过去两年里,国内 Robotaxi 的公开运营多点开花,这些 Robotaxi 所搭载的自动驾驶系统也都具备了处理常见场景的能力,比如识别红绿灯、避让行人、变道超车等 —— 在这种背景下,零接管似乎已经成为行业发展的硬通货。
针对这种颇有「唯接管次数论英雄」意味的现象,新智驾与近 10 位业内资深人士交流探讨,基于五个重要角度,梳理出了他们眼中一个优秀自动驾驶系统该有的样子。
有人说,从五年前惊艳众人的 demo 频现到整个行业的务实派作风蔓延,自动驾驶发展的第二波热潮已经到来。
也有人说,从感知规划决策算法的拼杀到 Robotaxi 公开运营的多地开花,今年将是自动驾驶落地至关重要的元年。
尽管这些说法都尚未有定论,但可以看到,眼下几乎所有自动驾驶系统都具有了处理常见场景的能力,比如识别红绿灯、避让行人、变道超车等。
不过,作为外界了解这一行业发展的重要窗口,业界相关报道的关注重心大多还是放在路况、天气、车辆基本配置(激光雷达、摄像头、车型)以及安全员的接管次数等,内容同质化较为严重。
这些信息固然重要,行业的进程也值得欣喜。同时,我们或许也该思考:
行业亲历者和见证者的姿态来看,我们该如何去评判一个自动驾驶系统优秀与否?是不是有更多深层次的内容等待我们去挖掘,而不是唯接管次数论英雄?
在自动驾驶技术走向落地的关键阶段,长尾场景也已成为各个玩家绕不开的话题。目前道路上自动驾驶所遇到的或可能遇到的主航道问题是否已经全部解决?
针对这些问题,我们从自动驾驶技术公司、主机厂、Tier 1、用户的角度出发,与近 10 位业内资深人士交流探讨并总结了以下五个维度。
可能无法全面陈列出一个优秀自动驾驶系统应该具备的所有能力和特征,但也足以从中窥见一二。
接管次数越少越好,但要分场景近两年,面向公众开放的 Robotaxi 运营服务如雨后春笋般在国内多个城市落地,看似遥远的自动驾驶技术开始走近用户的生活,人工接管次数无疑成了影响用户体验最为直观的指标。
目前开放给媒体试乘的自动驾驶车辆都有固定的行驶路线,技术公司基于这些路线已经做了大量测试,而接管的本质就是车辆驾驶控制权从「机器」到「人类」。
在这种语境下,零接管似乎成为了行业硬通货。
正如 AutoX 相关负责人所指出的,用户试乘情况下仍发生人工接管则说明是大概率事件,而常见交通场景的稳定处理是成熟自动驾驶系统的基本素养。
诚然,接管次数与技术安全性有着紧密的联系,而且只有做到不依赖安全员以及任何形式的人工直接干预,自动驾驶技术才能带来更大的商业价值。
但需要注意的是,人工接管并不能简单与自动驾驶技术不成熟划上等号,接管率也不可当作评价自动驾驶系统优秀与否的唯一标准。
曾作为自动驾驶行业风向标的《自动驾驶脱离报告》,近年开始受到越来越多的争议。这份报告由加州车管局(DMV)发布,试图通过接管次数等指标对各大自动驾驶玩家的实力进行排位。
然而,争议点之一就在于:
运行场景的客观复杂性,甚至是安全员的主观判断,都可能会影响到人工接管的次数。
"目前媒体试乘体验中所提到的「零接管」更多是指 PR 层面的零接管。" 某自动驾驶公司相关负责人告诉新智驾。
如果是非媒体试乘环节(比如研发测试阶段),玩家们可能会更倾向于选择更加复杂的场景去磨炼系统--测试的意义就是找问题,不断找问题解决问题才能推动系统进入稳定迭代期。
福瑞泰克相关负责人则提到了 ODD(Operational Design Domain,设计运行域)场景的重要性:
"由于行业绝大多数人还是在谈 L4 及以下的系统,并不是在空谈 L5,谈零接管就必须要与 ODD 场景相结合。"
根据 SAE J3016 标准的定义,即使是 L4 级自动驾驶,在超出 ODD 场景时,人类驾驶员也需要进行接管操作。
因此,在不同场景下,哪怕是同一个自动驾驶系统的接管次数也可能出现巨大差异,脱离场景谈零接管的意义不大。
另一方面,接管次数或许能较大程度反映出系统的可靠性,但评定自动驾驶系统的性能还有其它重要维度,仅靠接管次数无法客观公正地衡量。
长尾场景的处理是关键,但任重道远长尾场景,已经成为了业内讨论自动驾驶发展现状时绕不开的一个话题。
玩家们通常将其理解为一切突发的、低概率的、不可预知的场景,比如交通信号灯故障的路口、醉驾的车辆等。
包括小马智行在内的多位受访者表示,这些场景处理难度大,是实现自动驾驶乃至于完全无人驾驶必须要解决的关键问题,也是体现一家公司技术水平的重要因素。
不过,目前业内并没有一个量化的、直观的评估体系来帮助行业理解自动驾驶系统的长尾场景处理能力。
从开发者的角度来看,福瑞泰克认为构建这么一个评估体系非常重要,主要可以从两部分切入:
第一部分是建立已知典型场景的场景库,这些典型场景库是对现有已知危险场景的高度概括。通过对自动驾驶系统在这些典型场景中的性能评价,能够在一定程度上评估自动驾驶系统的长尾场景处理能力。
第二部分是通过大规模的实车道路行驶(可以是路试或者是众包)的场景采集以及仿真和数据回灌等方式,对系统在面临未知危险场景的性能进行评估。
在不断的测试、评估、迭代的循环下,许多原先被认为是长尾场景的情况可以逐渐被解决,变为日常可处理的复杂场景,最终成为系统可轻松处理的普通场景,同时系统的泛化能力也得到增强。
▲自动驾驶应对漂浮在路中央的气球
有意思的是,在自动驾驶系统走向成熟乃至实现真正完全无人驾驶的过程中,不同玩家对于长尾场景的处理有着不同的思考。
有观点认为,技术解决问题的过程应该是循序渐进的,目前道路上自动驾驶所遇到的主航道问题(包括已知的危险场景)还远远没有全部解决,应该把精力和时间重点放在这一部分。而长尾场景,也就是那些未知的危险场景,还不是现阶段自动驾驶面临的主要问题。
另一种声音则表示,技术方应该同时注重覆盖道路上的主航道问题以及最后 1% 的长尾问题。如果将主航道场景和长尾场景的处理排上先后顺序,很容易从一开始就陷入「错误的假设」中,这样的研发思路可能会在后期遇到瓶颈。
不过,受访者无一例外都提到了虚拟仿真测试对于长尾场景处理的重要性。
为了穷尽自动驾驶系统可能会遇到的各种场景,保证系统的安全可靠,玩家们对于长尾场景的处理任重道远。