当自动驾驶还未摆脱人类

「它经常会在不合适的时机进行变道，但如果你想拨一把方向盘救个急，它还会和你较劲，非常危险」，「整个过程就像看着自己孩子开车一样，干着急还提心吊胆，搞得压力很大」……

这里的「它」正是特斯拉 Autopilot 。之前美国《消费者报告》(Consumer Reports)曾报道称，更新后的 Autopilot 具备了自动变道的功能，车主可以选择在变道时不进行任何提醒，完全交由机器来抉择。但试驾编辑们在体验后却纷纷吐槽了它。

特斯拉 Autopilot 一直以来都争议不断。一边说它是新手们的福音，杜绝事故的好帮手，另一边却有人抨击它是事故的罪魁祸首。这套系统带来用户体验升级的同时也因为频发的安全事故而备受关注。

不可否认的是，特斯拉 Autopilot 让大家有机会一窥自动驾驶的未来，尽管它离真正意义上的「自动驾驶」还很远。毕竟软硬件的局限导致它最多只能实现 L2 级自动驾驶的能力，而这个阶段中「人」依然是主体，需要机器和人相互配合完成，所以这些关于 Autopilot 的争议全部都可以归属于典型的「人机共驾」问题。

开启了「Navigate on Autopilot」功能的特斯拉车型能够实现自主变道 | Teslarati

在「完全自动驾驶」这个纯技术的难题还未普及实现之前，「人机共驾」问题是所有汽车企业、自动驾驶企业都需要突破解决的另一道难题。

这道难题的核心是「人」这个不确定因素。按照控制权的划分，「人机共驾」又可分为「双驾单控」和「双驾双控」两种模式。前者关注的是驾驶权的交接和人车在主驾、副驾时的问题;而后者关乎驾驶自信，在人车都有控制权的情况下，该相信哪方多一点。

所以要建立一套高效、体验舒适、安全的自动驾驶系统是及其复杂的。原因很简单，机器是必须要和人进行互动的。而且这个互动的过程不光牵扯到机器人学科，还囊括了机器学习、心理学、经济学及政策等领域的问题。同时它也对我们已有的认知和假设形成了挑战：到底人类的表现能有多糟?人工智能又会是多么强大的存在?

MIT 进行的「人机共驾」研究，右上角为试验车辆「Black Betty」| MIT

MIT 之前曾进行过一项关于「人机共驾」的课题研究，从设计和开发「以人为中心」自动驾驶系统的角度出发，提出了七大原则。这些指导原则中并没有把人类本质的复杂性剔除掉，而是将其融合到了整套系统中。这也恰恰是这套课题研究的精髓所在。

实验成果的展示我们可以在一辆叫做「Black Betty」的无人车上看到。它只搭载了摄像头，主要通过机器学习的方式进行外部环境感知，规划决策，驾驶员监控，语音识别、聚合以及管理人机双向操控的无缝切换(语音控制)，方向盘上安装了扭矩传感器。

「人」才是复杂因素?

在过去的十几年里，汽车自动驾驶的能力在逐步提升，迫使政策制定者以及行业安全研究人员开始思考如何为「自动驾驶」定级的问题，目的是借此为相关法律、标准、工程设计甚至是业界交流提供可参考的框架。目前行业内普遍采纳的是美国汽车工程学会 SAE 制定的分级标准，它将自动驾驶分为 L0 到 L5 共六个等级。不过 SAE 对每个级别的定义其实是很模糊的，并不能给出清晰、明确的区别，所以它似乎已经不太适合作为引发行业思考的「砖」了，更像是汽车系统设计开发的一套指导原则。

美国汽车工程学会 SAE 对自动驾驶的分级 | SAE

目前业界对自动驾驶汽车有如下三种普遍的观点：1. 驾驶任务很简单;2. 人类不擅长开车;3. 人类和机器无法做到良好的配合。相较这些观点而言，MIT 的研究则完全朝着相反的方向进行：1. 开车这件事实际上很难;2. 人类是非常棒的驾驶员;3. 让人和智能机器实现高效协作是能够实现的，而且是很有价值的目标。

基于这样的前提和假设，MIT 提出了「以人为中心」的框架并将其应用至人机共驾系统的开发过程中，在执行具体的驾驶任务时将人类与机器的边界完全去掉。与此同时，MIT 还提出了针对人机共驾的「七原则」，讨论了在设计、开发、测试「Black Betty」的过程中如何应用这些原则。

「人机共驾」的七原则

一、人机共驾(Shared Autonomy)

MIT 认为自动驾驶应该分为两个等级：一、人机共驾(Shared Autonomy);二、全自动驾驶(Full Autonomy)。这样的分类方式不仅能够提供有建设性的指导方针，添加必要的限制条件同时还可以对要实现的目标进行量化设定。甚至，对每个类别下要实现的功能、对应的技术需求以及可能遇到的问题都可以划分出来。

这个原则的核心在于对「人类驾驶员在环」的讨论。为了实现对车辆的有效控制，人和机器组成的团队必须共同保持对外部环境有充分的感知。目标是促使整个行业对「人机共驾」和「全自动驾驶」进行清晰地划分。

表 I 「人机共驾」和「全自动驾驶」这两种路径中涉及的技术，包括用于大规模量产时对每项技术表现的等级要求 | MIT

需要指出的是，表 I 中的术语「Good」和「Exceptional」用来表示解决 1% 极端案例的优先级顺序。远程操控、V2X 和 V2I 等并非必须的技术，如果要使用的话需要达到特殊的能力要求。

在实现高等级自动驾驶的方法上，传统思路全程都跳过了对「人」这个因素的考虑，精力主要集中在对地图、感知、规划以及表 I 中「全自动驾驶」一栏标注为「exceptional」的技术上。实际来看，考虑到目前的硬件和算法能力，这种解决方案对高精度地图、传感器套件的鲁棒性要求很高，提供的是较为保守的驾驶策略。

而正如表 I 所述，「以人为中心」的自动驾驶汽车着眼点主要在司机身上。负责控制车辆的依然是人，但前提是要对人的状态、驾驶方式及之前的人机合作经验做充分的考量，同时把车辆的转向、加减速等交由人工智能系统负责。以特斯拉的 Autopilot 为例，之前 MIT 的研究显示，测试中有超过 30% 的行程都是由这套 L2 级驾驶辅助系统控制完成的。而如果人机共驾应用成功的话，应该能实现超过 50% 的机器控制率。在这次实验中，MIT 表示无人车系统在接管过程中呈现出了不同程度的能力，而人类驾驶员始终在密切关注着机器的动态，根据感知系统获得的信息及时预测可能发生的危险。

二、从数据中学习(Learn from Data)

（编辑：甘孜站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!