John Dolan：L5級自動駕駛仍然遙遠

本 刊

2020年8月13—15日“2020中國汽車論壇”之分論壇“智能網聯汽車創新發展與產業生態的升級”上，許多演講嘉賓從不同角度闡述了智能網聯汽車的發展進程和存在的問題及對策。近期，編者偶見一文，該文從另一角度闡述了自動駕駛汽車的技術難點和發展前景。該文來自36氪官方賬號，于2019年11月26日上傳。下面為原文轉載(編者對個別詞句略有編輯)：

美國卡耐基梅隆大學(CMU，Carnegie Mellon University)擁有世界頂尖的計算機科學學院，而不為人所知的是，CMU也是當代自動駕駛技術的發源地——1984年CMU校內第一代Terregator的誕生(有人認為，“Terregator” 為世界上第一輛自動駕駛汽車，編者注)，奠定了自動駕駛“自主識別和駕駛”的baseline(基礎，參照物，編者注)，也開啟了CMU在此基礎上長達30余年的自動駕駛研究征程。在自動駕駛的影響力名錄上，CMU的學生和校友也占據著絕對份額：被譽為“自動駕駛之父”的Sebastian Thrun曾是CMU機器人學習實驗室的助理教授和主任；通用汽車視覺系統的BFO(BOM Family Owner)張文德曾是CMU 無人車團隊的主力成員之一；而放眼創業公司，CMU也是當代自動駕駛技術的發源地——“幾乎所有的自動駕駛汽車項目都與Pomerleau教授以及CMU的Nav lab有著千絲萬縷的聯系”。

日前，36氪（36Kr） 獨 家 對 話CMU Argo Lab人工智能無人駕駛研究中心首席科學家John Dolan，他從學者角度分析了自動駕駛的技術難點和發展前景，介紹了學界對自動駕駛的研究現狀。其核心思想是：自動駕駛的技術攻堅存在“最后5%”的長尾問題，L5級自動駕駛仍然遙遠。下面是對專訪內容的整理。

圖1 CMU Argo Lab人工智能無人駕駛研究中心首席科學家John Dolan

按照國際通用標準，根據智能化程度的不同，自動駕駛汽車可以被分為5個等級：L1-輔助駕駛、L2-部分自動駕駛、L3-有條件自動駕駛、L4-高度自動駕駛、L5-完全自動駕駛(無人駕駛)。通常所說的“自動駕駛”，一般指L3及以上的高等級自動駕駛汽車。

從全球范圍來看，L1、L2級別的自動駕駛汽車已經實現了大規模量產。而踩在“自動駕駛”實現邊緣的L4級自動駕駛汽車目前卻仍處于測試階段，或“在限定區域、限定人群”的小范圍應用階段。

“很多公司在過去幾年一直在向外發聲：‘我們距離自動駕駛很近了(we are really close to auto-driving)’或者‘我們將在未來20年內實現自動駕駛’，然而事實并非如此。”在John Dolan看來，真正意義上的L5級別的“自動駕駛”，仍然非常遙遠。問題來自2方面：底層技術和真實應用場景。

1.技術攻堅：“最后5%”的長尾問題

“學界的共識是，我們已經在高速公路場景中很接近‘自動駕駛’，但我們距離在城市中實現自動駕駛還很遠(we are pretty far from having cars in cities)。”

討論認為，當前的自動駕駛體驗為：人們不再需要注意路障。然而這個簡單的需求，實際上需要一個整合的系統去滿足，而想要使用一個完整的計算機系統去處理所有實際場景中可能出現的問題，難度極大。在John Dolan教授看來，2006—2007年，學界劃定的關于自動駕駛的研究已經形成了相對完整的架構，學界和產業界的理論架構是：

(1)高層：環境感知(mission planning)；

(2)中層：行為決策(behavior planning)；

(3)底層：運動控制(motion planning)。

John Dolan指出：完成上述不同層次的要求，需要不同的技術和算法，并要求整體技術架構要在規模部署下完成系統功能，實現類似人類駕駛的行為。已漸完善的現有技術發展確實拉高了技術的基礎線：如GPS提高了定位和路徑規劃的精準度；深度學習，特別是計算機視覺的發展為自動駕駛提供了更強的支撐。物質(material)的天花板正由制造業和車企一同打破，但自動駕駛作為一個整合的系統，還需要行業整體系統硬件的效率、算力和計算速度的發展。

自動駕駛作為與人緊密相關的日常活動，其整體技術實現要求的不僅僅是算法和軟件的高效運行，還有交互系統的準確運轉。在技術架構的中層，決策系統已經從狹義的車輛行為決策，到要求行車“不僅能根據感知層輸出的信息合理決策出當前車輛的行為，還要了解和預測汽車行駛中的外界環境，預測突發事件”。

人類行為，作為所有模型中的factor X，正在成為自動駕駛中最難攻克的艱深課題。在自動駕駛中，底層架構和大部分技術問題已經被解決，而剩下的5%并未解決的問題，逐漸成為制約自動駕駛發展的決勝手。“最后5%”的長尾問題遍布于零碎的場景、特殊極端情況和永遠無法預測的人類行為，在算法、傳感器、計算平臺和法規的不同層面，困擾著學界和業界。

表1 SAE J3016自動駕駛等級

2.真實應用場景：“毫無價值”的100%實驗準確率

為了更好地實現最后5%的跨越，許多公司選擇增加真實實驗。然而在John Dolan看來，實驗室實驗和真實應用場景的認知差異是巨大的：實驗室數據和模型的精準度和可信度，在現實環境中有可能毫無價值。

圖2 2006—2007年學界劃定的關于自動駕駛的理論架構

實驗室環境的模擬(simulation)只能使實驗環境盡量模擬真實環境，卻始終滿足不了對真實(wild)場景的實驗環境設定；

實驗室場景的算法和系統準確度具有批判性(critical)，科學家們必須不斷優化部署，使算法的可靠性不斷提高，而真實情況往往是：即使滿足了100%準確率的實驗，在現實生活中也不一定可行。

除了實驗室與真實場景的差異，真實場景下也存在差異。“即使在某個城市進行了自動駕駛的成功試驗，也并不意味著我們可以在另一個城市復制成功經驗。不同的社會、城市、駕駛環境和駕駛風格(driving style)都會影響自動駕駛的運行情況。這也是為什么大多數企業始終在堅持在不同場景、不同城市下的進行真實實驗的原因。”

“只有在算法不精準模擬的“最后5%的特殊情況”解決之后，我們才能判定：我們實現了L5級別的自動駕駛”。John Dolan介紹道。

3.可靠性：自動駕駛領域的核心問題

在自動駕駛領域，安全性和可靠性始終是核心問題。

在Uber無人車事故(2018年3月18日晚10點左右，一輛Uber自動駕駛汽車在美國亞利桑那州Tempe市發生交通事故，與一名過馬路的行人相撞)的一年后的今年(2019年11月7日，美官方公布了全球首例無人車致死事故的更多細節)，NTSB發布的一份新報告顯示：Uber(優步)自動駕駛測試車的硬件并沒有出現問題，設計存在缺陷的軟件導致了這起致死事故的發生。Uber的無人車事故警示了一眾無人駕駛公司：安全性問題需要在L5來臨之前得以解決。

目前，自動駕駛主要依靠的是學習機制，機器學習作為其中的重要支撐。而對于現實情況的分析研究才剛剛開始。

當前引入的自動駕駛理論還包括：形式化驗證(formal vertification)，即用數學工具進行定義、開發和驗證(specification, development and verification)。然而自動行駛的實際情況往往遠高于臨時消息檢驗(adhoc message)，即通過及時采取的信息進行計算，并列入預測機制。安全性和可靠性的推動為何如此急切？——因為自動駕駛的發展正在引起大眾的注意，吸引著來自外界的壓力。

政府是最重要的外部力量。高效的可信賴度(high-enough reliability)問題正在被各地的政府強調，而政府部門控制著真實場景的試驗權利。

社會中的道德和心理問題也不容忽視。“全世界每年有124萬人死于交通事故，其中91%的死亡交通事故發生在低收入和中等收入國家。自動駕駛能否改變交通事故的傷亡人數？人們的心理(預期)或不大相同。”John Dolan介紹，“人們希望機器能比人犯更少的錯誤，雖然這類期望(Expectation)并沒有不對。”而在長途卡車運輸已經成為自動駕駛的最佳舞臺的當下，自動駕駛的安全性和可靠性也與運輸成本、運輸效率掛勾：理想化的狀態是，自動駕駛卡車能提高遠程運輸的有效性，并將貨物安全送至目的地，而不是因為事故造成大宗貨物損失。

這就涉及到自動駕駛可靠性和安全性的另一個維度——經濟效應。自動駕駛的影響是雙向的：當自動駕駛深入街道，駕駛員的生存和就業空間會受到影響；另一方面，自動駕駛的服務仍然是高價的，并非所有人都能支付該服務；自動駕駛的不穩定性也會影響乘客的支付意愿：“一個并不穩定或安全的自動駕駛服務，是否值得我購買？”

4.競爭：領先地位與后發優勢

1)CMU及科創企業的領先地位

在自動駕駛發展過程中，學界的重要性是不言自明的。學界為產業界輸送的不僅僅是技術研究，更多的是優質的人力資源。

作為自動駕駛的“黃埔軍校”，CMU的自動駕駛合作伙伴名單上既有Uber、Argo AI此類自動駕駛科技公司，也包括通用等大型車企。來自CMU的畢業生創業公司更占據了自動駕駛創業公司的半壁江山——John Dolan教授于2007 DARPA城市挑戰賽(DARPA Urban Challenge)中帶領了CMU無人車團隊(Carnegie Mellon's Tartan Racing Team)，而僅從該競賽隊里，就走出了多家自動駕駛獨角獸或新銳公司(創始人)：包括Argo AI創始人Bryan Salesky、Aurora創始人Chris Urmson、Cruise創始人Kyle Vogt、Zoox創始人Jesse Levinson。

在John Dolan看來，當下的校企合作有利有弊：優勢在于：學校可以分享實驗數據，弊端在于：出于數據安全和商業機密考慮，以及競爭性考慮，大多數行業巨擘會保留部分實驗數據和結果。來自硅谷的大型企業往往雄心勃勃，它們具有極強的AI人才優勢、大筆的融資和極強的算力支持，但這些硅谷企業往往容易出于商業考慮，而忽視技術的穩定性和可信度，這與實驗室內科學家們的嚴謹精神存在沖突。“我們需要堅持我們的追求”，John Dolan笑道。

2)中國市場的后發優勢

在自動駕駛的先發企業競速之外，中國市場正憑借巨大的市場潛能和雄厚的資本展現出后發優勢。

從John Dolan的學者角度來看，中國的很多參與自動駕駛研究的企業正在沖擊自動駕駛的格局：2019年9月，安波福(Aptiv)全球工程副總裁韋峻青宣布加入滴滴自動駕駛公司任CTO，向CEO張博匯報。韋峻青也是John Dolan的學生。而在36kr最新發布的2019 年“新經濟之王”榜單中，小馬智行、文遠知行榜上有名，其中，小馬智行創始人張一萌、文遠知行技術SVP鐘華均為CMU校友。

談及中國市場，John Dolan說：“我們認為向好的進步正在發生。中國的自動駕駛曾落后于美國，但巨頭驅動的中國市場無疑會迅速發展。”

2018年麥肯錫未來出行研究中心的報告顯示，“中國未來可能成為全球最大的自動駕駛市場，直至2030年，自動駕駛相關的新車銷售及出行服務創收將超過5 000億美元。”目前，大量的中國企業正著手開發自動駕駛技術架構的核心要素，包括激光雷達、攝像頭、處理器、軟件和地圖/基于位置的服務等。2012—2017年期間，約有70億美元的風險投資投入到中國的自動駕駛技術企業，這一數額與在同期投資于美國初創企業的金額相當。中國的平均交易規模是7 200萬美元，是美國平均交易規模的2倍。