本文作者：张林成、王婵
3月20日一早，Uber自动驾驶汽车撞死行人的新闻开始刷屏，这让不少对这个行业抱有积极期望的群众意识到一个事实：自动驾驶技术还远未成熟。
据了解，Uber 涉事车辆在发生事故时处于自动驾驶模式，车上有一名安全员司机。当天傍晚，受害人推着自行车，从十字路口人行横道外穿过街道时，遇到撞击。事故发生时，受害人并未走人行横道（事故发生地点距离人行横道约100码），而Uber 自动驾驶汽车以及车内的安全员司机均未及时减速。
该安全员司机表示，当时事件发生的太突然，受害人突然就出现在他们前方，司机收到的第一个交通事故警报是碰撞的声音。而警方在看过车载录像后也认为，Uber方面可能并不存在过错，“在观看过车载录像之后，我们发现无论处于哪种模式，本次碰撞都难以避免，因为受害人是从暗处突然闯入机动车道的。”警方为此特别提醒行人傍晚最好通过照明情况良好的人行横道穿过马路，并表示使用人行横道绝对能限制这种事再次发生。
虽然本次事件的责任方可能不在Uber，但“全球自动驾驶汽车撞死行人第一案”对于整个行业的消极影响可能是极大的。有数据统计称，人类驾驶员平均每驾驶6000万英里就会就会发生一起致命车祸，因此，一般认为要检测自动驾驶汽车的安全性，其路测至少应该达到6000万英里左右。然而Uber仅仅才路测了200多万英里便已经撞死了一名行人。实际上，就算再加上谷歌兄弟公司Waymo 500万英里的路测数据，目前的自动驾驶路测里程数也远不及6000万英里。
自动驾驶出事故已经不是一两次
在49岁的恩赫茨伯格女士不幸地成为世界上第一个被自动驾驶汽车夺去生命的行人之前，这一先锋技术实际上已经多次在道路上引起或大或小的各种麻烦。
最早的一次事故可以追溯到2016年1月20日，事发路段为京港澳高速河北邯郸段，一辆特斯拉轿车直接撞上一辆正在作业的道路清扫车，司机高雅宁不幸身亡。调查发现车辆在案发时正处于自动驾驶状态。
2016年堪称自动驾驶技术发展史上的多事之秋。当年5月，一辆处于自动驾驶状态的特斯拉再次在佛罗里达州卷入了一场车祸之中，结果司机丧生。四个月后，又是一辆特斯拉 Model S 电动轿车在荷兰发生车祸，撞上了路边的大树，驾车的荷兰男子当场死亡。虽然事故车辆在事发时并没有使用 Autopilot 自动驾驶系统，但仍然使当日的特斯拉股价受到了影响。
处于舆论压力和安全性质疑之下的特斯拉公司宣称，自动驾驶模式只是提供驾驶辅助，并不可以完全代替司机的职责，司机应该随时做好人工接手操作的准备。其目前所能实现的，仅仅是暂时代替司机的作用，使旅途变得不那么劳累。另外，特斯拉也发布了新版 Autopilot，能够让司机更加难以忽视警告，把手放在方向盘上。如果司机忽视警告，汽车将会自动停下来。
虽然此类事故已经引来了不少质疑之声，但在刚刚过去的一年里，各家自动驾驶公司仍然在积极又谨慎地尝试把他们的车开到更远的地方去。2017 年7月，李彦宏乘自动驾驶汽车上了北京市五环路，虽然没遇到事故，但却引来了交警的一张罚单。8月，由随车司机控制的Waymo自动驾驶汽车剐蹭了一辆 2006 款奥德赛的前挡泥板。今年2月，TechCrunch的记者还在一辆经过改装的现代 Genesis（车上配备由无人驾驶系统创业公司 Phantom AI 开发的技术）上，与两位 Phantom AI 团队成员一起亲历了一场追尾。
影响自动驾驶安全性的因素可能有哪些？
1、如何处理真实复杂场景
针对这个问题，驭势科技CEO吴甘沙其实早在去年就已与动点科技的记者有过交流。
传统自动驾驶企业都会选择在一个比较理想的实验环境下做测试，效果可能会很好，但是在真实复杂环境下可能就不行了。吴甘沙认为这就好比是练拳击，仅仅跟木头人练拳练得再好，也很难真正与人搏斗。
“这就意味着人工智能首先要了解当前的态势，能够判断当前的危险程度是多大，然后人工智能还要预测对方的动机，以此做出危险程度最小的应对措施。”
实际上，Roadstar首席科学家周光也怀疑，此次Uber事故发生的原因可能就在于AI没能成功预测行人动机。“不太可能是感知出了问题。Uber的车辆均装配了高线数激光雷达，在硬件不出问题的情况下，这个距离，行人肯定是能够检测出来的。”周光猜测，多半是车辆在后面的决策过程中出现了问题。比如认为该行人不太可能直接进入车道等等，但是人的行为是很难预测的。
2、人工智能的鲁棒性
鲁棒性，即系统在异常和危险情况下能够继续正常运行的能力。智能驾驶涉及到用户的生命财产安全，所以对鲁棒性要求很高。
一架飞机的软件测试和验证成本接近其总成本的一半，而一辆奔驰 S 级轿车上的代码量是波音 787 梦想客机代码量的 16 倍。因此，吴甘沙认为，自动驾驶企业在汽车软件方面再怎么花时间和金钱打磨都不为过。
“各国自动驾驶企业在快速发展，但在商业化过程中不能过于激进。我们在拥抱科技创新的同时，也需要对汽车产业的原有规律具备敬畏之心。”对于Uber的此次事故，吴甘沙反思说。
3、训练数据依然不够
传统的自动驾驶方案是针对每一个场景，都专门编写一套如何应对的程序。比如编写一个程序，要求自动驾驶汽车遇到红灯时便自动停车。然而，由于道路环境太过复杂，一个个地编写程序太过困难，于是便有了深度学习这条自动驾驶的新路。
而众所周知，深度学习需要大量的数据来“喂”，而且对于“大量”如何量化，业界也一直没有公认的答案，大部分公司只会说“越多越好”。而且值得一提的是，目前的深度学习并没有“举一反三”的能力，也就是说，即使你成功训练了车辆识别功能，但当自动驾驶汽车被一个诸如快递盒等未学习过的物品挡住的时候，这辆车可能仍然会不知所措。
4、数据融合方案的差异性
目前，几乎所有的自动驾驶企业都在采用多传感器融合的方案做自动驾驶，以增强系统的稳定性，防止单一传感器失效之后可能出现的事故。但很多人并不知道，数据层面其实也是可以融合的，数据融合能提高自动驾驶的安全性。
具体来说，数据融合又可以分为前融合以及后融合，前融合是指从原始数据层面，对多传感器数据进行融合，而后融合则是指在各个传感器的信息都各自处理完了之后再融合。后融合的实现比较简单，但会导致很多细节信息的丢失。
“然而，多数无人驾驶公司采用不融合或者后融合的感知方案，导致原始数据信息量的降低。并导致检测距离过近，甚至会出现漏检的情况。”Roadstar合伙人周光认为这也可能导致安全隐患。
5、其他
另外，海高汽车CEO徐超补充表示，传感器、算力、算法、执行机构和控制精度等都是瓶颈。
其中，关于执行机构和控制精度，徐超表示目前自动驾驶汽车在这方面远远没有达到超过人的程度，“因为，人对车的控制是有动态调整。”
徐超介绍，执行机构和控制精度的不足，在汽车当中其实相当明显，而且造成这种现象的原因并非是具体的机电控制系统达不到所要的精度，而是由于各部件的制造装配工艺的差异，组装间隙，底盘悬挂和轮胎的非刚性特征，导致实际执行精度远远达不到指令要求的目标值。“而且，这部分往往是非车辆工程专业背景的自动驾驶团队所忽视的。”
徐超表示，人之所以能够在这种不精准中正常驾驶传统汽车，主要原因就是人在驾驶操作过程中，可以不断的进行“高速闭环修正”。“这样虽然控制执行精度没有提升，但修正的效果会非常不错。”徐超认为这种修正能力正是目前自动驾驶汽车所缺失的。
关于传感器，徐超表示：“无论视觉毫米波还是激光，和人类和其他生物相比，都有非常大的差距。”不过，徐超表示这种差距未来或许可以以网联系统来逐渐消除。
Uber事故给自动驾驶带来了什么
事故发生后，Uber 紧急暂停了在坦佩、匹兹堡、旧金山和多伦多等城市进行的所有自动驾驶汽车测试。
而且这一事件也有可能致使相关部门收紧对于自动驾驶汽车的监管。据《连线》报道，美国参议员理查德·布卢门撒尔在一份声明中就表示，“这一悲惨事件清楚表明，关于让乘客，行人和司机分享美国道路的真正安全之前，自动驾驶汽车技术还有很长的路要走……我们急于创新，但我们也不能忘记基本安全。”
经过了这次血的教训，继续支持自动驾驶技术看起来更像是一个痛定思痛的反思。“这次事故恰恰说明了人开车不安全。因为安全员在这个情况下，做出了（与机器）同样的判断，（因此）才没有进行接管，并导致车祸发生。”周光认为无人驾驶的最终目标，是要使机器做出优于安全员的判断。
相关阅读：《自动驾驶圈地赛》
