安全性，一直都是自動駕駛研發(fā)的關(guān)鍵問題。前幾天，美國官方判定2019年3月全球首個自動駕駛汽車撞死行人事故中，Uber無罪又引起了廣泛關(guān)注。無疑，自動駕駛安全性依舊是業(yè)內(nèi)外人士關(guān)注的重點。近日，伊利諾伊大學香檳分校（CSL）的研究人員公布了如何使用AI和ML，通過軟件和硬件的改進來提高自動駕駛技術(shù)的安全性，開發(fā)自動駕駛可擴展安全性測試平臺DriveFI。公眾號后臺回復(fù)“DriveFI”獲取全部資料。

解決自動駕駛安全性，這是一個基于跨學科、跨技術(shù)、跨領(lǐng)域的攻堅問題。此次CSL的可擴展的安全性測試平臺也是匯集了多家公司，包括三星、NVIDIA，還有灣區(qū)的一些初創(chuàng)公司。

該研究小組開發(fā)的這個平臺，使自動駕駛汽車能夠在復(fù)雜多變的環(huán)境中更快、更經(jīng)濟的解決安全性的問題。

挑戰(zhàn)

這項研究如此具有挑戰(zhàn)性的原因之一是，自動駕駛汽車是基于AI和ML集機械、電子、計算機技術(shù)以及實時駕駛決策為一體的復(fù)雜系統(tǒng)。典型的自動駕駛汽車可以說是一部“帶輪子的超級計算機”，擁有50多個處理器和加速器，可運行超過1億行代碼以支持計算機視覺和其他ML任務(wù)。

當自動駕駛汽車以每小時70英里的速度行駛時，故障會給駕駛員帶來重大的安全隱患。一方面，在這樣的速度下，除非有針對性的對自動駕駛汽車進行學習培訓，否則無法預(yù)測其行為軌跡。另一方面，從傳統(tǒng)意義上講，如果在計算機或者智能手機遇到軟件故障時，最常見的處理方式是重啟，但這種方式并不適合自動駕駛汽車，并不能讓車隨時停下，否則會造成更嚴重甚至致命的事故。

目前的現(xiàn)行法規(guī)，要求Uber和Waymo之類的公司在公共道路上對車輛進行測試，并且每年向加利福尼亞州DMV報告其車輛的安全性。

基于現(xiàn)狀，研究團隊希望可以探索自動駕駛常見的安全問題、汽車的表現(xiàn)以及其理想的安全指標是什么。所以他們研發(fā)了這個可擴展測試平臺。

項目簡介

CSL研究小組分析了2014－2017年提交的所有安全報告，涵蓋了144輛自動駕駛汽車，累計行駛了1116605英里。他們發(fā)現(xiàn)，在行駛相同里程的情況下，人類駕駛汽車發(fā)生事故的可能性比自動駕駛汽車少4000倍。這意味著自動駕駛汽車未能以驚人的速度適當?shù)靥幚砬闆r并脫離技術(shù)設(shè)定，而常常依靠駕駛員來接管。

研究人員和多家公司在研究過程中發(fā)現(xiàn)，在自動駕駛汽車系統(tǒng)出現(xiàn)特定問題之前，很難訓練該軟件來克服這些問題。而該團隊正在使用計算機仿真和人工智能來加快這一過程。

本文介紹的平臺叫做DriveFI，它通過識別可能導致碰撞和事故的危險情況來解決上述挑戰(zhàn)。DriveFI包括（a）一個FI引擎，可以修改一個自主駕駛系統(tǒng)的軟件和硬件狀態(tài)來模擬故障的發(fā)生，和（b） ML－based故障選擇引擎，我們稱之為貝葉斯故障注入，可以找到最可能的情況和故障導致違反安全條件。相比之下，傳統(tǒng)的FI技術(shù)往往不關(guān)注安全違規(guī)，在實踐中表現(xiàn)率較低，需要大量的測試時間。

DriveFI的框架能夠通過對自動駕駛車輛在故障狀態(tài)下的行為進行因果和反事實推理，發(fā)現(xiàn)安全關(guān)鍵情況和故障。它通過（a）以車輛運動學和AV架構(gòu)的形式整合領(lǐng)域知識，（b）基于橫向和縱向停車距離的安全建模，（c）使用真實的故障模型來模擬軟錯誤和軟件錯誤。（a）、（b）和（c）項被集成到一個貝葉斯網(wǎng)絡(luò)（BN）中。BN提供了一種良好的形式化方法，用可解釋的模型來模擬故障在自動駕駛系統(tǒng)組件之間的傳播。BN支持快速概率推理，這使得DriveFI能夠快速找到安全關(guān)鍵的故障。貝葉斯FI框架可以擴展到其他安全關(guān)鍵系統(tǒng)（如手術(shù)機器人）。該框架需要安全約束和系統(tǒng)軟件體系結(jié)構(gòu)的規(guī)范來建模系統(tǒng)子組件之間的因果關(guān)系。

該平臺使用ADS技術(shù)來支持和代替人類駕駛員來完成控制車輛轉(zhuǎn)向、加速和監(jiān)視周圍環(huán)境（如其他車輛／行人）的任務(wù)。ADS架構(gòu)由5個基本層組成：

傳感器抽象層（上圖中的1）：傳感器抽象層負責根據(jù)傳感器類型對輸入數(shù)據(jù)進行預(yù)處理、噪聲濾波、增益控制、色調(diào)映射、去霧化和感興趣區(qū)域的提取。ADS支持多種傳感器，如全球定位系統(tǒng)（GPS）、慣性測量單元（IMU）、聲納、雷達、激光雷達和相機傳感器。研究人員只使用了兩個攝像頭（安裝在車輛的頂部和前部），還有一個激光雷達。

感知層（上圖中的2）：傳感器抽象層將數(shù)據(jù)輸入感知層，感知層使用計算機視覺技術(shù)（包括深度學習）檢測靜態(tài)對象（如車道、交通標志、障礙物）和出現(xiàn)在駕駛場景中動態(tài)對象（例如：乘用車、卡車、騎自行車的人、行人）。感知層還負責對象和車道的時間跟蹤。跟蹤是必要的，以確保一個對象不會因為分類錯誤或檢測失敗而突然從框架中消失。

定位層（上圖中的3）：定位層負責從各種來源收集數(shù)據(jù)，在地圖中定位自動駕駛車輛。地圖中的定位可以使用GPS傳感器或使用攝像機／激光雷達輸入來完成。本文中描述的研究工作僅使用攝像機／激光雷達和地圖來實現(xiàn)定位，不使用GPS。

預(yù)測層（上圖中的4）：預(yù)測層負責利用模型中的信息（如位置、標題、速度、加速度）生成探測目標的軌跡。因此，它可以概率性地識別自動駕駛汽車路徑中的障礙。

規(guī)劃／控制層（上圖中的5）：規(guī)劃控制層負責根據(jù)車輛的起點和終點生成導航計劃，并向自動駕駛汽車發(fā)送控制信號（驅(qū)動、制動、轉(zhuǎn)向）。路由模塊根據(jù)請求生成高級導航信息，路由模塊需要知道起點和終點，以計算通道的車道和道路。規(guī)劃模塊利用定位輸出、預(yù)測輸出和路由輸出來規(guī)劃安全無碰撞的軌跡。控制模塊以規(guī)劃的軌跡為輸入，生成控制命令傳遞給CAN總線，CAN總線將信息傳遞給機械部件。監(jiān)視系統(tǒng)監(jiān)視車輛包括硬件在內(nèi)的所有模塊，并將其傳遞到人機界面，供人工驅(qū)動程序查看，以確保所有模塊都在正常運行。在模塊或硬件發(fā)生故障時，監(jiān)視器在監(jiān)護模塊中觸發(fā)警報，然后監(jiān)護模塊選擇要采取的行動來防止事故。

該研究小組目前正在構(gòu)建技術(shù)和工具，以產(chǎn)生最大程度影響安全性的駕駛條件和問題。他們發(fā)現(xiàn)大量的安全關(guān)鍵情況，在這些情況下錯誤可能導致事故，而不必枚舉道路上的所有可能性，從而節(jié)省了大量的時間和金錢。

總結(jié)

NVIDIA架構(gòu)研究副總裁Steve Keckler表示：“自動駕駛汽車的安全性對其在市場和社會中的成功至關(guān)重要�！蔽覀兿Ｍ�伊利諾伊州研究團隊正在開發(fā)的技術(shù)將使工程師能夠更輕松地以較低的成本開發(fā)更安全的汽車系統(tǒng)。