箩筐分享｜自动驾驶安全如何“验明正身”

显而易见，在技术层面，自动驾驶正在将“安全第一”的目标走向现实，而政策层面，“国家队”的介入又意味着政府对于这一行业的认可与支持——自动驾驶将比人类驾驶更加安全，就从理论层面必须落实到了实践层面。

对于自动驾驶的安全性问题，我们仍然可以从“如何为了安全”的理论设想，到“确保安全”的技术架构，再到如何真正做到“安全第一”的技术实践，来全面剖析自动驾驶的这一“根本命脉”问题。

为了安全：自动驾驶为何必须胜过人类司机？

想要理解这一层问题并不难，我们只需要回顾自动驾驶技术被创造时的初衷即可。

与多数人所想的提供“从A点到B点”简单的两点式代步通勤不同，自动驾驶技术的发展首要任务实际是减少交通伤亡，提高道路交通安全。通过自动驾驶技术，汽车能够借助全方位的感知系统、智能的决策系统和精确的执行系统充分识别道路中各类动态与静态目标、实现自主决策和车辆运行——这也就意味着，在复杂多变的驾驶环境中，自动驾驶具备理论上比人类驾驶更高的上限。

根据《自动驾驶汽车交通安全白皮书2021》的研究显示，相较于人类驾驶，自动驾驶汽车能够有效地对周边环境进行提前感知，并能够对其他交通参与者做出正确的礼让。在人类驾驶事故场景中，自动驾驶汽车正常行驶的情况下，其能够显著减少车辆行人、非机动车与其它机动车之间的冲突风险，进一步保障弱势交通参与者的生命安全。并且在因驾驶人自身原因等导致的单车事故中，自动驾驶汽车凭借严格的安全算法控制进行有效避免，进一步加强自身安全保障。因此面对中国道路交通环境，发展自动驾驶能够较大的提高道路交通安全。

相较于人类驾驶汽车事故主要致因为自身错误，自动驾驶汽车在行驶过程中不需要或者很少需要驾驶员的操作，车辆的行驶将更加规范，因而能够减少驾驶员因素导致的交通事故。

在面对驾驶人主观错误导致的事故致因中，因自动驾驶汽车不会有疲劳和情绪的影响，完善的决策规划能确保车辆按照交规行驶。此时，驾驶员主观错误中的未按规定让行，速度过快，车道的违规使用，酒驾，违反交通信号灯和疲劳驾驶等现象几乎可以完全得到解决，相当于在自动驾驶汽车正常行驶时能够完全减少人类驾驶的主观错误，即人类驾驶80%的事故致因能够得到有效的避免。交通安全得到较大的提升。

在自动驾驶汽车和人类驾驶汽车混合交通流的环境中，自动驾驶汽车并不能规范其他交通参与者的驾驶行为，不能完全避免其他交通参与者造成的事故，但自动驾驶汽车能够对风险和危险进行提前感知和预判，此时，自动驾驶汽车能够有效的缓解事故带来的伤亡情况，并且能够减少二次事故的碰撞风险。

所以，在自动驾驶技术的加持下，自动驾驶汽车能够有效避免人类驾驶时经常出现的各类问题，甚至在有朝一日做到彻底根除，这在理论上是完全行得通的；但相对应的，自动驾驶技术的思维逻辑终究与人类有别，所以时至今日，自动驾驶汽车总会犯一些常人难以想象的“低级错误”，但这些“低级错误”都可以通过技术的迭代去解决。对于行业而言，这就需要通过感知、认知、标注、验证等手段进行不断完善，而于外行人而言，也需不断增加对自动驾驶技术的了解，并给予更多的理解。

确保安全：AI如何为自动驾驶安全保驾护航？

通过以上描述我们得知，“安全第一”始终都是自动驾驶的核心理念和价值观，其最终目标是自动驾驶系统作为AI驾驶员，能够替代人类实现完全“无人驾驶”——或许这一行业并不存在100%的安全，但这并不妨碍自动驾驶技术朝着100%安全的目标去不断发展与完善。而为了达到这一目的，自动驾驶技术就需要在感知、算法、算力三大根源层面进行不断升级，既要做到完善，也要做到冗余，以最终达到对人类的完全替代。

根据白皮书研究显示，对于自动驾驶的安全技术保证，大概可以从以下四个方面来保证。

在感知层面，环境感知是自动驾驶的前提条件。环境感知系统融合激光雷达、毫米波雷达、摄像头等多传感器的优势，实现车身周围360°视距，在复杂变化的交通环境中稳定检测并跟踪交通者的行为和速度朝向等信息，为决策规划模块提供场景理解信息。

感知算法采用多传感器融合或多摄像头融合的框架，并基于深度神经网络及海量的自动驾驶数据，以更准确识别出障碍物类型、并稳定跟踪障碍物行为，为下游决策模块提供稳定的感知能力。在目前主流的两种融合方案中，基于多传感器融合方案的感知系统是最受欢迎的选择，其可通过异源感知通路形成冗余，为自动驾驶系统提供高容错能力，从而提升系统安全。

具体谈到感知系统的优势时，我们可以与人类进行比较。人类的感知只要依靠大脑通过双眼获取的视觉信息，而双眼的视距仅有120°，不仅中心像素远高于边缘像素，也会受到黑夜、大雾等环境影响，在人类驾驶时很难对环境获得全维感知；而采用多传感器融合方案的感知系统则能够降低这些影响，并通过感知技术的不断进步，最终将其彻底抵消。这也是为何国内自动驾驶企业都选择多传感器技术路线的原因，这一点我们在下面再讲。

在算法层面，算法是自动驾驶技术的大脑，而基于算法的感知、预测、决策和执行动作都将直接影响车辆自动驾驶的能力和效果。算法以“安全第一”为原则，并基于交通安全规范与共识规则，能够为车辆规划出安全、高效、舒适的行驶路径和轨迹——这同样是一个颇具前瞻性的功能，仅在车辆通过红绿灯左转的这一场景下，成熟的算法系统就能为车辆的车速、行驶轨迹、转向角度等进行合理规划与控制，确保车辆能够以让乘客感到舒适的速度与侧倾的前提下，自然地并入左转后的同向车流中，并且保证不压线、不事故。

为了实现这一理想化的功能，我们就必须提升算法的泛化能力，具体则要通过应用数据挖掘和深度学习算法来实现智能规划驾驶行为。这其中既有常规场景下，基于海量测试数据训练的深度学习模型，在常规驾驶场景下保证自动驾驶车辆安全高效平稳的通行；也有一套安全算法层，针对各种典型危险场景设计了一系列安全驾驶策略，保证自动驾驶车辆在任何场景下都能做出安全的驾驶行为。

随着自动驾驶的道路测试数据越来越多，积累大量的极端场景的数据，自动驾驶核心算法通过数据驱动的深度学习算法模型，持续不断进化成提前预判、安全谨慎驾驶的“老司机”。

算力层面，为了服务算法不断提升的泛化能力，终端搭载的芯片算力也必须进行不断升级。目前市场普遍认为，只有算力留出更多冗余，才能够为“硬件预埋、OTA升级”的后续需求提供更多空间，但与此同时，在“软件定义汽车”的理念成为行业共识的背景下，整车厂对于更高算力、更高吞吐量、更低延时以及低功耗的SoC芯片需求愈加紧迫——对此，有媒体曾指出，芯片和算法的协同进化不应该是捆绑关系，而是芯片赋予算法更多的自由度，解放算法实现时的牵绊。如果芯片本身算力不足、开放度不高，芯片与算法的协同只能起到削足适履的效果。这意味着自动驾驶技术真正所需求的，应该以大算力、高兼容性为基础，同时提供开放、灵活的开发环境，尽量减少算法适配芯片的时间与成本的SoC芯片。

显而易见的是，伴随着越来越多车企具备高阶驾驶辅助系统的车型量产下线，自动驾驶的数据量将会发生结构性的改变，其改变不仅仅在于数据量本身指数级的膨胀，由于数据类型的转变，自动驾驶技术会更看重数据传输的带宽与数据搬运的效率。由此，配合5G+V2X技术，建立云端超算中心也将成为算力层面的关键性一步，这种类似“开外挂”似的举措不仅能够为海量测试数据训练的深度学习模型提供算力支持，也能保证云端与终端间的高效协同。

简而言之，感知、算法与算力实际就是将人类驾驶在百年来总结的各项知识、经验与逻辑，翻译成机器能够理解的语言以让机器进行自我学习，在让机器掌握能够模仿、学习人类驾驶逻辑的基础上，再借助比人类更强的感知能力、更快的反应思考速度、更多的参考案例与对各项法律法规的严格遵守能力，让自动驾驶达到并超越人类驾驶，变得足够安全——借助大算力平台与超算中心，自动驾驶技术已经能够算力需求，接下来各大自动驾驶企业要做的应该是以提升多传感器数量＆质量来提供全面甚至冗余的感知数据，再借助算法进行高效的吸收消化，促成自动驾驶技术越发安全。

当然，在这一过程中，采集到的数据应当越多越好，对应的成本也应越低越好，如此才能保证一家自动驾驶企业的竞争力走在行业前列。

做到安全：领先者们如何将安全进行到底？

在各大车企与自动驾驶企业的努力下，自动驾驶技术已经走过了上半场，目前以特斯拉、毫末智行、小鹏汽车为代表的头部自动驾驶企业已经实现了高速场景下的高级驾驶辅助功能，而城市场景也将于今年推出，并将在年底彻底实现全场景功能，为真正的自动驾驶奠定基础。而传统车企们也正全力以赴投入汽车智能化的技术浪潮当中。

如开头所言，奔驰正成为自动驾驶路线上走得最远的传统车企——获得L3级国际认证后奔驰近日直接公开表示，当配备Drive Pilot的奔驰汽车驾驶者打开车辆的高级驾驶员辅助系统后，他们对于汽车的运行不再负有法律责任。假若发生车祸，奔驰将承担相关责任。

奔驰的乘用车辅助驾驶系统名叫智能领航系统（Drive Pilot），目前已经达到L3级，其采用摄像头+激光雷达+高精地图技术路线，能够在有高精度地图支持的特定高速公路开启L3自动驾驶功能，但要求速度不能超过60km/h。其遵守的是今年年初生效的第一个L3 级别法规 ALKS，虽然这使得奔驰成为了全球首个获得“L3级通行证”的汽车厂家，但由于ALKS法规的不成熟，其对L3级的硬性要求非常保守，所以Drive Pilot尚不能支持变道、进出匝道等高阶辅助驾驶功能。

对比传统车企，造车新势力在自动驾驶领域的成绩则是非常瞩目的，而这其中最具争议、但也最具成效与前景的代表便是特斯拉。特斯拉采用了剑走偏锋式的纯视觉技术方案，视觉信息首先通过摄像头由FSD芯片交由AI神经网络技术进行识别、分析与运算，其中一部分算力由车端HW 3.0芯片承担，超过车端算力的则分摊至Dojo超级计算机。

对此，特斯拉将其解释为，“我们希望能够打造一个类似动物视觉皮层的神经网络连接，模拟大脑信息输入和输出的过程。就像光线进入到视网膜当中，我们希望通过摄像头来模拟这个过程”——依照这一逻辑，特斯拉在算法层面采用了HydraNet、transformer等神经网络架构进行数据深度学习，并最终以此为优势将纯视觉方案获取的2D图像拓展为了具备时序、空序的4D向量空间。

基于多传感器融合方案的感知系统，能够通过异源感知通路形成冗余，为自动驾驶系统提供高容错能力从而提升系统安全，这是以小鹏汽车为代表的国内造车新势力不同于特斯拉的理解。为了适应国内更加复杂多变的交通环境，小鹏汽车采用摄像头+激光雷达+高精地图技术路线，以高精地图为主导，视觉系统作为辅助，激光雷达作为冗余支持，加以30 TOP NVIDIA Xavier支持，不仅能够实现厘米级城市定位能力，还能并串联停车场、高速、城市道路等不同场景。

同样采用摄像头+激光雷达+高精地图的技术路线，背靠长城汽车的自动驾驶企业毫末智行也总结出了一套极具前瞻性的方法论，并在通向成功的道路上大步前行。以今年即将落地的HPilot 3.0为例，算力层面，毫末智行为其提供了单板算力可达360TOP的自研域控制器“小魔盒3.0”，而在感知层面则依靠高精地图与14个摄像头，5个毫米波雷达及2个激光雷达组成的第一梯队级别的硬件配置，实现高速域与即将上线的城市域的辅助驾驶。

数据层面，毫末智行认为，数据就是自动驾驶技术的核心。在对海量用户累计行驶里程数据进行分析总结后，毫末得出了自动驾驶能力发展曲线：F=Z+M（X）。其中F代表产品力，Z代表毫末第一代产品，M是将数据转化为知识的函数，包括数据获取、表达、存储、传输、计算、验证，以及对成本和速度的影响，也就是数据智能体系MANA。以MANA为指导，并借助长城汽车庞大量产优势带来的海量数据来训练算法，进行大规模采集、测试与验证。

算法层面，为实现多传感器感应数据的高效融合，毫末智行为MANA引入了Transformer多层神经架构做空间和时间上的前融合，首先Transformer 编码图像特征，将其解码到三维空间，而坐标系变换已经被嵌入到了自注意力的计算过程中，实现空间前融合；其次时序数据作为Transformer的老本行，可以被自然地提取到时序特征。

Transformer解决了MANA在感知层面面临的问题，而在认知层面，MANA则借助CSS解决自动驾驶的安全问题。毫末智行拥有全栈自研安全认知模型CSS，其核心是自动驾驶系统不只局限在从纯机械的角度保证自己不主动犯错，而是充分考虑从数据中学习到的对其他交通参与者行为的理解和超时空的历史经验；而在安全底线之上，MANA能够从数据中学习舒适和更高效的量化标准，让自动驾驶算法可以更好地处理纷繁复杂的驾驶场景，制定更符合用户喜好的驾驶策略。并且通过自动化场景挖掘、强化学习、仿真引擎构建认知智能闭环系统，持续不断从海量人驾数据中提取知识，快速迭代车端认知算法能力。

从奔驰到特斯拉再到毫末智行，我们看到自动驾驶技术被逐渐勾勒清晰，其功能不仅变得越发强大，安全也越发得以保证，这正是毫末智行由MANA前瞻性的战略规划，即以数据为核心，以更高效＆更低成本获取数据为方式所带来的制胜优势。以数据为保证，算力算法为支撑，自动驾驶技术将越来越智能，自然也会越来越安全。

2022，安全的自动驾驶正在到来

自动驾驶是否能真正确保安全、做到安全？相信看到这里，你已经有了更为清晰的认识，并对自动驾驶技术的未来建立了初步的自信。

在国家政策的支持下，自动驾驶技术已不再是空中楼阁。数据智能在自动驾驶中的应用，已经成为推动自动驾驶安全的技术加速器。技术迭代对于政策的落地和相关标准的出台，起到正向赋能的积极作用。

进入2022年，国内外各大头部自动驾驶企业纷纷入局高阶辅助驾驶城市场景，并依次为重要阶段，以下半年为关键节点，实现全场景高阶辅助驾驶，进而实现完全自动驾驶。在国内，以毫末智行为代表的自动驾驶企业为自动驾驶技术规划了清晰的蓝图，而国家政策也予以了肯定与支持，自动驾驶将逐步在未来几年在大众的日常出行场景中成为“新常态”。

转载自智驾最前沿，文中观点仅供分享交流，不代表本号立场，如涉及版权等问题，请您告知，我们将及时处理。