自动驾驶事故权威揭秘：算法和软件错误太多

编者按：自动驾驶生态系统需要攻克的首要课题就是安全问题。



自动驾驶发展就好比是登月计划。从传感器到人工智能，经典的电子供应链已经形成了一个协作矩阵，致力于实现自动驾驶车辆的安全性。为此，还需进行大量硬件和软件开发工作，以确保驾驶员、乘客和行人受到保护。

尽管机器学习和 AI 可以发挥作用，但其有效性取决于输入数据的质量。因此，除非自动驾驶车辆建立在高性能、高可靠度传感器信号链的基础上，始终提供最准确的数据作为生死决策的依据，否则便不能被认为是安全的。

就像最初的登月一样，在通往安全自动驾驶车辆的道路上还存在许多障碍。

最近发生的涉及自动驾驶车辆的事故助长了唱反调者的声势，他们认为车辆及其行驶环境太复杂，变数太多，而算法和软件仍然错误太多。对于参与了 ISO26262 功能安全合规性验证的任何人来说，他们对此持怀疑态度是可以理解的。

这种怀疑态度有相关数据的支持。

下图比较了 2017 年-2018 年在硅谷测试的五家自动驾驶车辆公司的实际行驶里程数和脱离自动驾驶模式的次数（图 1）2019 年的数据尚未汇总，但个别公司的报告可在网上查阅。

但是目标已经很明确，当务之急是要在自动驾驶即将到来之时，保障至关重要的安全性。

加州车辆管理局（DMV） 2018 年的非官方数据显示，同等英里数下，自动驾驶模式的人为接管次数正在减少，这也表明自动驾驶系统正变得越来越强大。而这种趋势需要进一步加快。

通过将协作和新思维放在第一位，汽车制造商将直接与芯片供应商洽谈，传感器制造商将与 AI 算法开发人员讨论传感器融合。而软件开发人员将与硬件提供商建立联系，充分发挥两者的优势。旧的关系正在改变，新的关系正在动态地形成，以优化最终设计的性能、功能、可靠性、成本和安全性。


（图 1）五大自动驾驶制造商在加州的测试数据：每次脱离人为接管后自动驾驶系统的平均行驶英里数（2017 年 12 月至 2018 年 10 月）。

在这段时间内，总共有 28 家公司主动在在加州的公众道路上对车辆进行了测试。期间，在自动驾驶模式下共行驶 2,036,296 英里，发生 143,720 次人为接管。

生态系统正在寻求合适的模式，以便在此基础上制造和测试全自动驾驶车辆，用于快速涌现的新应用，如自动驾驶出租车（robo-taxi）和长途货车。在此过程中，高级驾驶辅助系统（ADAS）所使用的传感器不断改进，使得自动化程度快速提高。

这些传感器技术包括摄像头、激光探测与测距（LiDAR）、无线电探测与测距（radar）、微机电传感器（MEMS）、惯性测量单元（IMU）、超声波和 GPS，所有这些都为人工智能系统提供关键的数据输入，从而驱动真正的自动驾驶车辆。


（图 2）用于 ADAS 感知和车辆导航的各种传感技术往往独立工作，并向驾驶员发出预警，以便做出反应。


（图 3）为了确保自动驾驶车辆的安全，必须充分探测当前和历史状态、环境特性以及车辆自身状态（位置、速度、轨迹和机械状况）。

车辆的认知能力是预测性安全的基石

车辆的智能化程度通常用自动驾驶级别来表示：L1 和 L2 主要是预警系统，而 L3 或更高级别的车辆被授权控制以避免事故，随着车辆发展到 L5，方向盘将被取消，车辆完全自动驾驶。

在最初的几代系统中，随着车辆开始具备 L2 功能，各个传感器系统独立工作。这些预警系统误报率较高，带来了不少麻烦，因此经常被关闭。

为了实现具有认知能力的全自动驾驶车辆，传感器的数量将显著增加。此外，性能和响应速度也必须大幅提升（图 3、图 4）。

将更多传感器安装在车辆上后，还可以更好地监控和分析当前机械状况，如胎压、重量变化（例如，负载和无负载、一名乘客或五名乘客），以及可能影响制动和操控的其他磨损因素。

有了更多的外部传感方式，车辆可以更充分地感知其行驶状况和周围环境。传感方式的改进使汽车能够识别环境的当前状态，并了解历史状态。

这来自于 ENSCO 航空航天科学和工程部首席技术官 Joseph Motola 开发的原理。

这种传感能力既可以完成一些简单的任务，例如探查道路状况，识别坑洼位置，也可以进行一些详细分析，比如一段时间内在特定区域发生的事故类型以及事故原因。

在产生这些认知概念时，由于感测、处理、内存容量和网络连接的限制，使它们看起来似乎遥不可及。但现在情况已经大有改观。现在，系统可以访问这些历史数据，并将其与车辆传感器提供的实时数据相结合，以提供越来越准确的预防性措施，避免发生事故。

例如，IMU 可以检测到因坑洼或障碍物引起的突然跃起或偏离。过去，这些信息无处传输，但现在通过实时连接，可将这些数据发送到中央数据库，并用于警告其他车辆有关坑洼或障碍物的信息。

摄像头、雷达、激光雷达和其他传感器数据也是如此。

这些数据经过编译、分析和融合，使车辆能够利用这些数据对其行驶环境作出预判。这使车辆能够成为一台有学习能力的机器，有望做出比人类更好、更安全的决策。


（图 4）自动驾驶等级和传感器要求。

多方面决策和分析

在提高车辆感知方面，现已取得了很大的进展。重点在于从各个传感器收集数据，并应用传感器融合策略，将互补优势发挥到极致，弥补不同传感器在各种条件下各自的弱点（图 5）。


（图 5）每一种传感技术都有其各自的优缺点，但只要有适当的传感器融合策略，它们就可以优势互补并弥补弱点。

不过，要想真正有效地解决行业面临的问题，仍有许多工作要做。例如，要提高摄像头计算横向速度的能力（也就是物体在与车辆行驶方向垂直的路径上移动的速度）。

但是，要实现足够低的误报率，即使是最好的机器学习算法仍然需要大约 300 毫秒来进行横向移动检测。对于在以每小时 60 英里速度行驶的车辆和在车辆前方行走的行人来说，毫秒之差就关系到人员受伤的轻重程度，因此响应时间至关重要。

300 毫秒延迟是由系统从连续视频帧执行增量矢量计算所需的时间造成的。要进行可靠的检测，需要十个或以上连续帧，但我们必须将其降到一个或两个连续帧，以便给车辆足够的响应时间。雷达可以做到这一点。

同样，雷达在速度和物体探测方面也有许多优点，例如对方位和俯仰角的高分辨率，以及「看到」周围物体的能力，但它也需要为车辆提供更多的时间来作出反应。

以 400 公里/小时或更高的速度测定为目标，77GHz 至 79GHz 的一些开发工作取得了新的进展。这种水平速度测定可能看起来很极端，但对于支持复杂的双向车道行驶是必要的，在这种路况中，相向行驶的车辆的相对速度超过 200 公里/小时。

激光雷达可以弥补摄像头和一般雷达的不足，是具有认知能力的全自动驾驶车辆上一个必不可少的组件（图 6）。

但它也面临着挑战。

激光雷达正在发展为经济高效的紧凑型固态设计，可以放置在车辆周边的多个位置，以支持完整的 360˚ 覆盖范围。它与一般雷达和摄像头系统相辅相成，提升了角分辨率和深度感知，以提供更精确的三维环境影像。

但是，近红外波段（IR）（850nm 至 940nm）对视网膜有害，因此其能量输出在 905nm 处被严格调节到 200nJ/ 脉冲。而通过迁移到波长超过 1500nm 的短波红外，这些光由眼睛的整个表面吸收。这样就可以放宽一些限制，调节到每脉冲 8mJ。1500nm 脉冲激光雷达系统的能量级别是 905nm 激光雷达的 40,000 倍，探测距离是后者的 4 倍。

此外，1500nm 系统可以更好地抵御某些环境条件，如雾霾、灰尘和细小的气溶胶。

1500nm 激光雷达面临的挑战是系统成本，这在很大程度上受到光伏探测器技术的推动（该技术如今基于 InGaAs 技术）。

获得高质量解决方案，即具有高灵敏度、低暗电流和低电容，将是 1500nm 激光雷达取得进展的关键技术。此外，随着激光雷达系统进入第二代和第三代，需要使用针对应用而优化的电路集成，以减少尺寸、功率和整体系统成本。

除了超声波、摄像头、雷达和激光雷达之外，其他传感技术也在实现全自动驾驶方面发挥着关键作用。GPS 让车辆能够始终了解自己所处的位置。尽管如此，仍有一些地方无法获得 GPS 信号，例如隧道和高层建筑中。

而这就是惯性测量单元发挥重要作用的地方。


（图 6）全自动驾驶车辆主要依赖 360˚ 检测，需要使用先进的雷达、激光雷达、摄像头、惯性测量单元和超声波传感器

尽管经常被忽视，但 IMU 非常稳定可靠，因为它依赖于重力，而重力几乎不受环境条件影响。它对航位推算非常有用。在暂时没有 GPS 信号的情况下，航位推算可使用来自速度计和 IMU 等来源的数据，检测行驶的距离和方向，并将这些数据叠加到高清地图上。

这使自动驾驶车辆能够保持在正确的轨迹，直到 GPS 信号恢复。

高质量数据可节约时间，挽救生命

和这些传感技术一样重要的是它们的可靠性，如果传感器本身不可靠，输出的信号没有被准确捕获以作为高精度数据提供给上游，那么这些关键的传感器将变得毫无意义，也正应验了那句话，「如果输入的是垃圾，那么输出的也一定是垃圾」。

为了确保传感器的可靠性，即使是最先进的模拟信号链也必须不断改进，以检测、获取和数字化转换传感器信号，使其准确度和精度不会随时间和温度的变化而发生偏差。采用合适的器件和设计方法，可以大幅缓解一些出了名的难题（如偏置温漂、相位噪声、干扰和其他不稳定现象）。

高精度/高质量的数据是机器学习和人工智能处理器得到适当训练并做出正确决策的基础。一般不会有第二次机会让你重头来过。一旦数据质量得到保证，各种传感器融合方法和人工智能算法就可以做出最佳响应。

事实上，不管人工智能算法训练得有多好，一旦模型被编译并部署到网络边缘的设备上，它们的有效性就完全依赖于高精度的传感器可靠数据。传感器模式、传感器融合、信号处理和人工智能之间的这种相互作用，对具有智能和认知能力的自动驾驶车辆的发展，以及保障驾驶员、乘客和行人安全都有着深远的影响。

但是，如果没有高度可靠、准确、高精度的传感器信息（这些信息是安全自动驾驶车辆的基础），一切都毫无意义。和任何先进技术一样，我们在这方面做的工作越多，就会发现更多需要解决的复杂用例。这种复杂性将继续对现有技术构成难题，因此我们期待下一代传感器和传感器融合算法可以解决这些问题。

就像最初的登月一样，我们对于整个自动驾驶车辆推行计划也抱有巨大的期待，希望这将为社会带来深刻的变革和持久的影响。

从辅助驾驶发展到自动驾驶，不仅会大幅提升交通安全性，还会显著提高生产力。而这样的未来完全依托于传感器，其他一切都将建立在传感器基础之上。

亚德诺半导体公司（Analog Devices）对自动驾驶汽车提出的一些看法：

1.驾驶员、乘客和行人安全，自动驾驶 & 如何赢得消费者信任

要想无人驾驶汽车上路行驶，自动驾驶生态系统需要攻克的首要课题就是安全问题——既包括确保实际行车安全，也包括消除人们心中对于安全的担忧。

全自动驾驶预计要到 2030 年乃至更久之后才有望实现，因为还有无数工程方面的课题有待解决。可以说安全问题始终是包括汽车制造商、技术公司、AI 供应商、政策制定者以及学术界在内的自动驾驶生态系统亟需解决的重要议题之一。

要想实现全自动驾驶，首先需要采用多功能系统级的方法，为汽车提供一种实时 360 度安全屏障，通过融合来自摄像头、雷达、激光雷达和高性能运动传感器的数据，使汽车能够准确感知车身周围路况，且始终能够基于安全考量做出正确决策。如今摄像头已成为汽车标配，但为打造这种 360 度安全屏障，雷达和激光雷达等技术势必将成为新一代汽车的标配。

2.传感器技术、IMU、人工智能和机器学习能力技术突破

核心传感器技术对于人工智能导航系统至关重要，包括摄像头、激光雷达、雷达、微机电系统（惯性MEMS）、超声波和全球定位系统（GPS），有助于实现更高级别的车辆自主化。

具备这些功能的汽车能够更好地感知周围环境，这对于解决安全问题至关重要，而安全可谓自动驾驶生态系统最重要的课题。除了支持更强大的车辆感知系统外，这些传感器还能对影响制动和操控的机械状况和相关维护因素进行监控。

要使自动驾驶汽车具备全面认知能力，不仅要将传感器作为标配，还需要大量增加其数量，进而大幅提高性能并缩短响应时间。ADI 正在研究一些用于未来汽车的技术，包括短程和远程激光雷达以及成像雷达解决方案，其可提供差异化的感知检测，明显降低误报率，缩短响应时间，使我们离安全的高度自动驾驶这一愿景更近一步。

目前，业界已将目标着眼于 L3+ 级自动驾驶，这也有助于推进日后 L5 级自动驾驶所需的感知技术的发展。L3+ 级处于 ADAS（1-3 级）和全自动驾驶（4-5 级）这两大类之间，兼顾实用性和高性能。包括全速公路自动驾驶和 AEB+ 技术在内的 L3+ 级应用需要更高性能的传感器来提供支持，让车辆在行驶途中不仅能够制动，还能够进行转向以避免发生交通事故。这种关键的传感器架构将成为构建未来全自动驾驶汽车的基础。

3. 企业如何运用自动驾驶（AV, Autonomous Vehicle）技术赋力商业模式创新

自动驾驶市场的新技术催生了许多令人为之兴奋的潜在商业模式创新。自动驾驶汽车能够简化交通与服务，以安全且低成本的方式造福人类，这是企业和社区和谐运作之根本，也有助于提升易用性和生产力。

基于自动驾驶汽车的功能，一些公司正致力于重新定义人们享用相关服务的方式。从物流用车到公共交通、再到共享出行服务，自动驾驶能够改变人们的出行方式，为人们的出行增添更多选择，并让我们能够更好地利用时间。如今老年人也希望能够随时自由出行，而在自动驾驶汽车时代，他们不用求助于人就能独立出行。

4. 价格负担能力、测试计划、城市先行——现实中我们离实现自动驾驶尚有距离已成为共识。

为实现经济安全的全自动驾驶汽车，我们还需应对许多方面的挑战，诸如技术、基础设施和消费者接受度等。传感和计算技术尚未成为汽车标配，其功能也还需进一步完善，才能实现自动驾驶汽车始终安全行驶的目标。除汽车自身之外，新的基础设施技术，例如车辆间以及车对基础设施通信（统称为「V2X」）也须得到更广泛的部署。

尽管我们尚未实现全自动驾驶，但 L3+ 级自动驾驶兼具卓越的性能与实用性功能，使我们又向前迈进了一步，能够向公众提供更强大的技术。L3+ 级应用所需的高度自动驾驶技术会成为自动驾驶汽车生态系统的重点，因为这一关键的传感器架构将为更广泛地部署全自动驾驶汽车奠定基础。

尽管全自动驾驶车辆目前尚未普及，但其基础技术在其他应用领域正日趋成熟，例如在自动化工业设备领域。技术在这些应用领域不断打磨和发展，日后在成本、尺寸、重量和功耗等方面都将能够满足汽车应用的需求并得以更广泛的应用。