Lentis/自動駕駛汽車

斯坦利是斯坦福大學斯坦福賽車隊與大眾電子研究實驗室 (ERL) 合作開發的一款自動駕駛汽車。它參加了 2005 年的 DARPA 大挑戰賽 並取得了勝利，為斯坦福賽車隊贏得了 200 萬美元的獎金，這是機器人歷史上最大的獎金。

自動駕駛汽車被定義為使用人工智慧、感測器和全球定位系統座標來駕駛自己，無需人類駕駛員主動干預的機動車。這些“感測器”可以包括但不限於攝像頭、雷射雷達和雷達。 在過去幾年中，自動駕駛汽車的設計者和倡導者在將自動駕駛汽車整合到交通系統中，最終實現普遍的自動駕駛交通方面取得了重大進展。這項技術可以徹底改變我們對交通運輸的理解，據福特研究與創新部的吉姆·麥克布萊德所說，“從我們現在所處的位置到自動駕駛汽車，沒有任何技術障礙。存在成本問題，但最大的障礙是客戶接受度。” 隨著自動駕駛汽車倡導者越來越接近大規模實施，社會因素將成為他們最大的障礙，他們必須從過去吸取教訓，瞭解如何繼續前進。

案例研究：從第一輛汽車中汲取的教訓

汽車已經從無馬馬車發展成為與我們現代汽車相似的車輛。

19 世紀末和 20 世紀初，汽車的出現徹底改變了個人交通運輸。這些“無馬馬車”最初是仿照人們已經習慣的馬車設計的。隨著人們逐漸克服了這些思維模式，汽車從馬車式設計演變成與現代車輛類似的設計。隨著汽車的演變，它們的執行環境也隨之變化。汽車的早期階段包括關於汽車是否應該允許在道路上行駛的辯論，因為道路是為馬車和行人設計的。隨著汽車的普及，無論是物理基礎設施還是立法，整個基礎設施都必須適應交通運輸的變化；駕駛執照和交通訊號燈成為了安全駕駛車輛的必要條件。與汽車的出現非常類似，自動駕駛汽車的接受體現了交通運輸思維模式的巨大變化。人們駕駛汽車已經超過一個世紀了，學習完全放棄對電子裝置的控制，這將是一次與汽車本身出現時相媲美的過渡時期。

自主程度

駕駛自動化程度

消費者對自動駕駛汽車的一個誤解是，所有自動駕駛汽車都能在沒有人類干預的情況下駕駛。實際上，存在從 0 級到 5 級的等級，描述了車輛獨立執行的程度和頻率。 4 級自主性是人類不再需要接管駕駛的程度，自動駕駛帶來的許多承諾將在該級別實現。目前，大多數正在使用的自動駕駛汽車都處於 2 級，向 3 級和 4 級的進展正以前所未有的速度持續進行。

當前的自動化技術：2020

谷歌自動駕駛汽車在高速控制測試中。

如今，許多先進系統正在使用中，通用汽車的 Super Cruise、特斯拉的 Autopilot、寶馬的 ADAS 以及其他系統都在提供主動駕駛員輔助功能。 雖然每個系統的效能和功能各不相同，但如今使用的系統都具有幫助駕駛員的自動化系統。例如，吉普 和 豐田 等汽車製造商已經發布了配備了諸如 自適應巡航控制 和 車道偏離警告系統 等自動化系統的車輛。

技術現狀與發展

在全球眾多汽車公司中，有三家值得注意的公司致力於開發全自動駕駛汽車，分別是 通用汽車、特斯拉 和 Waymo。

Waymo 以前被稱為谷歌的自動駕駛汽車專案，已對其技術的效能進行了數百萬英里的測試評估，並在亞利桑那州鳳凰城推出了名為 Waymo One 的自動駕駛拼車服務。 Waymo 廣泛使用 LiDar 和高畫質地圖來實現深度感知。該公司正在積極努力降低其雷射雷達感測器的成本。 Waymo 還使用名為“Carcraft”的模擬器對其汽車進行訓練，以加快學習過程。

通用汽車的感測器套件與 Waymo 類似，使用 LiDar 和高畫質地圖來構建場景。 但是，由於這種基於地圖的方法，通用汽車和 Waymo 的汽車無法在未對映的道路上執行。Super Cruise 在駕駛室內配備了紅外攝像頭，可以識別駕駛員是否在觀察道路，如果駕駛員的目光偏離，它將關閉自動化功能。

特斯拉開發了一項名為特斯拉自動駕駛的功能，根據美國國家公路交通安全管理局釋出的自動化級別，該功能屬於“部分自動化”；該公司希望未來開發支援完全自動駕駛的軟體。 特斯拉的系統沒有雷射雷達，只使用攝像頭和雷達，並聲稱他們可以僅憑攝像頭視覺準確地估計深度。 特斯拉認為，效能只有透過訓練的多樣性和規模才能實現，因此最好的學習體驗是現實世界的體驗。 秉持這一目標，截至 2021 年 1 月，特斯拉估計已在自動駕駛模式下行駛了 50 億英里。

優勢

安全性

根據公路安全保險協會的資料，2017 年美國有超過 37,000 人死於車禍。 蘭德公司 2017 年釋出的一項研究發現，儘早採用高度自動駕駛汽車 (HAV) 可以挽救生命。 雖然完美的自動駕駛汽車仍在開發中，但今天的系統已經證明了安全性的提高。 截至 2020 年第三季度，特斯拉每行駛 459 萬英里發生一起事故，而當時駕駛員啟用了自動駕駛。 相比之下，美國國家公路交通安全管理局最新資料顯示，在美國每行駛 479,000 英里就會發生一起汽車事故。

自動駕駛汽車在現實世界中行駛時面臨的一個核心問題是，它們會遇到日常生活中各種各樣的情況。 任何即時系統都必須處理環境中的所有複雜資訊，並能夠在新的情況下理性地行動。 雖然自動駕駛汽車中用於識別物體的底層神經網路在識別之前訓練過的物體方面表現出色，但在將這種學習能力轉移到新的物體和情況方面卻很吃力。 安全性與物體感知的準確性成正比，特斯拉希望快速迭代，克服這一缺陷。 隨著它們不斷遇到新情況和新物體，並透過觀察其系統失敗的地方，它們可以重新訓練底層的 HydraNets，防止由於場景中物體標記錯誤而導致的整類事故。

燃油效率和交通狀況

自動駕駛汽車的廣泛應用可以提高燃油效率，降低燃油消耗。 自適應巡航控制 (ACC) 被認為是 1 級自動化， 已經取得了一些成效。 電氣電子工程師協會 (IEEE) 進行的一項研究發現，配備自適應巡航控制的車輛比沒有配備 ACC 的車輛的燃油消耗降低了 5% 到 7%。 隨著更高級別的自動駕駛技術的應用，燃油效率可能會進一步提高。

最佳燃油效率可以在更遙遠的未來實現。 如果自動駕駛汽車被證明與一些專家預測的一樣安全，汽車就可以完全重新設計。 通用汽車電氣和控制整合實驗室主任納迪·布萊斯預測：“你可以去除用於碰撞保護的重量，使用非常輕的材料來替代金屬作為外殼。” 透過去除不必要的重量，車輛的燃油效率將大大提高。 這還可以消除安全技術（如安全氣囊）的成本。

車對車通訊可以提高燃油效率和交通擁堵情況，以及安全性。 IEEE 釋出的關於自動駕駛汽車跟隨控制系統和協作式汽車跟隨控制 (C-CFC) 系統模擬結果表明，這兩種控制演算法都能改善交通擁堵情況下的交通流量。 模擬中使用 C-CFC 演算法的汽車比沒有使用 C-CFC 演算法的汽車燃油效率更高。

其他優勢

2018 年多倫多大學的一項研究發現，自動駕駛汽車可以將停車場所需的面積減少 62%。 全自動駕駛汽車會將乘客送達目的地。 由於沒有乘客需要在停車場下車，自動駕駛汽車可以停得更近。 車對車通訊將允許汽車以網格狀佈局排列。 當一輛汽車駛出車庫時，周圍的汽車會重新排列。 這兩個因素有助於減少公共停車所需的面積。

採用障礙

法律

法律問題是自動駕駛汽車大規模生產和使用面臨的最重大障礙之一。 這些車輛的引入已經並且將繼續影響社會的大部分方面，因此決策者必須朝著制定一套全面的適用立法邁進。

治理

內華達州（2011 年 6 月 6 日）是第一個有效允許自動駕駛汽車執行的州，該州授權內華達州交通部制定管理這些車輛的規則和條例。 自那以後，另外 29 個州頒佈了與自動駕駛汽車相關的立法。 10 個州的州長已釋出行政命令，以幫助推動法律進展。

在聯邦層面，立法者試圖為自動駕駛汽車的測試和執行制定一個框架。 自內華達州於 2011 年首次頒佈立法以來，聯邦政府進展甚微，因為法律問題已變得有爭議且多方面。 2017 年是一個最近的轉折點——兩項兩黨法案在國會提出。 自駕法案在委員會一致透過，並在美國眾議院議場以口頭表決的方式透過，而 AV START 法案在委員會一致透過，但從未提交給美國參議院議場。 由於對安全細節的擔憂，兩項法案之間的分歧沒有得到解決，而且兩項法案都沒有透過。 高速公路和汽車安全倡導者、消費者報告、美國消費者聯合會和汽車安全中心表達了對安全性的擔憂，聲稱“匆忙透過一項法案，為大規模部署危險的、未經驗證的系統鋪平道路…… 利用關於安全的可疑說法，充其量是誤導和虛假，最糟糕的是魯莽和致命。” 兩項立法在很大程度上是類似的。 它們將“確立聯邦政府在確保高度自動駕駛汽車安全方面的作用，鼓勵這類車輛的測試和部署”， 同時防止各州頒佈相關法律，除非嚴格遵守聯邦法律。 它們還將指示美國國家公路交通安全管理局 (NHTSA) 釋出自動駕駛汽車安全標準。 然而，在 2018 年，交通部釋出了新的自動駕駛汽車指南，稱為自動駕駛汽車 3.0。 這份自願指南推動了安全原則和實施戰略，減少了政策不確定性，並就未來如何與交通部合作提供了建議。

在 2019 年 8 月，美國眾議院能源與商業委員會 和 美國參議院商務、科學和運輸委員會 向行業、非營利組織和殘疾人權益倡導者徵求意見，以幫助制定新的兩黨法案。2019 年 10 月，參議院委員會開始分發預期法案第一個草案的前幾節，該草案的措辭與 SELF DRIVE 法案的措辭相當。新法案的時間表尚不清楚。

責任

自動駕駛汽車廣泛普及的一個主要挑戰是 責任 不確定性。這是一個特別重要的挑戰，因為它將決定自動駕駛汽車商業化的格局。 當發生汽車事故或其他有責任方的違規行為時，誰將承擔責任仍然不確定，因為“目前還沒有明確的法律框架來規定如何將責任分配給負責設計自動駕駛系統（製造商、供應商、軟體提供商或軟體運營商）的第三方。” 有人質疑，如果車輛存在所有者或運營商，他們是否應該因車輛損壞獲得賠償。 也不清楚是否將存在標準化的碰撞演算法，以允許對責任評估採用更普遍適用的方法。

資料隱私

資料隱私與責任息息相關。保險公司權衡將訪問或出售多少以及什麼型別的資料以更準確地分配責任。自動駕駛汽車依靠無數的感測器持續取樣以確保安全執行。位置資料可能會洩露到外部網路，使他人能夠跟蹤車輛。自動駕駛汽車使用者可能會從其自動駕駛汽車資料中收到高度針對性的廣告，這可能會向公司提供私人資訊。

當前的政策解決了一些與車輛資料相關的隱私問題。 2017 年的《汽車安全與隱私研究法案》 要求國家公路交通安全管理局保護駕駛資料免遭未經授權的訪問，包括出於營銷和廣告目的。該法案適用於自動駕駛汽車，但沒有為這些車輛指定具體的附加措辭。

倫理

電車難題的描繪

2018 年 3 月，一輛在自動駕駛系統控制下執行的 Uber 汽車撞死了一名行人。這名行人伊萊恩·赫茨伯格當時騎著腳踏車穿過街道。儘管汽車檢測到其路徑中的物體，但演算法沒有剎車。預計在這種情況下，備用的人類駕駛員會踩剎車。 這一結果令許多人擔憂，並引發了一個問題：機器可以作為道德主體嗎？隨著自動駕駛汽車的普及，工程師將不得不面對類似於 電車難題 的問題，該難題探討了一輛在軌道上行駛的電車。電車可以繼續行駛，撞到軌道上綁著 5 個人的軌道，也可以切換軌道，撞到 1 個人。倫理學家正在討論這些難題。

網路安全

網路安全對自動駕駛汽車構成威脅。自動駕駛汽車容易受到駭客攻擊，使連線到這些車輛的眾多網路也容易受到攻擊。自動駕駛汽車越普及，面臨的威脅就越大。

公眾認知

2019 年的一項研究發現，公眾認知會影響自動駕駛汽車的採用難易程度。熟悉程度在這些認知中起著作用。隨著人們與自動駕駛汽車的互動增加，公眾對自動駕駛汽車的看法也會改善。該研究建議實施允許與自動駕駛汽車更多互動的政策。

經濟學

對就業的影響

運輸行業佔美國勞動力的大部分比例。有 20.7 萬名計程車司機、240 萬名卡車司機、16 萬名優步司機 和 57 萬名公交車司機，總共有超過 340 萬個駕駛崗位。這個數字還沒有包括支援卡車司機/駕駛員的卡車停靠站、支援人員等，如果把這些因素考慮進去，由於自動駕駛汽車，將有高達 700 萬個工作崗位面臨風險。目前美國勞動力規模為 1.646 億，這佔美國勞動力的 4.25%。儘管這一比例很大，但預計到 2045 年至 2055 年（預計這些自動駕駛汽車將產生最大影響的時期），失業率只會下降 0.06% 至 0.13%。

潛在影響

就業方面的相對較小影響是由於自主駕駛汽車的益處以及美國預測的就業崗位轉移。隨著自主駕駛汽車的引入，交通出行將大幅增加，出行也更加便捷。由於缺乏交通工具而失業的人數將大幅減少，這對失業率產生積極影響。此外，美國每年花費 8400 億美元用於應對和處理汽車事故。由於新的自動駕駛技術大幅降低了事故/碰撞率，預計到 2050 年，美國將每年因此受益 8000 億美元。這些節省可以以促進就業的政府投資或其他形式的經濟刺激的形式出現。就像一個世紀前從農業到工業的就業崗位轉移一樣，預計將發生從駕駛到其他行業的就業崗位轉移。正如美國未來能源保障公司自動駕駛汽車和移動創新副總裁阿米泰·賓-努恩所說，“這不是因為美國人不再吃飯。” 在引入“偷走工作”的農業技術前後，對食物的需求是一樣的，但失業率並沒有受到很大的影響。駕駛技術的引入也反映了這種模式，因此預測了類似的結果。

應對措施

隨著自主駕駛汽車的到來以及它們對美國就業的影響，如何應對這一問題成為了總統候選人安德魯·楊爭論的主題。雖然之前已經通過了關於自動駕駛技術發展的立法，但楊是第一個在辯論舞臺上以及在他 2020 年總統競選過程中，將對相關失業問題的應對措施作為一項核心政策的政治家。他曾引用“卡車駕駛是 29 個州最常見的職業”的著名言論，試圖吸引工薪階層，並提出可以緩解向自動駕駛技術過渡的解決方案。值得注意的是，楊的政策有兩個主要要點

• 將任命一位“卡車運輸主管”，負責監督卡車司機成功過渡到其他職業。
• 據估計，自動化貨運將為企業每年節省 1680 億美元。這些利潤將被徵稅，並重新分配為對因這些新技術而失去工作的卡車司機的遣散費。

未來影響

交通流量

車水馬龍和高峰時段是城市通勤者每天都會遇到的常見情況。如果一名司機突然急剎車，可能會對交通流量造成巨大影響，導致其後視鏡中的每一輛車都像多米諾骨牌一樣連鎖反應，最終造成交通擁堵。自 20 世紀 30 年代以來，科學家和數學家一直在研究交通流量，利用偏微分方程來模擬交通擁堵環境中的駕駛員行為。藉助亞馬遜網路服務 (AWS) 的計算能力，如今的研究人員能夠使用更強大的機器學習模型來模擬交通流量。加州大學伯克利分校教授亞歷山大·拜恩一直在使用深度強化學習（機器學習的一個子集）來模擬封閉電路上的汽車行為。拜恩與該領域的其他科學家一起分析了對道路上每輛車的速度進行調節的影響以及對交通擁堵的影響。

拼車和計程車服務

拼車和自主駕駛汽車的交叉點變得越來越突出，因為 Uber 和 Lyft 等公司進入了自動駕駛技術的市場。2020 年 6 月，Lyft 宣佈開發了 5 級自動駕駛汽車，可以提供更安全、更便捷的交通方式。利用超過十億次乘車的資料，Lyft 的軟體能夠將視覺定位技術與現實駕駛場景相結合，模擬更復雜、更真實的駕駛行為。乘客可以隨時召喚自動駕駛汽車；無駕駛員叫車服務的可用性不再依賴於該地區的駕駛員是否清醒且警覺。如果車內沒有駕駛員，乘客與駕駛員之間不安全的互動將是不可能的。

隨著拼車行業在全球範圍內不斷擴張，計程車行業受到了衝擊。與拼車服務相比，計程車服務業務模式按行駛距離和走走停停的交通狀況收費，導致乘客很難預測價格和下車時間。此外，從智慧手機叫車和選擇適合自己需求的車型的便利性讓拼車公司超越了傳統計程車服務。2017 年 7 月，Uber 在紐約市的日均乘客量超過了黃色計程車，日均乘客量為 289,000 人，而黃色計程車僅為 277,000 人。政府已經出臺了限制措施來保護計程車司機的就業和生計，但隨著自動駕駛汽車的興起，傳統叫車服務的未來可能會在不久的將來面臨困境。

對技術的信任

自動駕駛汽車的發展速度快於普通人對該技術的瞭解速度。這種差距導致許多人缺乏對依靠計算機系統來滿足其交通需求的信任。在完全自動駕駛的情況下，曾經主要由人類做出的駕駛決策將由車輛的硬體和軟體結合做出。來自美國汽車協會、凱利藍皮書和自動駕駛汽車教育夥伴關係 (PAVE)的調查得出了以下統計資料。

• 近四分之三的美國人表示，自動駕駛汽車技術“尚未成熟”。
• 大約 48% 的人表示，他們永遠不會乘坐自動駕駛出租車或拼車。
• 另有 20% 的人認為自動駕駛汽車永遠不會安全。
• 只有 34% 的人認為自動駕駛汽車的優勢將超過其劣勢。

透過計算機模擬試驗和模型，許多研究人員認為，人為錯誤是造成絕大多數汽車事故的原因，而自動駕駛汽車可以減輕這些不利情況。但是，贏得人們對使用這種技術的信任是一個必須進一步解決的問題。高水平自動駕駛的有效性取決於使用該軟體的人們的支援，因為這些技術在同步執行時效果更好，而不是在孤立的情況下執行。