全球热讯:Waymo:Waymo的AI司机能够规避75%的碰撞事故发生 比人靠谱12.5%

时间:2022-10-08 20:59:34       来源:199IT

自动驾驶老前辈Waymo发话:我们的AI司机能够规避75%的碰撞事故发生,减少93%的严重受伤,统统高于理想状态下人类司机模型的62.5%和84%。等等,你发现问题没有?如此精确的定量描述自动驾驶安全性,Waymo的依据是什么?


(资料图)

Waymo最新论文的目的,并不是炫耀自动驾驶有多安全,至少不全是。

AEB(主动刹车)成标配,智能汽车喊了很多年。

但各家水准不一,多少时速、什么样的障碍物下AEB或紧急避让生效,才算合格的产品?

Waymo真正的目标是尝试制定一套规范,来定义和评价某个自动驾驶系统是否安全。

以后任何公司说自动驾驶比人类司机更安全,需要用科学的计算体系做支撑,而不是简单笼统地用不同条件下路测和事故情况作比较了。

评价的基准是什么:对人类反应时间进行建模

Waymo的贡献之一在于,他们研究出了一种全新架构模型——以此来对真实道路环境下的司机反应时间进行测量和建模。

其实简单地说,就是通过人类司机应对紧急情况的平均反应时间,来对比一个自动驾驶系统的反应时间。

这种架构,不仅适用于自动驾驶,还可用于其他交通安全领域。

具体来看,该模型基于两大核心观点得来:

第一,为了避免碰撞发生,司机往往会选择刹车或是打方向盘。他们做出这一举动,主要因为当前的交通状况与他们原先所想的不一样,即司机表现出了惊讶

也就是说,反应时间取决于司机对当前交通状况的预判。惊讶和意外从何时开始,将会直接决定反应时间的长短。

第二,反应时间取决于动态变化的交通环境。并不存在一个放之四海而皆准的固定时间,可以适用于所有不同场景。

举例来说就是,如果你前面的车突然急刹,你就能迅速作出反应;相反,在其他条件都相同的情况下,如果前车缓慢减速,你的反应时间也会相应延长。

需要特别说明的是,这里的反应时间,专指司机决定是否要刹车或转弯的心理过程,不包括后续的规避动作(即打方向盘或踩刹车)。

下图可以更好地解释他们的模型架构。

整个过程概括起来就是认知的转变(belief updating process)。

图中上半部分,司机看到红绿灯后,自然而然产生的想法是前车要刹车减速,事实是前车的确刹车减速了。所以司机的预判是正确的,与事实结果相匹配,在这样的情况下,司机没有出现任何“惊讶”。

图中下半部分,司机原以为前车要继续前行,然而事实是前车突然刹车,这就与他的心理预期不相符合,认知也就出现了迭代更新。

下图可以更进一步解释认知转变的整个过程。

这一模型架构的出现,主要为了解决之前在反应时间建模上存在的两大局限:

1、反应时间过于依赖周围环境;

2、如何对“刺激因素”(stimulus)明确下定义。

Waymo希望能测出在真实道路环境下,面对各种错综复杂的驾驶环境,人类从看到障碍物到踩下刹车的反应时间。

传统方法下,反应时间的分析一般是基于特定可控的实验,而且也不能对常见交通事故下的“刺激因素”何时触发明确下定义。

有了这样较为严谨的反应时间基准模型后,就可以对自动驾驶系统的表现进行评估了。

人类司机作为参考模型

为了评判Waymo他们自己的AI司机表现如何,除了上文提到的反应时间模型,还需要一个标准和参照物。

NIEON应运而生。

它是一个行为参照模型(reference behavior model),是理想状态下的人类司机,名字来源于Non-Impaired Eyes ON the conflict这一串话中每个单词的首字母。

意思就是,NIEON司机不存在智力或听力、视觉上的损伤,它在开车的时候全程保持专注,不会分心开小差,也不会疲劳犯困。

把Waymo他们的AI司机,与NIEON模型对比后,得出的结果是:

在防碰撞反应(collison avoidance effect)里,同时被卷入16起交通事故中,Waymo的自动驾驶系统能够规避12起碰撞发生,即规避概率达到了75%

注:这里专指防碰撞反应,不包括防止事故发生反应(conflict avoidance effect),意思就是专指你改变轨迹、速度以避免事故的发生/减轻事故的严重性,又或是你失控后重新控制了车辆。

相比之下,理想状态下的NIEON模型,规避了10起碰撞发生,规避概率为62.5%。

与此同时,Waymo的自动驾驶系统,能够减轻93%因碰撞带来的人员重伤发生;NIEON模型只能做到减轻84%。

所以Waymo才得出了结论,说他们的自动驾驶AI司机比人类老司机更安全。

该论文表示,类似于NIEON的行为参考模型,能够被用来作为衡量基准,以此来评判一套ADS自动驾驶的好坏和安全性。

至于测试结果是否可靠,Waymo官方也在论文中谈到了4点局限性。

首先,他们当前使用的数据集,涉及的碰撞事故主要由人引发。当然目前重要的是,要考虑清楚自动驾驶系统如何才能正确应对这些已知的、人类引发的碰撞事故,同时测试好这套系统的能力,以避免类似的行为发生。

其次,该研究仅基于警方报告的碰撞事故进行了模型重建,而官方文件中记录的碰撞事故数量,可能与真实情况存在出入。

第三,当前研究仅基于单个的NIEON模型操作,来评判Waymo他们自动驾驶系统的好坏。

第四,整个自动驾驶系统的表现,是在模拟的环境、不同的条件下进行测试的。如果是一些特定场景的挑战,从严格意义上来说不适用于这个方法。

不为炫耀数据,Waymo这两篇文章有什么意义?

我们从一个最普遍的问题说起:为什么自动驾驶落地困难?

表面上看,是法规不完善,对于自动驾驶车辆权责的划分没有明确。

但我们不妨站在立法机构的角度考虑一下,为什么自动驾驶在如今的L2-L3阶段责任划分不明?

很简单,因为目前的自动驾驶系统还没有完善到“万无一失”,需要人类司机随时准备接管。

而这个接管的时机和条件,从来没有明确。

没有定性、定量的标准界定什么样的情况下人类需要接管系统,自然也就无法在法律上清晰地划分权责。

所以,法规不完善,根源不在立法的滞后性,而是整个自动驾驶行业,从来没有给立法机构提供过能在法理层面行得通的技术标准。

甚至行业通用SAE的L0-L5分级,也是基于对人类干预程度的感性描述,而不是科学严谨的定量描述。

要在法规层面扫清自动驾驶落地的障碍,需要在系统可靠性、道路复杂程度、系统能力边界、人类介入条件、系统失效临界点等等维度,都给出确切、严谨的定义。

Waymo两篇论文,瞄准的正是自动驾驶系统可靠性这个维度,以反应时间为进准,来定量计算自动驾驶系统可靠性。

都说自动驾驶比人类司机可靠,到底有多可靠?

特斯拉以往的话术,是比较美国交管部门对非自动驾驶车辆的事故数量统计,和特斯拉事故数得出的。

但这其中的问题,首先是全美范围路况、车况、事故类型太复杂,远远超出自动驾驶数据库的场景覆盖。

一些人类无法避免的事故,不见得FSD就能避免,只有在相同条件下复现实验,才能下结论。

但这显然是不现实的。这也是特斯拉商业宣传的迷惑性所在。

而Waymo的模型和方法,不敢说一定会成为行业标准,但至少是为自动驾驶安全性界定,开了一个好头。

当然,Waymo这两篇论文还有一层意义那就是再次向公众科普了自动驾驶不等于0事故

即使是L4、L5这样的高阶自动驾驶系统,仍然有失效的风险。

自动驾驶的意义在于,系统犯错失效的风险比人类更低,就能极大推动社会经济运转效率。

这一点现在有了严谨的证明,也有了立法的依据。

好了,以上就是这两篇论文的亮点部分,如果你想阅读全文,这里也附上链接:

https://waymo.com/intl/zh-cn/safety/

自 智能车参考

关键词: 反应时间 系统可靠性 道路环境