揭秘：無人駕駛車出車禍後，如何從數據中吸取教訓？

【騰訊科技編者按】日復一日，人類駕駛員都在上演一個個相似的悲劇。即使人類的大腦連通，能夠從彼此的駕駛經驗中吸取教訓，也無法保證所有人都能做出正確的決定。但機器給我們提供了一種可能：同樣的車禍只會出現一次，一旦一輛無人駕駛車發生事故，其他所有車輛都能立即從它身上吸取教訓，甚至，它們可以互相配合，同步做出最優決策。它們究竟是怎樣做到的？（以下內容來自外媒，由騰訊科技整合編譯。）

谷歌(微博)無人駕駛車最近遭遇了一場「慘烈」的車禍。上周六，谷歌無人駕駛測試車在美國山景城與一輛巴士相撞，測試車嚴重受損，最終不得不藉助拖車才離開現場。日前，谷歌已經發布聲明，稱其無人車在這起事故中無責。

但任憑谷歌指責對方車輛違反交通規則，車禍就是車禍，消費者期待的答覆無非是「絕不會有下次」。谷歌們能夠給出這種承諾嗎？

無人駕駛車能不能吃一塹長一智？

沒有人願意看到車禍的發生，但車禍提供的數據卻意義重大。車禍中感測器及其他部分的數據，可以大大提高無人車的性能。

最近的一個例子就是，一輛特斯拉Model S電動汽車車主喬舒亞-布朗今年五月曾使用自動駕駛系統行駛在一條州際公路上，在行駛至一個沒有安裝紅綠燈的十字路口時一輛大型牽掛型卡車突然左轉橫在布朗特斯拉車前。但車輛感測器卻將白色卡車誤判為「天空」而沒有進行制動從而導致了事故的發生，特斯拉駕駛員、車主布朗當場斃命，62歲的卡車司機弗蘭克-巴爾塞則沒有受傷。

事故之後，特斯拉工程師便仔細研究了視頻錄像及車輛各個感測器收集到的數據，包括雷達及聲吶記錄，並很快推出了軟體更新包以避免其他特斯拉車輛發生類似問題。該更新包立刻被推送到各種車型的特斯拉無人車上，理論上，凡是安裝了更新包的特斯拉無人車，現在都可以準確無誤地辨別「白色卡車」與「天空」。

不過，無人駕駛車的學習絕不僅限於事故發生時。

「車隊學習」如何最大化數據價值？

無人駕駛車上的軟體隨時隨地都在從現實世界提供的數據中學習，在此過程中，無人駕駛車對道路、其他車輛、樹木等周邊事物的判別會越來越精準，做出轉向、制動等決策的反應也會越來越準確和靈敏。最終，所有這些信息都會傳送到一個「中央大腦」，從而對其他無人車的「智能」進行全面更新，這種被成為「車隊學習」的信息共享技術，就好比你的手指被滾燙的爐子燙到時，你的胳膊、腳、膝蓋都會知道滾燙的爐子是碰不得的。

特斯拉曾在官方博客中舉了一個例子：

當車輛即將通過置於坡度路面的橫跨路牌或鑽入橋洞時，無人駕駛系統需要判斷路牌或橋洞的高度是否安全。但由於道路突然升高或降低，導航數據和GPS提供的高度數據往往不足以使得系統做出準確判斷，而當車輛行駛到與路牌或橋洞等高的路面時，即使應該制動也已為時過晚。

這就是「車隊學習」發揮作用的一個經典案例。首先，所有遇到類似狀況的車輛都不會輕舉妄動，而是先根據雷達記錄下路牌、橋樑等周邊靜物的信息。隨後，計算機會悄悄將無人駕駛系統做出的制動決策和人類駕駛員的反應進行比較，並將這一數據上傳到特斯拉資料庫。如果有一定數量的車安全通過障礙物，那麼無論這些車是否處於無人駕駛模式，這一障礙物的地理信息都會被移入白名單。

而當數據顯示系統做出錯誤制動的情況很少時（也就是人類駕駛員認可車輛做出的制動決策時），即使此時攝像頭並沒有識別到障礙物，系統也會對車輛進行輕微制動。隨著系統信心度的上升，制動力度也會加大，直到系統判定99.9%會裝上障礙物，車輛就會進行完全制動。這種方案或許不能徹底預防相撞，但至少車速會大大放緩，從而降低車內人員受傷的可能性。

「車隊學習」恰恰是機器勝過人類的地方。人類駕駛員的學習過程就不是這樣，不同的駕駛員每天都再一遍遍犯同樣的錯誤，這也是為什麼我們生活的城市裡常常有一些地方被稱作「危險路段」。不幸的是，目前為止並沒有什麼簡單的辦法能讓人類駕駛員也能通過別人的經驗進行學習（不過最近在虛擬現實領域已有類似的嘗試）。年復一年，新手上路的司機總是要從零學起，而老司機的經驗並不是挨駕校師傅幾句罵就可以獲得。而對無人駕駛車來說，只要有一輛車掌握了一種經驗，那麼整個車隊就都掌握了。

數據是「車隊學習」的無價之寶，但數據也恰恰是這種方法的痛點所在。撞車事件後，特斯拉並沒有同谷歌、Uber、通用等分享這一數據。理論上，這就意味著這些企業的無人駕駛車很可能都要犯一遍同樣的錯誤。

數據共享前途未卜

據外媒體報道，奧巴馬政府在上周一發布了長達112頁的《自動駕駛汽車聯邦政策》(Federal Automated Vehicles Policy)。雖然這份文件的名字聽起來乏善可陳，但其中關於廠商間共享自動駕駛數據及事故記錄這一點卻意義重大。

美國交通運輸部（US Department of Transportation）在這個名為「數據記錄和共享」（Data Recording and Sharing）的小標題下寫道：「製造商和其他相關企業應當擁有一個文檔記錄的程序，可以對測試、檢驗、發生碰撞等事故時的數據等信息進行收集和存儲，這樣可以了解到系統故障或失靈的發生情況、建立事故發生原因的資料庫。而且，該程序至少應該記錄發生事故時車輛系統性能方面的全部信息，包括事故發生時HAV系統的狀態、HAV系統或者駕駛員在當時是否可以控制機動車等，使得系統可以還原事故發生的情況。與第三方的數據共享應當是去識別化的（de-identified），即數據不能直接地或合理地聯繫到特定個人。製造商和其他相關企業應當採取措施確保數據共享符合隱私和安全協議，包括向機動車發送通知或經得車輛所有人的同意。」

簡單來說就是，如今政府要求廠商將自己最寶貴的研發資產，即數據，拱手交給給自己的競爭對手。

我們有理由猜想，自動駕駛車企很可能會通過自己的遊說團隊全力對抗這一政策。這主要是因為「安全」一直都是許多廠商在自動駕駛領域的最大優勢所在，而分享事故數據無論對自動駕駛領域的先驅者還是後來者都會產生負面影響。對於先驅者而言，分享事故數據將允許競爭對手通過這一方式坐享其成，減少自身競爭優勢。對於後來者而言，這些信息的披露則會進一步暴露出自己在技術設計和安全方面的短板。

除了利益上的衝突，技術上的屏障也使得數據共享不會一帆風順。據悉，美國國家公路交通安全管理局會在未來數月就這一政策聽取公眾意見，但最終的具體實施方案或許會同大家想像中有所區別。這主要是因為不同的自動駕駛車型使用的是不同的感測器，因此一家車企收集到的事故數據不一定能無縫傳輸到其他廠商的系統中。

然而值得一提的是，目前已經有部分傳統車企有意加強了在數據共享層面上的合作。比如，Here地圖已經和寶馬、大眾以及戴勒姆達成協議，這三大汽車廠商將為Here地圖提供實時的路面信息和汽車感應數據。簡單來說，這些數據將允許駕駛員看到前方几英里的實時路面信息，提供包括交通擁堵、事故的詳細視頻畫面、大霧或濕滑路段的道路隱患信息、臨時行車速度管制以及街邊停車位置等交通數據。

而且，為了加快自動駕駛技術的普及，特斯拉此前已經表示將與美國交通部以及其他車企分享Autopilot自動駕駛功能所收集的數據。而且，特斯拉將不會以數據分享為交換條件換取在美國的汽車直銷權。