预测错了：自动驾驶汽车还有很长的路要走

从方向盘后面移除人是一个难以破解的坚果。在我们达到无人驾驶，无事故的乌托邦之前，我们已经梦想了几十年，我们必须克服几个障碍，而且它们并非都是技术性的。

几年前，自动驾驶汽车似乎已准备好接管道路。

“从2020年开始，你将是一个永久的指手画脚，” 卫报在2015年完全自主车表示，从A点“开车到B点和遇到的路上场景的整个范围，而无需从驾驶员，任何交互业务Insider在2016年写道。

现在很清楚，许多这些估计都被夸大了; 看看优步在亚利桑那州遇到的麻烦。无人驾驶汽车肯定会让我们的道路更安全，但是从方向盘后面移走人类是一个难以破解的坚果。在我们达到无人驾驶，无事故的乌托邦之前，我们已经梦想了几十年，我们必须克服几个障碍，而且它们并非都是技术性的。

浏览开放环境

自动驾驶汽车必须在不可预测和变化的环境中航行。

“我认为当我们考虑汽车时，重要的是这些东西需要自动驾驶。这就是自治语言真正让我们陷入困境的地方，因为自治只适用于给定的系统，”Jack Stilgoe说。 ，伦敦大学学院的社会科学家和无人驾驶期货项目的负责人。

他说，包括火车和飞机在内的其他运输行业已经实现了比汽车更高水平的自主权。

“飞机自动驾驶仪的功能只是因为空域是一个高度控制的环境。如果你将热气球飞到747的路径上，它将直接穿过你，它将非常清楚它的错误，” Stilgoe指出。“与火车一样。无人驾驶是有道理的，因为很明显系统是封闭的。”

相比之下，汽车在道路上运行，这些道路是高度复杂和开放的系统 - 比火车具有不受汽车，动物和行人限制的专用轨道的铁路更不可预测。自动驾驶汽车必须在拥挤的街道上行驶，对道路标志作出反应，处理交叉路口的其他交通，并在不同条件下驾驶标记可能不清楚。它必须学会绕过障碍物，对其他车辆和驾驶员的行动作出反应，最重要的是，避免遇到行人。所有这些使得创造安全的自动驾驶汽车的工作变得更加困难。

“总会有让我们感到惊讶的事情，”Stilgoe说。

给汽车的眼睛和大脑

推动自动驾驶汽车技术的主要技术之一是深度学习，这是人工智能的一个子集，可以根据实例创建行为模型。深度学习算法检查安装在自动驾驶汽车周围的摄像机的视频输入，以查找道路的尺寸，读取标志，并检测障碍物，汽车和行人。

位于Waymo和Uber之间诉讼核心的工程师Anthony Levandowski最近发布了一个自动驾驶技术的视频和性能细节，该技术驱动了3,100英里，从旧金山的金门大桥到纽约的乔治华盛顿大桥，没有将控制权移交给人类驾驶员，只使用摄像机和神经网络。

尽管在州际高速公路上行驶比在城市环境中驾驶要容易得多，但Levandowski的成就值得注意。他的新创业公司Pronto.ai计划将这项技术应用于商业半卡车，这些卡车大部分时间都用在高速公路上。

但是，虽然训练有素的神经网络在检测物体方面可以胜过人类，但它们仍然可能以非理性和危险的方式失败 - 最明显的是致命的2016特斯拉模型S坠毁和2018年X型事故。其他研究表明，当他们在尴尬的位置看到已知物体时，自动驾驶车辆的计算机视觉算法很容易被愚弄。

公平地说，自动驾驶技术在几个例子中防止了事故，但这些案例很少成为头条新闻。

补充神经网络

为了解决神经网络的限制，一些公司已经为他们的汽车配备了激光雷达，这种旋转设备经常出现在自动驾驶汽车之上。激光雷达设备在不同方向发射大量不可见光线，并通过测量这些光线从物体反射并返回所需的时间来创建汽车周围区域的详细3D地图。

激光雷达可以检测图像分类器算法可能遗漏的物体和障碍物。它还可以使汽车在黑暗中看到，并且比雷达更加细致和精确，雷达更适合检测移动物体。

大多数拥有自动驾驶汽车计划的公司都在使用激光雷达，包括Waymo和优步。但这项技术还处于初期阶段。例如，Lidar设备在坑洼或恶劣天气下并不是很好。