地址驾驭自动驾驶中的不确定性

摘要

自动驾驶是一个高度复杂的感知与控制问题。如今的车辆可能配备多种不同组合的传感器套件，包括雷达、摄像头和激光雷达等新型且更先进的传感器。车辆中的每个传感器以不同的层次提供有关环境的特定信息，并具有固有的不确定性和精度测量。除了用于感知的传感器外，控制系统还需要对其空间位置及其周围环境的基本认知，这些信息可与感知的局部空间相结合。地图构建本身所面临的固有挑战也带来了一系列不确定性。因此，地图本身可以被视为一种具有多层次不确定性及精度测量的非常复杂的传感器。用于整合这些信息的算法必须能够管理误差的传播，融合信息以减少不确定性，并最终对生成的表示提供一定程度的置信度，从而支持安全导航决策和行动。

1 引言

关于自动驾驶汽车何时能够部署，人们有着许多不同的看法。这是由于必须在汽车平台上集成并交付的工程解决方案极为复杂。许多技术挑战仍有待解决：算法的、技术的和社会的。在所有这些主题领域中，一个共同且基本的特征都与传感器、算法以及人们对这些技术的使用及使用倾向中固有的不确定性控制相关。这包括从相对简单的GPS精度建模，到掌握误差传播，理解将在控制系统中实现的不确定性下的推理，直至应对自然发生且非常复杂的情境不确定性。本文仅展示了一小部分不同类型的不确定性（第2节）以及克服这些不确定性的方法，以实现乘用车自主控制的实际安全解决方案（第3节）。

2 不确定性的分类

我们将不确定性分为三类，分别与传感器、地图和情境相关。

2.1 传感器中的不确定性

自动驾驶汽车配备了多种传感器，包括全球定位系统、摄像头（单目、立体）、激光雷达、近程传感器（超声波、电磁、雷达）等。来自传感器的数据存在不准确性，必须在后续的融合计算以及对场景和情境的高层表示构建中予以考虑。简单的不准确性度量包括传感器分辨率和传感器噪声模型。在多传感器融合过程中会出现更复杂的挑战，嵌入式推理系统不仅需要理解传感器本身的固有质量，还需了解这些度量在各种环境中的变化情况。例如，车辆必须能够在多种气候条件下运行——如大范围的温度变化、灰尘、降雪等——因此传感器必须能够在不同的环境条件中保持稳定工作。此外，还必须考虑测量值之间的相关性，以便在传感器输出数据仍处于工作范围内时检测其故障。再者，随着计算能力向片上系统（SoC）的不断小型化发展，如今的传感器已成为集成了复杂算法的小型系统，由于附加了计算功能，使得在不同环境条件下单独评估传感器性能变得更加复杂。

2.2 地图不确定性

目前，用于自动驾驶的地图提供了高保真现实模型。构建高保真现实模型是一项多学科交叉的工作，正如现代制图者所需具备的技能和专业知识范围所展示的那样。这些专业知识包括计算机视觉、机器学习和人工智能。更不用说支撑地图构建引擎的内容采集和信息处理所需的工程基础。 展示了使用激光雷达传感器定位特征时产生的简单数据采集不确定性。该过程中的每个步骤都面临保持一致性和质量的挑战。

过去，制图需要大量的人工处理。对于人类使用车载导航系统在道路网络中导航而言，地图保真度远低于自动驾驶的要求。因此，大量的人工处理以及相对较慢的地图更新（每季度甚至每年两次）在过去已足以满足许多驾驶活动的需求。但如今情况已不同。现代制图者必须采用实时自动化流程，以确保地图质量满足当前使用需求，同时在现代地图嵌入的信息内容持续扩增的情况下实现成本管理。

地图现在必须与正在设计用于解决自动驾驶问题的车载感知与控制系统无缝集成。由于多种原因，需要进行近实时的地理参考地图内容更新——其中最主要的原因是自我定位和路径规划。 基于车队的事故检测)显示了地图由于事故引起的变化。“近实时”意味着什么又带来了另一层不确定性——在现实的表示以及现实本身中，存在时间与位置不确定性。在考虑时间因素之前，我们将首先探讨自动化引入的不确定性。

2.2.1 目标检测与定位中的不确定性

当前的自动驾驶解决方案要求地图内容以及车辆相对于地图的定位精度均达到10厘米，参见[12],[8]。车辆自我定位可基于融合传感器信息，必须能够在复杂城市环境中识别地标特征（如显著点特征或具有语义内容的较大特征，例如交通标志），以及在农村地区识别车道线和路缘石。地图本身的特征也需要在10厘米的精度内完成定位。然而，在复杂城市环境中，由于传感器精度带来的位置信息不准确以及累积漂移（误差积累），实现这一目标并不容易。

为了开发用于图像和激光雷达点云中的目标检测与定位算法，研究人员需要基准数据集，参见例如[7]，以比较同一算法在连续迭代中的性能，以及进行不同算法之间的交叉比较。这些数据集对于对算法性能进行全面的科学评估至关重要。自动目标检测/分类不可避免地会产生漏报（漏检目标/错误分类）和误报（幻觉目标/错误分类）。基准数据集使算法能够定义检测/分类结果的置信度度量。因此，这些数据集有助于管理自动化中的不确定性，使研究人员能够根据期望的真阳性率与假正率之间的权衡，设定相应的置信度阈值。

除了使用传感器来自动检测物体外，还可以通过人工输入进行内容引入和内容验证。一种方法是采用众包。这一领域中，不确定性的管理更加困难。利用系统漏洞的行为可能非常容易，因此需要一个强有力的机制来确定所获取信息的有效性。一种非常巧妙的系统[10]被提出以改善物体检测中的不确定性。该系统reCAPTCHA在提供垃圾信息防护的商业价值的同时，利用人类输入为自然图像中的光学字符识别和图像标注创建真实数据。未来，类似这样的系统对于管理众包数据的质量将非常重要。

2.2.2 时序地图不确定性

当前的数字地图致力于创建持续变化的现实的表征。根据定义，某一时刻的快照可能在几分钟后就不再准确，从而导致地图所提供的数据存在固有的时间不确定性。制作地图是一项具有挑战性的任务，涉及融合大量不同类型的数据源，而这些数据源可能包含同一数据的多种不同表示，并存在冲突值。

实时保持地图更新又进一步增加了复杂性。管理地图时间不确定性的两种方法是变化检测（验证已知特征）和事件检测（检测新特征）。

变化检测过程的一个示例是验证地图兴趣点（POI）的状态。无论是否为自动驾驶，加油站或充电站对所有驾驶员都非常重要。站点是开放或关闭（永久或临时）的信息可能是节省行程的关键信息。HERE等地图制作商收集了大量探测数据（每月超过700亿个GPS数据点以及超过8万个高质量来源[2]），这些数据可用于通过查找反映与站点行为一致的活动特征来验证站点是否开放，请参见 。

事件检测的一个示例是交通事故检测。常发性拥堵对驾驶员来说是一种持续的困扰；不幸的是，这方面的不确定性不大。但更令人烦恼的是遇到非常发性拥堵，例如事故、临时道路封闭、车辆故障以及严重天气事件造成的影响。探测数据是发现此类事件的一种机制。[11]描述了一种算法利用探测数据检测和分类交通拥堵。[11]中的图3展示了在时空距离图中捕捉到的拥堵期间的交通事故。x轴为本地时间，y轴为从固定起点沿路线的距离。图中的点为沿路线的地图匹配探测点，颜色表示速度。

2.3 情境不确定性

情境不确定性更具挑战性。当自动驾驶汽车开始与其他车辆以及外部移动物体（例如行人、自行车和动物）进行交互时，就会出现这些情况。尽管嵌入式系统是一种高度复杂的感知与控制系统，但它对驾驶员行为、异常事件、突发性事件的了解有限，更重要的是缺乏人类在日常驾驶中所具备的情境语义理解能力。多智能体强化学习是解决此类问题的现代框架[9]。多智能体系统是由多个相互作用的智能体（自主实体）组成的群体，它们共享一个共同环境，并同时对该环境进行感知和操作。由于自动驾驶中的环境复杂且频繁变化，无法提前对智能体进行完全编程，它们需要通过试错来学习。挑战在于这些错误应尽可能少或不造成后果——这对于大型、重型的移动车辆而言难以实现。这类情境的示例包括环岛汇入，或遇到具有不确定情境的物体，例如球突然出现——车前方是否会有儿童跑向球？

物联网（IoT）、车对车（V2V）和车对基础设施（V2I）通信将在管理情境不确定性方面发挥关键作用，有望促进智能体之间的通信与协作。

3 系统级挑战

我们已经探讨了感知不准确、地图不准确以及为控制决策确定情境语义的挑战。这三个领域需要整合，以形成合理且高可靠性的解决方案，从而实现完全自动驾驶控制系统的规模化部署。在地图不准确与车载传感器鲁棒性之间将存在持续的权衡。HERE将在这一过程中发挥重要作用，因为这些新信息将从车队中收集。概率模型必须利用本地感知来解释新的现实情况，并将其整合到整体车队视图中。

传感器冗余和融合将在实现可接受的不确定性水平方面起到关键作用。未能检测到在汽车前方横穿马路的行人（漏报）可能是致命的。另一方面，控制误报率以防止将其他物体误识为行人同样重要，因为这些错误也可能造成致命后果。

无论自动驾驶汽车何时全面部署[1]，都不仅仅需要解决工程问题。预计自动化等级将逐步提升，参见[5]，这将使工程师有机会加深对各种环境条件下感知不准确的理解。这些感知到的特征的地图集成也将随着时间推移而不断改进。然而，情境不确定性在很大程度上取决于特定自动化等级的道路渗透率。毫无疑问，将会出现相应的管理解决方案，以帮助了解这些不确定性。例如：

• 路径规划与速度控制 — 规划路线时避免左转可消除因预估对向车流而产生的决策风险。现有的车队和移动应用已采用此方法以降低事故风险并提高效率[4]。
• 自动化走廊与校园 — 用于自动驾驶测试的公共道路，例如弗吉尼亚自动化走廊计划[6]。

实现整体车队现实视图的一个推动因素是云集成的标准化。近期行业验证的HERE共享汽车数据标准[3]是充分利用这些联网车辆优势的第一步。该数据标准包含了本文提到的许多不确定性以及其他内容：位置估计（水平、海拔、航向）精度、速度、路面温度、车道标记宽度、车道倾斜度、曲率、坡度、外部空气温度、燃油状态、燃油预估续航里程、车道边界类型置信度、位置偏移（横向、纵向、垂直）、检测到的物体尺寸。

4 结论

在本文中，我们讨论了未来自动驾驶需要应对的几种不确定性。这些不确定性主要出现在车辆对环境的感知以及车辆控制系统自身构建或从其他系统接收的环境表示中。传感器融合、标准化和政策是将不确定性降低到安全车辆行驶可接受水平的重要机制。这些挑战需要跨学科努力，并进行大量的工程开发和测试，才能实现可接受的解决方案，使自动驾驶成为普遍现实。