• 探秘密歇根大学M-city | 彭晖:特斯拉出事不意外 做L5级自动驾驶是浪费钱

    原标题:探秘密歇根大学M-city | 彭晖:特斯拉出事不意外 做L5级自动驾驶是浪费钱

    汽车领域技术创新、格局演变,这是全球汽车人都在关注的重要议题。当世界汽车巨头都在?#24247;鰲?#20013;国市场”之时,我们试图将目光转向全球:面对汽车产业新四化,世界级的汽车玩家正在做什么?搜狐汽车.汽车咖啡馆特派记者丽莎将在美国寻找并对话汽车领域重要人物,同步产业变革进程中,全球汽车参与者们的态度与行动。是为对比,是为记录。

    第一站:探秘密歇根M-city实验室,对话自动驾驶领域重要人物彭晖。

    策划 | 搜狐汽车 马倩

    2015年7月20日,位于美国底特律以西40英里的密歇根大学正式开放全球首个无人驾驶汽车封闭试验场:M-city。从加州伯克利大学博士毕业、近30年来一直围绕汽车安全与节能做研究的密西根大学讲座教授彭晖,参与并主导了M-city从构想到实现的全过程。M-city之后,在美国硅谷、新加坡维壹科技城、中国上海、日本茨城县等多地先后建起自动驾驶测试场。

    如今,你可以看到密歇根大学的学生和教职工们搭乘12英里/时的无人驾驶校园巴士在园区内穿梭。这是M-city实验室项目的一部分,终极目标是让无人驾驶更安全。对于这个重要议题,M-city和它的顶级工程师们有着清晰的计划和判断,但也毫不避讳当下还未攻破的技术难题,和对未知的不确定。

    口述 | 密歇根大学M-city实验室主任 彭晖

    采访 | 搜狐汽车驻底特律记者 丽莎

    1、故事的开始

    2013年,我?#24378;?#22987;构想建立一个无人驾驶测试场。为什么会有这个想法呢?

    其实1988-1992年,我在加州伯克利?#20013;?#24565;博士,论文题目就是高速公路自动化,?#27604;?#37027;个时候场景比较简单。这么?#36130;?#26469;,让汽车驾驶实现自动化不是这几年才有的事情,比我们更早的时候就有人尝试?#20040;?#26465;、磁钉、camera(摄像头)来做研究。所以把“驾驶功能自动化”这件事已经有几十年的研究背景了。

    当年为什么要建M-City?

    因为我们认识到技术、硬件有很多进步,包括感测器、计算能力、?#26031;?#26234;能、通信……在太多太多方面已经有大规模的进步,我们觉得时机比较成熟了。所以 2013年左右就开始构想这件事情,2015年7月就正式开放了。我们确实是全世界第一个为智能网联汽车建造的自动驾驶测试场。

    M-city是密歇根大学牵头来做的,目前已经?#35835;?#22823;概1200万美金,土地是无偿给我们用的。M-City是开放的,不论是不是我们的会?#20445;?#20219;何车企都可以来做测试。当年盖这个场地的时候,目的就不只是为高校教授、研究生做实验用的。我们现在有60个缴费企业会?#20445;?#20854;?#30340;?#21069;所有测试者中,校外企业占到7、8成。

    那我们做什么测试呢?

    M-City主要有两大场域,一个是高速公路,一个是城区。高速公路上有匝道、变道、超车等场景测试;城区里最糟糕的就是路口,在测试的时候我们重点会研究如何控制行人、自行车等和自动驾驶车辆的互动。

    我们自己对未来有非常清楚的计划,叫做L4级别的ABC Test。我们想象有一辆车来测试,必须要通过三道关卡。A是Accelerated evaluation 加速验证;B是behave competence,表示说要达标几十项技能;C是corner cases,有一些特别容易出错的场景。

    我们的想法是,未来车辆测试过程中,要保证达到一定的标准,就要通过ABC Test这三关测试。未来一年我们会先把behave competence做出来。

    其实在测试过程中,目前没有什么统一的测试标准。美国没有,中国没有,日本没有,欧盟没有,全世界都没有标准。

    比如你说在欧盟做NCAP(新车碰撞测试),它有一套程序,那是欧盟自己定的,中国、日本、美国不见得完全听它的;像在美国做高速公路安全测试的IIHS(美国公路安全保险协会),它不是政府机关,是属于第三方的,没有政府的公信力。

    那到底要不要有统一标准?

    事实上,政府目前还不是很清楚科技发展到哪一步了。如果政府太早介入,就限制了发展的速度、扼杀了创新的可能性。现在变化得太快了,我们也不见得能够很准确地知道一、两年以后会是什么样的。我们对5G还不是很清楚,对无人车、?#26031;?#26234;能也不是很清楚。现在只能定一个很大的范围,一个很模糊的法规,因为细节根本就办法没出来

    2、还未攻破的技术难题

    现在研究自动驾驶的机构非常多,自动驾驶最重要的技术,一是sensing(感测);二是perception(感知),就是知晓到底看到了什么东西;三是planning(规划);四是control(控制)。这每一项?#24049;?#37325;要,需要相互补充。但如果说现在自动驾驶技术面临的最大挑战和瓶?#20445;?#37027;就是perception。

    人是很聪明的,比如在一个交通场景中,我一眼就能看出来这是一辆黑颜色的汽车、这是一个油箱、这是一辆自行车、?#21592;?#26377;一棵树……人类不会因为辨别事物而困惑,立刻就能抓到重点。但感知对于机器来说还是很有挑?#21483;?#30340;。汽车实际“看”到的我们叫点云:这个pixel是什么,那个距离是多少,然后再去思考那个是车吗?那个是人吗?现在虽然机器已经很厉害了,比如下围棋超过了人类,但是在perception(感知)层面机器还?#23545;?#19981;如人类。

    在perception方面,我们大概有一个方法可以解决98%、99%的问题,但那剩下的1%、2% 越来越难解决。你从0到80很容易,从80到90难度变大、90到95更难,最后那1% 最难。你问我有没有把握push到99.99%?#31185;涫得?#26377;人有把握。

    历史上我们做过很多不同的approach(方法)。比如现在是用神经网络,我用大量的资?#20808;?#20570;训练。完了以后我一看,哟,它可以做到98%,很高兴。可是你说下一步从98% 怎么到99% ?#21051;?#30333;说不太清楚,因为它太复杂,它是一个神经网络。甚至我们在训练的过程中,结果时好时坏。比如今天有一个神经网络我调到了98%,并不表示继续调会变成99%,搞不好会变成95%,所以不同的方法往前走的路径其实是不清楚的。

    那怎么解决这个难题呢?

    我们常常说最终的解决方式可能是结合几个99%的solution(方法),达到一个99.999% 安全的程度。而不是一直push一个方法达到99.99%,那个太困难。

    3、特斯拉出安全事?#20160;?#19981;意外

    在自动驾驶领域,特斯拉、uber出现过无人驾驶事故,应该说我们一点也不surprise。为什么呢?

    特斯拉第一例死亡车祸中,它用的是摄像头和雷达(来捕?#20581;?#24863;知),如果有一辆车相对你纵向速度行驶的话,雷达信号中多普勒效应是很容易测量出来的。但那个车祸面对的是一辆左转的卡车,这个卡车在左转的时候和特斯拉相对来说是没有纵向速度的,所以特斯拉“看?#20581;?#30340;就好像是一个固定路牌或标识,它可以“看?#20581;毕旅?#26377;空位,但无法判断空位够不够高、能不能钻过去,所以就是这么出的车祸。

    其实这是2018年3月特斯拉第一次车祸,在2019年2月又出了基本完全一样的一个车祸,也是在佛罗里达。这就是让我们特别惋惜的地方。我们常常说“Robot不再犯第二?#26410;?#35823;”。人有可能会犯第二?#26410;?#35823;,但机器人不应该。

    理论上来讲,假设通过车祸我们?#21344;?#21040;大量资料、数据,用这些数据去调控控制策略、训练神经网络,在实验室里做大量的计算,让机器学到如何不犯同样错误,这是可以做到的。

    但很可惜的是特斯拉的自动驾驶技术原来是和Mobileye合作的,现在完全自己做。所以当它转换technology轨道的时候,一开?#25216;?#26415;是会往下掉的。长远来讲自己完全控制技术是比较好的。但问题就是,很不幸,在这个过程当中同样的错误它又发生了一次。

    特斯拉最近很多高层主管离职,其中做无人车最重要的人物也离职了,好多工程师也跳槽了。理论上,技术的进步是一直往上走的,但?#36136;?#20013;因为?#35828;?#36845;代,使得结果并不是一直往一个方向走,有时候是变坏了,这是很可惜的事情。一个成熟、稳定的公司照理说是要一直往前走的。

    4、一个负责的车企不应该做L5自动驾驶

    我们研究自动驾驶,从一开始大家觉得特别火、特别激进,到现在又进入到过度悲观。这里有一个现象叫hype cycle(发?#26500;?#24459;周期)。不只是自动驾驶,包括我们讲的3D打印、?#26031;?#26234;能、5G、电动车等等,任何新的观念出来,大家一开?#32423;?#20250;过度乐观,然后过度悲观,最后回归理性,过程常常都是这样。这是好多年来大家已经都承认的,社会就是这样。

    现在自动驾驶正在从过度乐观向过度悲观发展,慢慢还会反弹回归理性。

    至于什么时候自动驾驶可?#28304;?#21040;L5级别?

    我们常说operational design domain(ODD),自动驾驶系?#25104;?#35745;的时候就画定了运营范围,在这个场景之下必须有把握能做好。

    那么现在市面上有没有L4?有啊,我们密歇根大学不是有无人巴士嘛,它跑得很慢,每小时12英里,?#36745;?#26657;园内运行。法国、奥地利、澳洲、新加坡好多地方都有L4级无人巴士。如果你仔细去看的话,全世界做L4级别展示的汽车,要么是?#27605;?#26469;回,要么是顺时针转圈,不用左转。

    就是说这个operational design domain 是12英里/小时只能右转不左转,下雨、下雪天就不开了。我们得认清?#36136;擔?#25216;术不完全成熟,只能在小范围内跑。但是好处是什么呢?不会撞死人,不会撞伤人,在这里面跑得挺好。那明年是不是可以把12英里/小时变成15英里/小时?是不是下点小雨还可以开?

    我们不要认为无人车一开始就可以开到任何地方、任何速度、任何天气,这是不?#36136;?#30340;。?#36136;?#26159;界定你的operational design domain,在这个场景之内保证安全。等在这个场景内做的挺好了,再扩大边界。

    很多企业有这个概念,很多企?#24471;?#26377;。比如特斯拉,它就是把车卖给大家,说现在就是full self-driving(全自动驾驶),这个简直是胡扯。让大家认为你可以完全自动驾驶,这是不?#36136;怠?#19981;负责的做法。

    实际上,我不认为我们哪一天会看到L5的汽车。

    为什么呢?#21487;?#35745;汽车都有它的目的,如果要卖到沙特阿拉伯,对冷?#32874;?#32479;就有额外要求;如果要卖到南极,就要重视低温环?#24120;?#22914;果要买到北美市场,就要用北美的data(数据)去train(训练自动驾驶神经网络);如果要卖到中国,就应该用中国的data去train。

    换句话说,今天设计一个L5的汽车其实是在浪费钱、浪费时间。身为一个负责任的工程师,我不应该说我要设计一个L5的汽车,而应该说我设计的L4汽车在这个范围内保证安全,且最低成本。这才是一个负责的工程师该做的事情。

    所有的车在未来几十年之内?#21152;?#35813;只有L4级别,谁要是说我设计一个L5,其实大部分时候他是在浪费钱。我不认为一个负责的车企应该去设计一个L5的汽车,?#38750;驦5不应该是一个工程师的目的。

    5、探索者的学习方法

    我今年57岁,这一辈子做的所有研究,都围绕着两件事情,一个是安全,一个是节能。

    我做研究呢,通常先看结果。在我看来,我是一个engineer(工程师),不是一个scientist(科学家)。所?#38405;?#25105;从来不认为理论是最重要的,最重要的是对这社会的影响。

    比如说我做一个研究,这个研究是不是会影响车辆的安全、影响车辆的节能?然后我以这个目标为出发点,反推现在最重要的问题在哪里,应该用什么样的控?#35780;?#35770;、什么样的信号处理理论、什么样的感测器来解决这个问题。

    所以如果去看我做的所有研究,大部分并不是死抱着一个理论。我是先看问题在哪里,怎么解决它,去找相关的理论或文献,去学?#21834;?#37027;怎么做创新呢?我觉得创新?#37027;?#21160;点就是需求,有安全需求,有节能需求,以这个为出发,一直往前学?#21834;?#25152;以我好像一辈子都在做博?#21487;?#21543;。返回搜狐,查看更多

    责任编辑:

    声明:该文观点仅代表作者本人,搜狐号系信息发?#35745;教ǎ?#25628;狐仅提供信息存储?#21344;?#26381;务。
    阅读 ()
    免费获取
    今日搜狐热点
    今日推荐
    云南十一选五、
  • 湖南赛车开奖结果查 北京赛车pk10开奖视频直播 加拿大28顺口溜 福建体彩时时彩11选五走势图 秒速时时盛世 安徽十一选五开奖结果最新 黑龙江时时号码lm0 腾讯幸运28预测 上海时时几分钟开奖 gpk钱龙捕鱼试玩网站