際上如何模擬。安全自動駕駛車輛系統開發商Edge Case Research共同創辦人暨執行長Michael Wagner表示，對自駕車開發者來說有一個壞消息是，盡管累積了數十億英哩的模擬駕駛里程，也不一定能涵蓋自駕車可能遭遇的所謂“極端案例”或“邊緣案例”。

在過去幾年，深度學習芯片供貨商耗費大量資源，宣傳深度學習算法可能實現全自動駕駛系統，這種算法可能讓自駕車發展出類似人類的能力，能在不需要知道每一種可能情況的前提下識別不同圖形。

依賴深度學習的自動駕駛系統能被訓練，發展出類似人類的能力（來源：Drive Safely）

不過來自反面的聲音是，當機器學習或深度學習系統遭遇以往未見過的事物──被稱為長尾(long tail)或離群值(outlier)──會被“嚇到”；而人類駕駛在面臨實在異常的狀況時，至少會有的反應是覺得奇怪，他們知道在某種程度上需要有所反應，而機器則可能不會記錄極端異常的情況，會繼續往前走。

Wagner表示，Edge Case Research專注于建立這樣的極端情況，以納入仿真軟件平臺；他坦承一切還在早期開發階段，該公司的平臺代號為“全像”(Hologram)，目標是將實體車輛所行駛過的每一英哩轉化為數百萬計的可能場景，盡可能快速且安全地根除“未知的未知”。

要為自動駕駛車輛建立這種“極端案例”并不簡單；Wagner指出，在歐洲有一個名為Pegasus的項目利用了一種數據庫方法來確保自動駕駛安全，但挑戰在于該項目的某部份場景，可能對神經網絡來說不一定重要。

Wagner表示，也就是說，我們其實并不知道神經網絡會發現什么難題或不容易處理的情況，更別說為何神經網絡會有那樣的行為模式：“隨機性對于建立異常案例非常重要，我們利用實際的場景，在影像上做不少變化，然后在我們的Hologram平臺上進行細微修改。”

他將Hologram形容為一個試驗專案：“我們正在向投資者推銷這個平臺，以擴大它的規模。”而自動駕駛系統帶給汽車業者的最大沖擊，就是軟件內容不斷膨脹…