籮筐分享｜自動駕駛安全如何“驗明正身”

顯而易見，在技術層面，自動駕駛正在将“安全第一”的目标走向現實，而政策層面，“國家隊”的介入又意味着政府對于這一行業的認可與支援——自動駕駛将比人類駕駛更加安全，就從理論層面必須落實到了實踐層面。

對于自動駕駛的安全性問題，我們仍然可以從“如何為了安全”的理論設想，到“確定安全”的技術架構，再到如何真正做到“安全第一”的技術實踐，來全面剖析自動駕駛的這一“根本命脈”問題。

為了安全：自動駕駛為何必須勝過人類司機？

想要了解這一層問題并不難，我們隻需要回顧自動駕駛技術被創造時的初衷即可。

與多數人所想的提供“從A點到B點”簡單的兩點式代步通勤不同，自動駕駛技術的發展首要任務實際是減少交通傷亡，提高道路交通安全。通過自動駕駛技術，汽車能夠借助全方位的感覺系統、智能的決策系統和精确的執行系統充分識别道路中各類動态與靜态目标、實作自主決策和車輛運作——這也就意味着，在複雜多變的駕駛環境中，自動駕駛具備理論上比人類駕駛更高的上限。

根據《自動駕駛汽車交通安全白皮書2021》的研究顯示，相較于人類駕駛，自動駕駛汽車能夠有效地對周邊環境進行提前感覺，并能夠對其他交通參與者做出正确的禮讓。在人類駕駛事故場景中，自動駕駛汽車正常行駛的情況下，其能夠顯著減少車輛行人、非機動車與其它機動車之間的沖突風險，進一步保障弱勢交通參與者的生命安全。并且在因駕駛人自身原因等導緻的單車事故中，自動駕駛汽車憑借嚴格的安全算法控制進行有效避免，進一步加強自身安全保障。是以面對中國道路交通環境，發展自動駕駛能夠較大的提高道路交通安全。

相較于人類駕駛汽車事故主要緻因為自身錯誤，自動駕駛汽車在行駛過程中不需要或者很少需要駕駛員的操作，車輛的行駛将更加規範，因而能夠減少駕駛員因素導緻的交通事故。

在面對駕駛人主觀錯誤導緻的事故緻因中，因自動駕駛汽車不會有疲勞和情緒的影響，完善的決策規劃能確定車輛按照交規行駛。此時，駕駛員主觀錯誤中的未按規定讓行，速度過快，車道的違規使用，酒駕，違反交通信号燈和疲勞駕駛等現象幾乎可以完全得到解決，相當于在自動駕駛汽車正常行駛時能夠完全減少人類駕駛的主觀錯誤，即人類駕駛80%的事故緻因能夠得到有效的避免。交通安全得到較大的提升。

在自動駕駛汽車和人類駕駛汽車混合交通流的環境中，自動駕駛汽車并不能規範其他交通參與者的駕駛行為，不能完全避免其他交通參與者造成的事故，但自動駕駛汽車能夠對風險和危險進行提前感覺和預判，此時，自動駕駛汽車能夠有效的緩解事故帶來的傷亡情況，并且能夠減少二次事故的碰撞風險。

是以，在自動駕駛技術的加持下，自動駕駛汽車能夠有效避免人類駕駛時經常出現的各類問題，甚至在有朝一日做到徹底根除，這在理論上是完全行得通的；但相對應的，自動駕駛技術的思維邏輯終究與人類有别，是以時至今日，自動駕駛汽車總會犯一些常人難以想象的“低級錯誤”，但這些“低級錯誤”都可以通過技術的疊代去解決。對于行業而言，這就需要通過感覺、認知、标注、驗證等手段進行不斷完善，而于外行人而言，也需不斷增加對自動駕駛技術的了解，并給予更多的了解。

確定安全：AI如何為自動駕駛安全保駕護航？

通過以上描述我們得知，“安全第一”始終都是自動駕駛的核心理念和價值觀，其最終目标是自動駕駛系統作為AI駕駛員，能夠替代人類實作完全“無人駕駛”——或許這一行業并不存在100%的安全，但這并不妨礙自動駕駛技術朝着100%安全的目标去不斷發展與完善。而為了達到這一目的，自動駕駛技術就需要在感覺、算法、算力三大根源層面進行不斷更新，既要做到完善，也要做到備援，以最終達到對人類的完全替代。

根據白皮書研究顯示，對于自動駕駛的安全技術保證，大概可以從以下四個方面來保證。

在感覺層面，環境感覺是自動駕駛的前提條件。環境感覺系統融合雷射雷達、毫米波雷達、攝像頭等多傳感器的優勢，實作車身周圍360°視距，在複雜變化的交通環境中穩定檢測并跟蹤交通者的行為和速度朝向等資訊，為決策規劃子產品提供場景了解資訊。

感覺算法采用多傳感器融合或多攝像頭融合的架構，并基于深度神經網絡及海量的自動駕駛資料，以更準确識别出障礙物類型、并穩定跟蹤障礙物行為，為下遊決策子產品提供穩定的感覺能力。在目前主流的兩種融合方案中，基于多傳感器融合方案的感覺系統是最受歡迎的選擇，其可通過異源感覺通路形成備援，為自動駕駛系統提供高容錯能力，進而提升系統安全。

具體談到感覺系統的優勢時，我們可以與人類進行比較。人類的感覺隻要依靠大腦通過雙眼擷取的視覺資訊，而雙眼的視距僅有120°，不僅中心像素遠高于邊緣像素，也會受到黑夜、大霧等環境影響，在人類駕駛時很難對環境獲得全維感覺；而采用多傳感器融合方案的感覺系統則能夠降低這些影響，并通過感覺技術的不斷進步，最終将其徹底抵消。這也是為何國内自動駕駛企業都選擇多傳感器技術路線的原因，這一點我們在下面再講。

在算法層面，算法是自動駕駛技術的大腦，而基于算法的感覺、預測、決策和執行動作都将直接影響車輛自動駕駛的能力和效果。算法以“安全第一”為原則，并基于交通安全規範與共識規則，能夠為車輛規劃出安全、高效、舒适的行駛路徑和軌迹——這同樣是一個頗具前瞻性的功能，僅在車輛通過紅綠燈左轉的這一場景下，成熟的算法系統就能為車輛的車速、行駛軌迹、轉向角度等進行合理規劃與控制，確定車輛能夠以讓乘客感到舒适的速度與側傾的前提下，自然地并入左轉後的同向車流中，并且保證不壓線、不事故。

為了實作這一理想化的功能，我們就必須提升算法的泛化能力，具體則要通過應用資料挖掘和深度學習算法來實作智能規劃駕駛行為。這其中既有正常場景下，基于海量測試資料訓練的深度學習模型，在正常駕駛場景下保證自動駕駛車輛安全高效平穩的通行；也有一套安全算法層，針對各種典型危險場景設計了一系列安全駕駛政策，保證自動駕駛車輛在任何場景下都能做出安全的駕駛行為。

随着自動駕駛的道路測試資料越來越多，積累大量的極端場景的資料，自動駕駛核心算法通過資料驅動的深度學習算法模型，持續不斷進化成提前預判、安全謹慎駕駛的“老司機”。

算力層面，為了服務算法不斷提升的泛化能力，終端搭載的晶片算力也必須進行不斷更新。目前市場普遍認為，隻有算力留出更多備援，才能夠為“硬體預埋、OTA更新”的後續需求提供更多空間，但與此同時，在“軟體定義汽車”的理念成為行業共識的背景下，整車廠對于更高算力、更高吞吐量、更低延時以及低功耗的SoC晶片需求愈加緊迫——對此，有媒體曾指出，晶片和算法的協同進化不應該是捆綁關系，而是晶片賦予算法更多的自由度，解放算法實作時的牽絆。如果晶片本身算力不足、開放度不高，晶片與算法的協同隻能起到削足适履的效果。這意味着自動駕駛技術真正所需求的，應該以大算力、高相容性為基礎，同時提供開放、靈活的開發環境，盡量減少算法适配晶片的時間與成本的SoC晶片。

顯而易見的是，伴随着越來越多車企具備高階駕駛輔助系統的車型量産下線，自動駕駛的資料量将會發生結構性的改變，其改變不僅僅在于資料量本身指數級的膨脹，由于資料類型的轉變，自動駕駛技術會更看重資料傳輸的帶寬與資料搬運的效率。由此，配合5G+V2X技術，建立雲端超算中心也将成為算力層面的關鍵性一步，這種類似“開外挂”似的舉措不僅能夠為海量測試資料訓練的深度學習模型提供算力支援，也能保證雲端與終端間的高效協同。

簡而言之，感覺、算法與算力實際就是将人類駕駛在百年來總結的各項知識、經驗與邏輯，翻譯成機器能夠了解的語言以讓機器進行自我學習，在讓機器掌握能夠模仿、學習人類駕駛邏輯的基礎上，再借助比人類更強的感覺能力、更快的反應思考速度、更多的參考案例與對各項法律法規的嚴格遵守能力，讓自動駕駛達到并超越人類駕駛，變得足夠安全——借助大算力平台與超算中心，自動駕駛技術已經能夠算力需求，接下來各大自動駕駛企業要做的應該是以提升多傳感器數量＆品質來提供全面甚至備援的感覺資料，再借助算法進行高效的吸收消化，促成自動駕駛技術越發安全。

當然，在這一過程中，采集到的資料應當越多越好，對應的成本也應越低越好，如此才能保證一家自動駕駛企業的競争力走在行業前列。

做到安全：領先者們如何将安全進行到底？

在各大車企與自動駕駛企業的努力下，自動駕駛技術已經走過了上半場，目前以特斯拉、毫末智行、小鵬汽車為代表的頭部自動駕駛企業已經實作了高速場景下的進階駕駛輔助功能，而城市場景也将于今年推出，并将在年底徹底實作全場景功能，為真正的自動駕駛奠定基礎。而傳統車企們也正全力以赴投入汽車智能化的技術浪潮當中。

如開頭所言，奔馳正成為自動駕駛路線上走得最遠的傳統車企——獲得L3級國際認證後奔馳近日直接公開表示，當配備Drive Pilot的奔馳汽車駕駛者打開車輛的進階駕駛員輔助系統後，他們對于汽車的運作不再負有法律責任。假若發生車禍，奔馳将承擔相關責任。

奔馳的乘用車輔助駕駛系統名叫智能領航系統（Drive Pilot），目前已經達到L3級，其采用攝像頭+雷射雷達+高精地圖技術路線，能夠在有高精度地圖支援的特定高速公路開啟L3自動駕駛功能，但要求速度不能超過60km/h。其遵守的是今年年初生效的第一個L3 級别法規 ALKS，雖然這使得奔馳成為了全球首個獲得“L3級通行證”的汽車廠家，但由于ALKS法規的不成熟，其對L3級的硬性要求非常保守，是以Drive Pilot尚不能支援變道、進出匝道等高階輔助駕駛功能。

對比傳統車企，造車新勢力在自動駕駛領域的成績則是非常矚目的，而這其中最具争議、但也最具成效與前景的代表便是特斯拉。特斯拉采用了劍走偏鋒式的純視覺技術方案，視覺資訊首先通過攝像頭由FSD晶片交由AI神經網絡技術進行識别、分析與運算，其中一部分算力由車端HW 3.0晶片承擔，超過車端算力的則分攤至Dojo超級計算機。

對此，特斯拉将其解釋為，“我們希望能夠打造一個類似動物視覺皮層的神經網絡連接配接，模拟大腦資訊輸入和輸出的過程。就像光線進入到視網膜當中，我們希望通過攝像頭來模拟這個過程”——依照這一邏輯，特斯拉在算法層面采用了HydraNet、transformer等神經網絡架構進行資料深度學習，并最終以此為優勢将純視覺方案擷取的2D圖像拓展為了具備時序、空序的4D向量空間。

基于多傳感器融合方案的感覺系統，能夠通過異源感覺通路形成備援，為自動駕駛系統提供高容錯能力進而提升系統安全，這是以小鵬汽車為代表的國内造車新勢力不同于特斯拉的了解。為了适應國内更加複雜多變的交通環境，小鵬汽車采用攝像頭+雷射雷達+高精地圖技術路線，以高精地圖為主導，視覺系統作為輔助，雷射雷達作為備援支援，加以30 TOP NVIDIA Xavier支援，不僅能夠實作厘米級城市定位能力，還能并串聯停車場、高速、城市道路等不同場景。

同樣采用攝像頭+雷射雷達+高精地圖的技術路線，背靠長城汽車的自動駕駛企業毫末智行也總結出了一套極具前瞻性的方法論，并在通向成功的道路上大步前行。以今年即将落地的HPilot 3.0為例，算力層面，毫末智行為其提供了單闆算力可達360TOP的自研域控制器“小魔盒3.0”，而在感覺層面則依靠高精地圖與14個攝像頭，5個毫米波雷達及2個雷射雷達組成的第一梯隊級别的硬體配置，實作高速域與即将上線的城市域的輔助駕駛。

資料層面，毫末智行認為，資料就是自動駕駛技術的核心。在對海量使用者累計行駛裡程資料進行分析總結後，毫末得出了自動駕駛能力發展曲線：F=Z+M（X）。其中F代表産品力，Z代表毫末第一代産品，M是将資料轉化為知識的函數，包括資料擷取、表達、存儲、傳輸、計算、驗證，以及對成本和速度的影響，也就是資料智能體系MANA。以MANA為指導，并借助長城汽車龐大量産優勢帶來的海量資料來訓練算法，進行大規模采集、測試與驗證。

算法層面，為實作多傳感器感應資料的高效融合，毫末智行為MANA引入了Transformer多層神經架構做空間和時間上的前融合，首先Transformer 編碼圖像特征，将其解碼到三維空間，而坐标系變換已經被嵌入到了自注意力的計算過程中，實作空間前融合；其次時序資料作為Transformer的老本行，可以被自然地提取到時序特征。

Transformer解決了MANA在感覺層面面臨的問題，而在認知層面，MANA則借助CSS解決自動駕駛的安全問題。毫末智行擁有全棧自研安全認知模型CSS，其核心是自動駕駛系統不隻局限在從純機械的角度保證自己不主動犯錯，而是充分考慮從資料中學習到的對其他交通參與者行為的了解和逾時空的曆史經驗；而在安全底線之上，MANA能夠從資料中學習舒适和更高效的量化标準，讓自動駕駛算法可以更好地處理紛繁複雜的駕駛場景，制定更符合使用者喜好的駕駛政策。并且通過自動化場景挖掘、強化學習、仿真引擎建構認知智能閉環系統，持續不斷從海量人駕資料中提取知識，快速疊代車端認知算法能力。

從奔馳到特斯拉再到毫末智行，我們看到自動駕駛技術被逐漸勾勒清晰，其功能不僅變得越發強大，安全也越發得以保證，這正是毫末智行由MANA前瞻性的戰略規劃，即以資料為核心，以更高效＆更低成本擷取資料為方式所帶來的制勝優勢。以資料為保證，算力算法為支撐，自動駕駛技術将越來越智能，自然也會越來越安全。

2022，安全的自動駕駛正在到來

自動駕駛是否能真正確定安全、做到安全？相信看到這裡，你已經有了更為清晰的認識，并對自動駕駛技術的未來建立了初步的自信。

在國家政策的支援下，自動駕駛技術已不再是空中樓閣。資料智能在自動駕駛中的應用，已經成為推動自動駕駛安全的技術加速器。技術疊代對于政策的落地和相關标準的出台，起到正向賦能的積極作用。

進入2022年，國内外各大頭部自動駕駛企業紛紛入局高階輔助駕駛城市場景，并依次為重要階段，以下半年為關鍵節點，實作全場景高階輔助駕駛，進而實作完全自動駕駛。在國内，以毫末智行為代表的自動駕駛企業為自動駕駛技術規劃了清晰的藍圖，而國家政策也予以了肯定與支援，自動駕駛将逐漸在未來幾年在大衆的日常出行場景中成為“新常态”。

轉載自智駕最前沿，文中觀點僅供分享交流，不代表本号立場，如涉及版權等問題，請您告知，我們将及時處理。