汽車安全輔助駕駛測試(被吹上天的城市領航輔助駕駛)
2023-07-17 16:29:48
前一陣特斯拉自動駕駛造假的事情,各位都有所耳聞吧。
2016 年特斯拉公布了一段視頻,裡頭的 Model X 搭載了 Autopilot 系統,全程無人駕駛開到終點,絲滑的一批。
結果呢,這些畫面被曝出都是剪輯拼接的,特斯拉只是想靠著它騙一波投資和股價罷了。
我說為啥看著這麼科幻呢,原來真的是編的。
不過,這個在當時極其離譜的功能,放到現在卻並不難。不信?你看,這是某自主品牌自動駕駛系統的路試鏡頭:
這是另一個:
就連翻車的特斯拉,現在也能部分實現當時吹的牛逼了:
上面這些能夠實現點到點自動駕駛的功能,有個專門的名字叫 NOA ( Navigate On Autopilot ),直譯過來就是 「 導航輔助自動駕駛 」 。
NOA 最近可是太火了。有多火呢,這麼說吧,幾乎所有新能源品牌,都宣稱會在今年 OTA 推送 NOA 功能,比如理想、小鵬、極氪等等。
從大趨勢看,NOA 應該就是近幾年自動駕駛領域最炙手可熱的香餑餑了。因為 NOA 的落地,很可能是我們離所謂 「 自動駕駛 」 最近的一次。
所以,到底啥是 NOA ?NOA ,學名領航輔助行駛,是目前最符合 L3 級自動駕駛定義的功能。從直譯就能看出來,它跟導航和自動駕駛多少都沾點。簡單來說,有了 NOA ,我們只需在導航上定好起點和終點,車子就能自己開過去。
而根據使用場景的不同, NOA 還被分成了兩個細分方向,一是高速 NOA ,二是城市 NOA 。
我們先來看高速 NOA 。顧名思義它的適用場景是高速行駛。打開以後,車子就可以自動完成超車、變道、跟車、上下匝道等操作。
就好比咱們放假開高速回家,往常的做法呢,是在出發前定好導航路線,然後一路聽著導航指示開。
說簡單也簡單,說累也是真的累。因為得時刻關注車道和路口怎麼走,要是下錯高速出口,還得繞一大圈遠路。
而在打開高速 NOA 以後,只要車子上了高速就可以讓它完全自己操作。走哪條道、從哪個出口高速 NOA 也能提前規劃好,走錯是不可能走錯的。
下了高速之後,城市 NOA 就該起作用了。
和高速 NOA 比起來,城市 NOA 能夠實現的操作要複雜許多,相對會更接近我們理解中的自動駕駛。
就比如晚高峰下班的時候,只需在上車以後定好從公司回家的路線,剩下的交給城市 NOA 就好。遇到堵車,它能讓車子在正確的車道上自動跟車、併線;遇到十字路口,它能根據紅綠燈的情況安全通過;甚至,在到家了以後,還能找到車位並停好。
計程車:我免費了!
不過,雖然 NOA 看著很美好,想要做好卻並不簡單。拆開看,NOA 其實就是一些常用功能的組合。
比如高速 NOA ,就是自適應續航、車道保持和自動變道等功能的疊加。這些技術已經比較成熟,所以,它的實現難度並不高。
但城市 NOA 則完全不是一個 LEVEL ,難度,超級大。
因為城市 NOA 需要處理的場景不僅量大,還經常不按常理出牌。
就比如,路口,不一定是橫平豎直的,有可能是奇形怪狀的。行人也不是一直都在人行道上走,還有可能突然竄出來一隻狗啥的...
這,大概就是亂紀元吧( 來自周文王的肯定 )...
這麼說可能不太直觀,我們來看看對比。這是高速 NOA 眼中的路況,簡單寬敞,輕鬆寫意:
而這,是城市 NOA 眼中的路況,肉眼可見的難度 Max :
想要搞定這樣的環境,首先得保證儘可能 「 看清 」 周邊環境是個啥情況,其次還得高效地處理分析裡面的信息,然後才能告訴車輛應該怎麼操作。
所以呢,同樣是功能疊加,城市 NOA 需要的是高精度感知硬體當 「 眼睛 」 、高算力晶片當 「 大腦 」 以及合理的軟體算法當 「 邏輯 」 。三者一同發力,才能保證系統安全運行。
這麼一看,如果說高速 NOA 是智能駕駛的高考,那城市 NOA 絕對就是奧賽水平了。
而奧賽的最後一道大題,無疑就是數據收集。
既然是奧賽,那肯定就得備考。目前想要實現自動駕駛,需要通過 AI 學習的方式。也就是讓它了解人們的駕駛習慣,然後再上手操作。
其實就是先看書,再考試。NOA 背後也是這個道理。
但問題就在於,書上的知識從哪來。
大部分廠家的做法呢,是先把AI 放到模擬環境裡練上一段時間,類似於考駕照的時候會先讓學員在駕駛模擬器裡開上一會,而後再上路測試。
甚至,還有公司用那個遊戲來驗證自動駕駛的算法就離譜。
這樣做,也確實能在短時間內獲得相當多的模擬數據,儘快搭建起自動駕駛系統的基礎。
就比如美國的自動駕駛公司 Waymo ,截至目前就已經累積了接近 200 億公裡的模擬訓練數據。
相比之下,現實道路的行駛僅有 1600 多萬公裡,很明顯前者的效率要高得多。
模擬測試乍一看挺合理,卻存在著一個非常致命的問題,那就是它無法完全再現現實世界的情況。
舉個例子,按理來說在開闊道路上,所有車都應該按車道前進。誒,但有時候就會有車突然變道給你來上個驚嚇↓
再比如,本應禁止行人通過的機動車道,有時候也會突然竄出人來↓
這類比較極端事件,被稱作Corner Case 長尾事件。它們極少出現,但一定會出現,還不知道會怎麼出現。對於照著書本答題的自動駕駛來說,這確實有點超綱。
最有代表性的例子,就是 2018 年 UBER 無人車的事故。
當時 UBER 無人車就是在開闊道路上正常行駛,但是當推著自行車的行人橫穿馬路時,由於沒有考慮到橫穿馬路的情況,系統並沒有將其識別為人,而是一個相對靜止的車輛,這才導致了事故的發生。
想要比較好地解決長尾場景,也只有一個土辦法:碰上了再說。這就意味著不管模擬多久,還是得儘可能多的上路測試。
但因為實際路測的效率較低,所以對於目前的自動駕駛而言, 「 高效的辦法不合理,合理的方法不高效 」 是一個致命的死循環。
所以,即使是像 NOA 這樣 「 有條件的自動駕駛 」 ,想要實現安全地讓車輛自主操作,也是一定需要經過長時間、大量的實際路測才能經歷儘可能多的極端情況。
說到底,這是個時間問題。
為了搞定數據問題,車企們自然也是各顯神通。
就比如特斯拉就用上了 「 人海戰術 」 ,每一臺車都配有 「 影子模式 」 ,能在日常駕駛中收集信息、學習駕駛習慣。
因為保有量巨大,特斯拉能夠在短時間內收集到大量的駕駛數據,訓練模型的迭代速度也能相對提升。
而在數量上不佔優勢的品牌,就會在效率上做文章。
比如蔚來的思路就是 「 算得快 」 ,愣是往一臺車裡塞了四塊 256 TOPS 算力的英偉達 Orin 晶片,大幅提高了單車的信息處理能力。
小鵬呢,則是用了 XNet 感知架構讓數據標註的速度大幅加快,聲稱能用 16.7 天就完成 2000 人的年標註量,也就是讓 AI 「 學得快 」 。
但是這些方法,說到底還是讓自動駕駛這個時間問題中的時間,變得更短、更快一些。然而強如 Waymo 這樣的自動駕駛領軍公司,目前也沒有完全解決處更是路況下,自動駕駛可靠性與穩定性的難題。
而由於自動駕駛識別錯誤引發的事故,無時無刻也都在我們身邊上演。就比如,它們可能會把路面光線識別成車道線...
說白了,NOA ,特別是城市 NOA ,是一個真正需要時間沉澱的技術。不光是因為它的複雜,更是因為它是最接近自動駕駛的技術。
自動駕駛的初衷,是幫助人們緩解駕駛的疲勞、提升出行的便利。而這,是以100% 的可靠與安全為基礎的。
脖子哥想說的是,無論宣傳話術多麼天花亂墜,不管所謂的解決方案多麼先進,廠商們如果無法保證長尾場景的全覆蓋,不能讓人們徹底放心地交出方向盤,那麼現階段的城市 NOA ,就只是一個不如不用的、不合格的功能。
著急忙慌追求落地,最終傷害的也只能是車主和品牌的利益。
99.99%=0 。安全的標準啊,就是這麼高。
,