全新自动驾驶测试平台效率暴涨千倍，华人研发团队登上 Nature 子刊

自动驾驶时代一定会到来，这已经成为了 汽车 工业界的共识。

但对于自动驾驶技术目前还面临什么关键技术难题、何时才能真正实现大规模商用等问题，很多人却也还是雾里看花、一知半解。

此次，品驾带着对自动驾驶技术的求解之心，走进美国密西根大学智能网联交通研究中心，专访 Henry Liu 教授团队。就在不久前，由该华人研究团队所提出的全新自动驾驶汽车智能测试方法登上了《Nature Communications》，在业界引起了广泛关注。

▌ 实现自动驾驶技术的关键问题

日产汽车曾在 2014 年笃定地认为，到 2020 年市场上将会出现多款无人驾驶汽车，马斯克也曾在 2015 年时宣称，2018 年特斯拉 L5 级别的 " 完全自动驾驶 " 就将面世。然而，时至今日，我们仍然没有看到有完全无人驾驶的汽车穿梭于日常生活之中。

那么，是什么导致无人驾驶汽车的商用之路不断延期？

在回答这个问题之前，我们需要了解一辆合格的自动驾驶汽车是如何产生的。

" 自动驾驶汽车是一个很复杂的系统，它的实现不仅需要硬件和软件的通力协作，更重要的是要具有智能性并且能够不断学习。这就需要海量的自然驾驶数据不断地进行测试与训练以确保安全。"Henry Liu 教授向品驾解释道。

HenryLiu 教授表示，当前各大车厂其实都有能力制造出具有一定程度自动驾驶能力的测试车了， 但难点就在于测试层面——如何能够确保无人驾驶汽车的安全性。

" 实际上现在已经投入市场的大部分产品都还停留在辅助驾驶阶段，最多也就是介于 L2-L3 级之间。其中主要原因之一就在于，驾驶系统还无法保证汽车能够在完全脱离驾驶员的情况下足够安全地行驶。"

据美国交通部的统计数据，人类驾驶员平均每百万英里会发生一次碰撞事故，每 9000 万英里会发生一次致死事故，而自动驾驶的安全性能要比人类驾驶员高出三个数量级才能满足预期， 即一辆无人驾驶汽车要保证开出的十亿英里内不能发生任何碰撞事故。

为了达到该安全范围，需要搜集海量的 " 问题数据 " 进行分析，同时还要保证这些数据是发生在不同的驾驶环境下的，而这往往要累积几千亿英里甚至万亿级别的测试里程才能够进行有效验证。

安全事故发生的低概率与车辆行驶环境的复杂性，成为了在对自动驾驶汽车进行安全性能测试中亟待解决的难题。

▌ 构建更高效、更智能的测试环境

几千亿英里级别的测试里程是一个什么概念呢？

最早涉及自动驾驶技术研究的 Waymo，自 2009 年正式成立以来，持续测试了十多年，道路实测才仅有 2000 万英里，仿真测试也只有 150 亿英里。

为了完成如此大规模的测试， 让样车在真实的环境中进行 " 试跑 " 显然是远远不足的，仿真平台测试和测试场测试其实是目前各大车厂最主要的数据来源。

" 简单来讲，仿真测试就像是构建了一个基于真实世界的 游戏 ，让一辆自动驾驶汽车在这个虚拟世界里不停地运行。" 文章第一作者封硕博士解释道，" 但由于这个环境是基于数学模型构建的，如果我们想要计算结果越接近真实世界，那这个模型的构建就越复杂，计算速度也会越慢。"

而为了提高测试的效率，目前很多车厂在仿真测试上都会采用 " 场景式 " 的测试方法。

所谓 " 场景式 " 测试，就是指测试者会事先将现实世界中车辆可能遇到的情形进行分类，然后按类别来为车辆设置特定的事件，比如让它身边行驶的车辆突然从前方切入，或者是在前方道路出现障碍物，从而测试并训练车辆在这些特定场景下的处理能力。

但是基于场景来进行测试的方法一般是离散、片段的，更适用于自动驾驶的功能性测试，无法有效衡量自动驾驶汽车在投放到真实道路之后的性能表现。

" 因为在现实世界中，很多情景并不是割裂开的，比如你在高速上开车，在尝试变道的同时，还可能同时遇到你前方的车辆急刹车的情况，或者你在交叉路口左转时，你在判断没有障碍物的同时，还要能判断右侧直行的来车。"

自动驾驶汽车在现实中需要经历连续的、不间断的复杂驾驶环境，而当前的场景测试方法并无法解决这个难题。

此次，Henry Liu 团队则针对这一业界难点， 提出了一种全新的驾驶环境生成方法，该方法基于大数据构建了一个具有 " 无偏性 " 和 " 挑战性 " 的自然驾驶环境。

什么意思呢？就是在这个仿真环境里，" 陪练 " 车辆的一切行为都跟真实世界无异，有人变道、有人超车、有人急刹。同时，借助人工智能技术，还可以有目的地给 " 陪练 " 车辆发出特定指令来 " 挑战 " 被测试的车辆，从而给 " 主角 " 车辆营造一种真实而富有挑战的测试环境。

△该自然驾驶环境将囊括多种驾驶情形

这一方法，也是业界首个能够构建完整加速测试环境的方案。而通过与类似于 Waymo 的 CarCraft、百度的 AADS 等模拟的自然驾驶环境进行对照测试， 新的方法可以让测试进程加快几百、几千倍，这意味着，在该系统上每测试一英里，相当于在传统平台上测试几百、几千英里。

△新测试方法（NADE）和传统测试方法（NDE）的效率比对

除了在构建仿真平台之外，团队还在探索一种结合增强现实技术的测试场环境。

如今，无论在在美国和中国，都建有很多的无人驾驶测试区。测试区是一片专为训练无人驾驶汽车的微缩城市，囊括了城市道路、高速、乡村土路，甚至颠簸的坏路等各类型的道路，同时设有建筑物、红绿灯、路标和假人，用以验证无人车算法的正确性。

" 但测试场测试的问题在于它是一个与世隔绝的区域，因此缺少大量的汽车、行人等交通环境来跟测试车辆进行‘互动’，从而会影响真实投放的效果评定。"

△密西根大学打造的 Mcity 是全球首座无人驾驶汽车测试场

针对这个问题， Henry Liu 课题组提出的增强现实方案，能够将过去空无一人的测试场变成一个 " 车水马龙 " 的世界。 跟仿真平台一样，除了能够还原现实生活中复杂情形外，还可以主动为测试车构建有挑战的环境。

" 这就好像是给测试车戴上了 AR 眼镜，它会‘看到’测试场里突然多了很多汽车和行人，而且我们还可以在后台给它在行进过程中设置一些困难 , 从而给测试车营造出跟现实世界一样真实同时也有特定挑战的环境。" 封硕解释说。

而该方案接下来也将会在美国自动驾驶测试中心（ACM）进行落地应用，ACM 总裁 Reuben Sarkar 指出，该测试方法将极大降低自动驾驶汽车测试的总成本，使得测试更加安全、可控和可重复，将成为自动驾驶汽车研发的重要推动力。

▌ 自动驾驶时代已经不远

那么，既然有了更高效、便捷的测试方法，自动驾驶技术什么时候才能通过安全测试，真正地走向市场呢？

关于这个问题，封硕表示，人类要走向自动驾驶时代，还需要产业链上各个环节的共同努力。

目前，自动驾驶的安全测试主要包含两个方面：一是收集足够数量的测试数据，寻找车辆本身存在的安全隐患，并评估车辆大规模投入应用后的安全表现；另一方面则是基于搜集到的测试结果，不断提升安全性能使其达到预期，两个方面是相辅相成、迭代提升的关系。

" 对于第一个方面，随着测试方法的不断完善，应该在接下来的 3-5 年内就能克服万亿级英里测试所带来的困难，但是对于基于测试结果的改良，现在还无法有一个明确的预测，因为这将涉及到传感器、导航、控制和决策系统等各个部分的协作，但我个人觉得应该在未来 5-10 年之内，自动驾驶会逐步走向大规模商用。"

虽然很多车厂和技术提供商现在都表示自己已经实现了 L4 级的自动驾驶， 但封硕告诉品驾，其实 L4 级的自动驾驶下也分为不同的层次。

"L5 级自动驾驶是一个理想化的状态，可以理解为一个完美的方案。L4 级因为对应用环境可以进行限制，所以发展到一定程度以上就可以进行大规模商用了。但当前的 L4 级并没有一个细分的标准，应用环境的不同导致自动驾驶难度明显不同，所以现在处于 L4 级别上的厂商实际上水平也是参差不齐的。"

△ SAE 自动驾驶分级标准

在市场化路径上，国内外自动驾驶厂商主要有两种不同的路线。第一种是 " 渐进演化 " 路线，即在传统的汽车上逐渐增加自动驾驶的辅助功能，并通过已售出的汽车来搜集大量真实世界里的数据，最终帮助过渡到完全自动驾驶的阶段，比如特斯拉、蔚来、理想、小鹏等。

另外一种则是走 " 一步到位 " 路线，即在攻克能够规模化应用的自动驾驶技术之后，再生产真正不需要司机、没有脚踏板的 " 全新 " 自动驾驶汽车，比如 Waymo、Cruise、百度 Apollo 等。

封硕认为， 两种路线从研究角度来看并无明确的优劣之分，主要是 商业 模式上的区别。 无论选择哪种路线，大家现在的目标都是搜集大量的驾驶数据，进而验证并提升车辆的安全性能。

而关于各家车企的研究进展，除了每年官方公布的报告外，公开资料其实一直控制在有限范围，所以目前业界也不清楚它们的各自技术研究已经发展至哪个阶段，可能哪天某个企业就会发布出重磅成果，给行业带来颠覆性的改变。

最后，封硕说道，" 自动驾驶是一个非常复杂的系统性工程，涉及的专业领域非常广，这些年无论是学术界还是工业界，都在各自的领域里埋头苦干，大家是竞争对手也是合作伙伴，但我们共同目标都是希望早日将人类带入自动驾驶时代，而现在看来，黎明已经在不远处。"

Henry Liu 团队该课题论文：

Shuo Feng et al. Intelligent driving intelligencetest for autonomous vehicles with naturalistic and adversarial environment,Nature Communications ( 2021 ) . DOI: 10.1038/s41467-021-21007-8. https://www.nature.com/articles/s41467-021-21007-8

美国密西根大学智能网联实验室：https://traffic.engin.umich.edu/

来源：PingWest品玩