本田北美研究所的首席科學家 Victor Ng-Thow Hing 同意這一觀點，“深度神經(jīng)網(wǎng)絡(luò)在識別任務(wù)上會遠遠超過人，甚至超過基于規(guī)則的算法。有些方面會否定規(guī)則。我認為應(yīng)該有一種混合方法?！?P>Ayrapetian 說，“不論哪種方法，重要的是認識到能不能解決問題。目前，自動駕駛汽車還不能 100% 的一直保持在車道上行駛。在新環(huán)境下，神經(jīng)網(wǎng)絡(luò)也不能很好的工作。甚至谷歌汽車也依靠非常詳細的地圖來識別物體，定位自己。我們還沒有達到非常智能的程度來完全理解傳感器數(shù)據(jù)?！?P>策略分類

對于所有的難題，分類引擎還遠遠不夠。對物體分類如果能夠成功的話，會產(chǎn)生物體列表，標識上距離和速度等實際屬性，根據(jù)其可能的身份進行分類，例如，人、綠化灌木，或者建筑符號等。在分類過程中，也應(yīng)該針對其在 ADAS 判決過程中的重要性而標上屬性：非常危險、導(dǎo)航線索，或者無關(guān)的背景等。還應(yīng)該對分類的不確定性等級進行評價。分類功能應(yīng)使用各種不同的濾波器、神經(jīng)網(wǎng)絡(luò)以及基于規(guī)則的分類樹，通過融合不同傳感器的數(shù)據(jù)得出自己的結(jié)論。

現(xiàn)在，問題的本質(zhì)發(fā)生了很大變化。至少在一些較好的條件下，ADAS 系統(tǒng)非常詳細的知道其位置和環(huán)境。現(xiàn)在，它必須決定下一步做什么，特別是出現(xiàn)不確定性因素時。就目前而言，這意味著基于規(guī)則的系統(tǒng)。

Ayrapetian 解釋說：“您可以使用神經(jīng)網(wǎng)絡(luò)來識別物體，甚至是把汽車放在周圍環(huán)境中。但是，您需要規(guī)則來得出判斷，并解釋?！?P>使用基于規(guī)則的系統(tǒng)來決定 ADAS 響應(yīng)的基本原因可能在于我們對神經(jīng)網(wǎng)絡(luò)工作方式的感情因素?？梢杂?xùn)練深度學習網(wǎng)絡(luò)，使其能夠比人更正確的理解環(huán)境—也就是，99% 的時間都能夠正確理解被測試的視頻。但是，即使對金色獵犬有 1% 的誤解人們也不會滿意：我們要的是非?？煽康囊?guī)則，決不能撞上一條小狗。

更深層次的問題在于系統(tǒng)驗證和控制兼容問題。很多工程師都強烈的感受到，在相信一款設(shè)計之前，必須能夠理解設(shè)計是怎樣工作的—實際上，在規(guī)劃驗證策略之前。而且，符合某些規(guī)則要求設(shè)計中的每一組成都是可追溯的，回溯到最初的需求來源。所有這些需求對于神經(jīng)網(wǎng)絡(luò)而言都是切實的問題，人很難完全理解網(wǎng)絡(luò)中某一階段在干什么，也不能追溯回系統(tǒng)需求文檔的某些章節(jié)。

相反，基于規(guī)則的系統(tǒng)一般非常直觀：您可以讀取一條規(guī)則，知道為什么在此處要采用它。但是，基于規(guī)則的系統(tǒng)實行起來也有局限。很難設(shè)計一個能夠在不可預(yù)見的環(huán)境中正常工作的系統(tǒng)—務(wù)要求很好的進行抽象思維，找到勝任于某些環(huán)境的規(guī)則。隨著規(guī)則的增多，計算要求和行為預(yù)測都會帶來問題。例如，有可能加入看起來非常合理的規(guī)則，不經(jīng)意間，在基于規(guī)則的判斷樹上設(shè)立了死循環(huán)，或者，建立了無法實時遍歷的規(guī)則列表。

除了混合神經(jīng)網(wǎng)絡(luò)和規(guī)則之外，還有第三種因素。很多系統(tǒng)設(shè)計人員覺得根本不可能只從傳感器數(shù)據(jù)中得出正確的環(huán)境模型，因此，他們要求來自基礎(chǔ)設(shè)施的數(shù)據(jù)：來自道路和十字路口的固定傳感器的數(shù)據(jù)，以及從其他車輛送來的數(shù)據(jù)。Ng-Thow Hing 觀察到，“在日本，計劃是使用智能基礎(chǔ)設(shè)施來實現(xiàn)問題追溯?！?道路傳感器可以定位車輛，非常精確的測量其速度，減少物體識別和分類的壓力，從而減少判斷單元的不確定性。來自其他車輛的數(shù)據(jù)是另一關(guān)鍵參數(shù)，車內(nèi)傳感器很難理解這些數(shù)據(jù)：其他車輛要往哪里開。

但是，基礎(chǔ)設(shè)施數(shù)據(jù)需要非常好的社會組織，還要考慮政治因素，以及只有少數(shù)國家能夠承擔得起的投入等。因此，目前世界上大部分 ADAS 設(shè)計人員還不能依靠這些。Schumacher 提醒說：“最后，您還需要地圖信息，需要基礎(chǔ)設(shè)施信息。我們還有時間來‘靠邊停車’?！?P>無論ADAS判斷階段采用哪種實施計劃，它都必須產(chǎn)生兩類輸出 (圖2)。第一類是必須的，輸出至人機接口，告訴并提醒駕駛員。第二類輸出—只是在某些設(shè)計中有，只用于某些環(huán)境中，直接作用在車輛主系統(tǒng)上：轉(zhuǎn)向，剎車，傳動等，如果所有這些都失效了，那么還有被動安全系統(tǒng)。

圖2. 判斷系統(tǒng)有兩類不同的基本輸出流。

可能讓人吃驚的是，最熱門的爭議是人機接口：它什么時候應(yīng)該起作用，怎樣起作用?福特公司的 Buczkowski 在其 DAC 主題演講中，建議應(yīng)該讓駕駛員感到 “這輛車很理解我—也是這么干的。”

這就說明了問題：對于駕駛員，ADAS是有個性的。Schumacher 提醒說：“如果錯誤的反應(yīng)太多，或者系統(tǒng)太謹慎了，那么，駕駛員就會把它關(guān)掉?！?Ng-Thow Hing 對此表示同意：“其復(fù)雜性在于有很多不同的駕駛習慣?！?謹慎的駕駛員喜歡報警甚至是直接干預(yù)。沖動的駕駛員不愿意受到干涉;甚至是那些符合安全駕駛要求的干涉。如果他們覺得 ADAS 系統(tǒng)讓他們在乘客面前出丑了，他們會永久關(guān)掉系統(tǒng)。

Schumacher 解釋說：“例如，道路保持功能在提醒駕駛員時，乘客也會很清楚的知道。如果設(shè)計成直接干預(yù)，可以通過控制轉(zhuǎn)向系統(tǒng)或者采用不同的剎車扭矩來完成。一種方法要比其他方法作用更明顯?！?P>讓人分散注意力也是問題。人機接口必須引起駕駛員的注意，并給出正確反應(yīng)的建議。不能給出不具指導(dǎo)性的警報，這只能進一步分散駕駛員的注意力—特別是在某些緊急時刻。

干預(yù)

如果我們越來越需要自動駕駛汽車，那么 ADAS 對汽車的控制會更多。這就帶來了其他兩種設(shè)計難題—什么時候以及怎樣控制車輛。

第一個問題是兩個問題中最難解決的。很明顯，系統(tǒng)不應(yīng)該嘗試在當前環(huán)境下有可能出現(xiàn)危險或者無法進行的操作。例如，60 kph 時，ADAS 不能嘗試右轉(zhuǎn)。這種要求實際上意味著，判斷單元必須有詳細設(shè)定的規(guī)則來控制能否使用車輛控制系統(tǒng)接口。但是考慮到有各種各樣的車輛速度、車輛方向以及道路狀況組合，在實時控制系統(tǒng)中，基于規(guī)則的方法很難解決問題。ADAS 可能需要車輛的連續(xù)動態(tài)模型，這樣，它能夠從所需的軌跡中計算出可行的控制輸入。這對于其本身并不意味著計算負載。

第二個問題是個性問題的另一種表現(xiàn)。ADAS 總是應(yīng)該控制汽車嗎?如果駕駛員的行動與計算策略相沖突，它應(yīng)該干預(yù)嗎?或者，它應(yīng)該拖延駕駛員的操作，直到避免發(fā)生事故的最后一刻?如果駕駛員不聽指揮，那么 ADAS 應(yīng)該怎么響應(yīng)?最后一個問題的答案是環(huán)境預(yù)知，例如駕駛員酒駕或者出現(xiàn)了危險行人的情況，還是應(yīng)該可以調(diào)整，或者適應(yīng)駕駛員的個性?

開弓沒有回頭箭

所有這些問題都代表了設(shè)計人員的價值判斷，答案會在 ADAS 系統(tǒng)設(shè)計、成本以及性能上產(chǎn)生非常不同的結(jié)果。那么，您購買汽車時怎么判斷系統(tǒng)的質(zhì)量和個性化問題呢?

Ng-Thow Hing 提醒說：“市場上汽車的質(zhì)量和性能良莠不齊。我們需要非常有經(jīng)驗的專家來幫助購車者理解他們能得到什么?！?P>Schumacher 更悲觀一些，至少對于美國市場是這樣的。他說：“在美國，簡單的產(chǎn)品通常能夠獲得成功。在歐洲，情況則完全不同。購車者在做出決定之前會研究資料，反復(fù)比較?！?P>我們知道 ADAS 系統(tǒng)還有很多未解決的問題，也有很多不同的方法來解決這些問題。不同的方法在解決基本問題上各有所長，例如，道路保持、速度管理以及防碰撞等。但這也會多多少少給 ADAS 系統(tǒng)帶來不同的個性化：駕駛員和乘客關(guān)心的個性化。

所以，我們從開放的角度看一切都有可能，只是在 ADAS 設(shè)計選擇上稍有不同。實際上，大量的可能結(jié)果只有三種實例，每一種都對駕駛員及其周圍人們的感受有影響，最終會影響安全。