編譯 | AI科技大本營

參與 | 林椿眄

編輯 | 明明

美國時間週日晚 10 點左右，Uber 的一輛自動駕駛汽車在亞利桑那州 Tempe 市發生交通事故，與一名正在過馬路的行人相撞，隨後該女子在送往醫院後不治身亡。據稱，Uber 在撞上該行人時，正處在自動駕駛狀態。

▌警方表態

根據美國亞利桑那州坦佩市警察局局長  Sylvia Moir 在接受《舊金山紀事報》採訪時表示：經過初步調查，此次事故的主要責任可能要由受害者本人，49 歲的 Elaine Herzberg 承擔。

Sylvia Moir 稱，從沃爾沃的無人 SUV 汽車上攝像機拍攝回來的視訊來看，“可以明顯地看到，根據受害者的陰影可以判定其進入道路的方式。可以說，不論是自動駕駛模式還是人為駕駛模式，都難以避免此次事故的發生。”此次事故發生的地點是距離人行橫道 100 碼的位置。在傍晚時分，即使是穿過照明狀況良好的人行橫道也很危險。”

雖然此次事故車輛是一輛無人駕駛車，但車內前排座位上還坐有一位司機。然而，Moir 表示，在事故發生前該司機似乎沒有進行干預，“這名司機說在事故發生時他的眼前好像閃過一道光，有個人在他的車前面走了過去，發出的第一聲警報就是事故發生的碰撞聲。”

事故初步調查結果表明，Uber 的自動駕駛汽車在限速 35 英里的地區，但它以 38 英里的時速超速行駛，在事故發生前並沒有任何減速剎車的跡象。據稱，受害者 Herzberg 是突然從道路的中間位置走到車行道上的。警方認為她可能無家可歸。

目前，Tempe 警方計劃正與國家運輸安全委員會及國家高速公路交通安全管理局的調查人員合作，進一步調查此次事故，並會給民眾一個交代。

▌解密 Uber 自動駕駛系統

“意外進入行駛路徑”的事情幾乎是自動駕駛汽車工程師首先考慮的突發事件。這種情況有很多，例如突然停下來的汽車、鹿、行人——工程師在設計自動駕駛系統時會盡早檢查到他們，確認並採取減速、停車、轉彎等適當措施。

Uber 自動駕駛汽車配備了幾種不同的成像系統，這些系統既可以執行普通任務(監控附近車輛、標記和車道標線)，也可以用於執行上述特殊任務。在這起事故中，能夠拯救受害者的影像系統應該不少於四個。

1、頂部鐳射雷達

這個位於汽車頂部的桶狀物體就是鐳射雷達系統，它能夠以每秒多次的速度生成汽車周圍的 3D 成像。利用紅外鐳射脈衝將物體反射回感測器，鐳射雷達可以在白天或晚上非常詳細地檢測靜止和移動的物體。

大雪和濃霧可能遮擋鐳射雷達的鐳射，其準確性會隨著射程的降低而降低，但對於幾英尺到幾百英尺內的事物來說，頂部鐳射雷達依舊是非常重要的成像工具，幾乎存在於每輛自動駕駛汽車上。

鐳射雷達生成的影像

如果操作正確，鐳射雷達在沒有被完全遮擋的情況下，應該能夠分辨出人。同時，汽車距離行人有 100 多英尺遠（30 多米），可以把行人成像傳送給“大腦”進行核對。

2、前端雷達

和鐳射雷達一樣，雷達發出訊號，等待其反彈，但它使用的是無線電波，而不是鐳射。這使得雷達具有更強的抗干擾能力，因為無線電可以穿透雪和霧，但也會降低解析度，並改變其射程曲線。

特斯拉自動駕駛系統Autopilot主要依賴雷達

根據 Uber 部署的雷達數量不同，其提供的距離像可能存在巨大差異。Uber 很可能在汽車前後部署了多個雷達，以實現 360 度無死角覆蓋。如果 Uber 是為了給鐳射雷達提供補充，那麼雷達與鐳射雷達的成像可能會存在大幅重疊，但是更多雷達可以用於是識別其他車輛和更大型的障礙物。

3、短焦和長焦光學相機

鐳射雷達和雷達易於確定物體的形狀，但並不擅長讀取標記，理解物體顏色等。這個任務就交給了可見光相機，它內建了精密的計算機視覺演算法，能夠對成像進行實時分析。

Uber 自動駕駛汽車上的相機可以看到指示器標記，制動汽車剎車（交通訊號燈以及穿越十字路口行人）。汽車前端尤其會使用多角度、多種型別的相機，這樣才能獲取汽車前進道路的完整影像。

檢測行人是工程師們試圖解決的最常見問題之一，這種演算法已經非常成熟。這一過程通常被稱作影像分割，一般還會涉及識別標誌、樹木、人行道等等。

光學相機拍攝的影像

對於相機來說，夜間工作很困難，這是一個顯而易見的問題。不過，這個問題可以交給鐳射雷達和雷達來解決。即便是在漆黑的夜晚，一個穿著全黑衣服的人也能夠被鐳射雷達和雷達識別。這些雷達會向汽車發出警告，應該減速或者通過汽車大燈確認行人。這可能就是自動駕駛汽車通常沒有夜間視覺系統的原因（我不能確定 Uber 汽車上沒有）。

4、安全駕駛員

人類很擅長發現障礙物，即便是人眼沒有鐳射器。雖然人類的反應時間不是最好的，但是如果汽車沒有反應或反應錯誤，經過培訓的安去駕駛員會作出正確的反應。

值得一提的是，自動駕駛汽車中還有一箇中央計算單元，它能夠收集各個感測器提供的資訊，然後生成一個更加完整的汽車周圍環境成像。在超越了簡單的物件識別後，自動駕駛汽車開始引入更廣泛的智慧概念，如物件永續性，預測行為等。

▌自動駕駛響應步驟

1、明白所處位置

在設計自動駕駛汽車時，像 Uber 和 Waymo 這樣的公司，首先要建立一個周圍環境的三維地圖。 他們為普通汽車配備了鐳射雷達感測器，這是一種“光探測和測距”裝置，它使用光脈衝訊號來測量距離。當工作人員在道路上駕駛這些汽車時，車上的這些裝置會自動收集製作地圖所需的資訊。

一旦地圖製作完成，自動駕駛汽車在行駛中就可以自行導航。 不僅如此，自動駕駛汽車還將持續地使用鐳射雷達來追蹤行駛過程中的周圍環境，並將其所看到的內容與地圖顯示的內容進行比較。 通過這種方式，自動駕駛汽車就能夠很好地瞭解它所處的地理位置。

此外，鐳射雷達還將對車輛附近的物體發出警告，包括其他汽車，行人和騎自行車的人。

2、配備雷達等感測器

自動駕駛汽車車載雷達有著良好的工作效能，但它也有很大的侷限性。它只能提供周圍近距離物體的資訊，這個弊端嚴重限制了自動駕駛汽車的駕駛速度。此外，它的距離測量結果並不總是足夠清晰，也無法準確地區分一個物件。 更重要的是，當多輛自動駕駛汽車行駛在同一條道路時，它們發出的鐳射雷達訊號可能會相互干擾。

即使在鐳射雷達執行良好的情況下，這些無人車公司也需要一個備份系統。 因此大多數無人駕駛汽車還配備了各種其他感測器，例如相機，雷達和GPS天線等。

藉助 GPS 天線，Uber 和 Waymo 等公司正在為其無人車提供更多關於所處的地理位置的資訊。 使用攝像頭和雷達感測器，還可以收集有關附近行人，騎車人，其他汽車及物體等附加資訊。

此外，攝像頭還提供了識別交通訊號燈、交通路牌、道路標記及其他汽車行駛過程中需要注意的訊號等功能。

3、響應路面資訊

這是無人車駕駛系統最難的部分，需要一個能夠實時篩選所有資料並做出快速響應的系統，這是非常複雜的一個過程。

在有些情況下，工程師會編寫特定的規則來定義無人車在特定情況下應該如何應對。 例如，當 Waymo 的無人車檢測當前訊號為紅燈時，則會停止一切程式讓無人車停下。

但是，一個團隊的工程師們無法做到為自動駕駛汽車可能遇到的每種情況都制定相應的規則。 因此像 Waymo 和 Uber 這樣的公司開始依賴“機器學習”系統，通過分析大量的路面資料來讓系統自動模擬學習車輛的行為。

Waymo 的自動駕駛汽車目前所使用的一個系統，正是通過分析數千張道路照片的方法來識別路面上走路或跑步的行人。

參考：

1:http://fortune.com/2018/03/19/uber-self-driving-car-crash/

2:https://techcrunch.com/2018/03/19/heres-how-ubers-self-driving-cars-are-supposed-to-detect-pedestrians/

3:https://www.nytimes.com/2018/03/19/technology/how-driverless-cars-work.html

招聘

新一年，AI科技大本營的目標更加明確，有更多的想法需要落地，不過目前對於營長來說是“現實跟不上靈魂的腳步”，因為缺人~~

所以，AI科技大本營要壯大隊伍了，現招聘AI記者和資深編譯，有意者請將簡歷投至：gulei@csdn.net，期待你的加入！

如果你暫時不能加入營長的隊伍，也歡迎與營長分享你的精彩文章，投稿郵箱：suiling@csdn.net

AI科技大本營讀者群（計算機視覺、機器學習、深度學習、NLP、Python、AI硬體、AI+金融、AI+PM方向）正在招募中，關注AI科技大本營微信公眾號，後臺回覆：讀者群，聯絡營長，新增營長請備註姓名，研究方向。

☟☟☟點選 | 閱讀原文 | 檢視更多精彩內容