吉林大學汽車研究院鄧偉文：在無人駕駛中，為什麼“人”依然扮演重要的角色？
雷鋒網按：本文內容來自吉林大學汽車研究院常務副院長，國家“千人計畫”特聘專家鄧偉文教授在 2017 未來汽車峰會上的主題報告《智慧汽車與智能駕駛》，由雷鋒網整理和編輯，經鄧偉文教授親自審文。
有一種觀點認為，無人駕駛可能很長時間內與人工智慧「沒什麼關係」。因為無人駕駛的第一級形態是低速和固定場景應用，這一階段人工智慧的的參與感並不強烈。
對於無人駕駛與人工智慧的關係，鄧偉文認為這兩者將相輔相成，很多時候並不能完全區分開。他向雷鋒網表示：「人工智慧技術對於提高環境感知品質已經顯示了它的優勢，並將有助於推動自動駕駛技術的進一步發展與應用。」
在通往無人駕駛這條路上，我們究竟面臨什麼樣的挑戰？
我們想討論的問題是關於人的挑戰。很多人會覺得有了自動駕駛、無人駕駛，好像人顯得越來越不重要了。其實不然，這是我的兩個主要觀點：未來汽車智慧駕駛時代，
第一，我們比任何時候都更需要研究人：因為人的因素與影響在未來智慧汽車設計中扮演著重要的角色（人機交互與共駕、人性化與個性化智能駕駛）；
第二，我們比任何時候都更需要學習人：模仿人的聯想、推理、自學習及自我調整能力是未來智慧駕駛或無人駕駛的關鍵技術（人工智慧技術）。
汽車電控與智慧化技術的發展進程
傳統的汽車電控包括駕駛員、車輛和控制單元。「人」與控制器之間的關係是「命令和執行」的關係，因此並不存在所謂的人機「共駕」問題。整個系統看上去是一個相對比較簡單的控制系統。
我們知道，在汽車行駛過程中會遇到各種複雜的交通、道路和天氣狀況，但基本上都是由人負責處理。所以，在傳統的電控系統裡我們有兩個基本假定：
假設 1，駕駛員操控「基本完美」：控制系統設計以實現駕駛人的駕駛意圖為控制目標（比如ABS/TCS/ESP系統）。整個汽車電控系統都是圍繞實現駕駛員駕駛意圖作為控制目標。換句話說，我們認為汽車人的駕駛意圖是正確的。
假設 2，行駛環境「基本無關」。由駕駛人完全承擔對行駛環境的判斷與處理責任和任務。換句話說，人承擔了複雜的交通、道路和天氣等的判斷和處理。
因此，傳統汽車電控系統是一個相對簡單的機電一體化控制系統。從汽車電控角度而言，人在發號施令，控制系統跟隨人的控制命令實現人的控制意圖。
但是，當我們談論汽車智慧化的時候，我們知道「人」是有缺陷的、是需要幫助的。這樣使得智慧汽車和智慧駕駛系統引入了複雜的「人」與「環境」這兩個重要的因素。因為人有時會疲勞、分神，有時會酒駕，因此「人」是有問題的。相機和雷達等環境傳感系統把環境因素直接引入了這個系統。所以，智慧駕駛系統變成了一個複雜的人、車、環境閉環控制系統。
這個系統意味著什麼？系統的複雜性、不確定性、不可預知性大大增加。
人的複雜性和不確定性；
感測器的誤差、雜訊與資訊的不完整性（毫米波雷達、超聲波雷達、雷射雷達、像機等等）；
環境的複雜性、不確定性與不可預知性；
我們說「人」是整個駕駛鏈中最重要的角色，這話從何談起？
截至 2016 年底，全國機動車保有量達 2.9 億輛，機動車駕駛人 3.6 億人，其中汽車駕駛人超過 3.1 億人；
駕齡不滿一年的駕駛人 3314 萬人；
駕齡 3 年以下的發生道路交通事故 156295 起，造成 29743 人死亡，占駕駛員肇事總數的 45% 左右。
美國高速公路管理局2008年有一個調查報告對事故的原因做了一些細分。總結一下就是超過 90% 以上的事故原因是「人」的因素，包括磕睡、疲勞、精神/生理因素、駕駛單調與分神等等。
所以說，人是整個駕駛鏈中最薄弱的一環，也是汽車駕駛系統中的 BUG，包括狀態不佳、習性不良，技能不足；人也是駕駛鏈最危險的環節（事故原因占比：＞90%）；雖然行駛交通環境和車輛品質可以改善，但是改變「人」是一件幾乎不可能的事情。
因此我們得出這麼一個結論，汽車智慧化是汽車發展的大趨勢，這意味著我們需要部分甚至完全替代人。而無人駕駛則是完全替代人的駕駛。
汽車智慧化技術發展：人機共駕
汽車智慧化技術發展有不同的技術路線和分級，目前比較公認的是美國的SAE分級。
從手動駕駛到全自動駕駛，中間有幾個環節，從輔助駕駛進一步走到半自動和高度自動化駕駛，最終希望某一天它能夠實現全自動駕駛。
我們看到這中間相當長的一段時間裡，人機是並存的。除了技術問題之外，從產品的角度看還有包括人以及社會對無人駕駛系統的接受程度，包括保險、責任以及法律制約等。
在整個智慧駕駛過程中人機共駕是很重要的一個環節。我們講漸進式智慧駕駛發展，駕駛人仍然是駕駛的主體：
增強感知系統，輔助人的駕駛；
另一方面我們通過增強控制系統，包括控制和干預，從制動、驅動和轉向等方面幫助駕駛人。這些都是智慧輔助駕駛概念。
人機共駕的概念即是駕駛人和機器人共同駕駛車輛。雖然不是我們想像中的機器人，但它也是由傳感、控制和執行機構構成的自動化系統：
駕駛人需要傳遞駕駛意圖給機器人；
機器人則發出提示和警示。另外在人駕駛情況下，機器人可能會監管和干預等。
這就構成了人機共駕和人機交互。汽車控制系統包括傳感感知系統、規劃決策、控制器、執行器等等，基於行駛目標和理解行駛環境，制定駕駛決策，並操控汽車。
人也在做同樣的事情。人的感官通過對環境的感知（視覺、聽覺）等，通過視覺、觸覺和體感等回饋構成了一個閉環控制系統，包括大腦決策和判斷等，這是「人」駕駛的概念。
機器人通過這個系統會發出提示或警示資訊，或主動干預，構成了一個人機共駕系統。在這個系統裡，核心的部分是「人」，而「人」則是一個很複雜的概念。
首先，我們需要知道人的狀態如何，包括是否處在磕睡狀態、分神或酒駕狀態等等，這樣我們才知道駕駛人是否需要幫助。因為幫助過頭實際上就是干擾。其次，我們要知道人的駕駛風格、習性或技能如何。
人機共駕，基本上是駕駛人和機器人之間的博弈。
這個系統如果做得不好，就構成了干擾，很可能駕駛人會將系統關閉。所以提供一個協同的人機共駕十分重要。
因此我們就需要對駕駛人的行為特徵進行研究，包括他的意圖、駕駛狀態、駕駛習性和駕駛技能如何？這是一個富有挑戰性的關鍵問題。
另一方面通過對環境感知，規劃和決策等形成人機共駕基本模式：包括託管、糾偏、補償和協同。
所以，人機共駕這個命題將長期存在，友好、和諧、協同的人機共駕與人機交互至關重要，也將是汽車智慧駕駛技術面臨的很重要的挑戰。
汽車智慧化技術的發展：無人駕駛是終極目標
我們現在講無人駕駛，我把它分成兩類：一類是基於自動控制技術，一類是基於人工智慧技術。它們都將會是未來的駕駛員。但兩者之間的區別是什麼？或者帶來的機遇和挑戰是什麼？
我們知道，自動駕駛是一個漫長的過程，但終極目標是無人駕駛。
這話 5 年前講會非常有爭論，但是今天大家應該有一個基本共識：無人駕駛是終極目標。它應當具備「類人」的駕駛體驗（即人性化）、體現「類我」的駕駛風格（即個性化）。人性化和個性化的無人駕駛是最高境界。
人機共駕與人機交互是一個長期的挑戰：包括駕駛意圖識別、駕駛狀態檢測、駕駛行為辨識（駕駛習性和駕駛技能等）、以及友好、直觀的人機界面和人機交互體驗等。
人機共駕將長期存在，即便是自動駕駛，實現擬「人」和類「我」駕駛是體現人性化和個性化駕駛的關鍵技術和應用基礎。
駕駛員非專業，人數多，年齡、性別、駕齡各異，心理生理差異極大，是汽車駕駛環節中最危險、最複雜、也最不確定的因素。
駕駛員具有駕駛缺陷和障礙、具有駕駛習性和技能等特徵。
汽車行駛環境的因素與影響
行駛環境，包括道路環境、交通環境，還有天氣因素等。無人駕駛或自主駕駛我們把它歸成兩類：從基於自動控制的自動駕駛到基於人工智慧的智慧駕駛。
對基於自動控制技術的自動駕駛，這是它的典型技術路線：
我們有環境傳感，基於一系列常見的，比如視覺傳感（CCD/CMOS、紅外夜視）、雷達傳感（毫米波雷達、鐳射、超聲波）、無線通訊（DSRC、V2X 通信），定位導航（GPS、數位地圖、GIS）。
上述感測器對環境進行感知，對資訊進行融合，形成對環境的理解，包括目標跟蹤、障礙物識別、車道線識別、道路識別、交通標記識別等等。
然後便是基於對環境的理解，形成決策與規劃，並對系統進行控制，包括轉向、驅動和制動等，甚至人機界面也考慮進去，這是一個典型的自動駕駛系統。基於這些技術我們形成了自動駕駛功能，包括我們常見的一些警示功能、駕駛協助工具，而未來則是無人駕駛功能。
從自動控制技術角度看，它有一些基本的出發點：被控對象可控、可觀測、可穩定。
雖然系統具有內部非線性機理的複雜性和外部環境的不確定性。一方面系統的輸入能控制系統的狀態變化；另一方面系統的輸出能反映系統的狀態變化；系統參數與結構的不確定性以及外界干擾是有界的；
這是我們基於自動控制，也是目前絕大多數自動駕駛甚至無人駕駛系統基本的技術路線。自動控制的基本出發點：
1、建立系統的數學模型；
基於物理定律推導出對系統的數學描述（模型）；基於系統辨識理論利用系統輸入和輸出資料「反演」形成對系統的描述；基於信號濾波理論解決由於系統的許多狀態變數無法直接測量且伴有隨即雜訊的干擾問題；基於魯棒和自我調整控制理論解決由於系統結構參數不確定和時變問題；
2、基於回饋機制或基於先驗規則的控制策略；
基於模型或預先制定的規則，或基於誤差回饋調節；讓機器人按照人的思路去做，而不是像人一樣思考獲取智慧。
這個系統中存在著大量的不確定性因素和隨機變數。駕駛員的操作是顯而易見的不確定因素，傳感執行機構、行駛環境的干擾，包括網路傳輸、車內網、車際網、車間網等等，這些都會對人車環境閉環系統構成干擾，使得整個系統的性能帶來極大的不確定性。
因為這些不確定性，我們一般的處理方式：增加傳感，提高資訊融合程度，以提高感知範圍和感知品質；或者限定行駛區域。
一般的自動駕駛現在大多數都限於結構化道路，或者是通過改造道路結構、交通設施或使用專用道路結構來實現自動駕駛。實際上，這就是減少自動駕駛的不確定性。
自動駕駛技術發展的不同路徑
從自動駕駛的發展路線狀態來講，我們認為有這麼三種：
寶馬模式（通過與Intel和MobilEye的合作），在智慧駕駛方面有它的特色。這也基本上代表了傳統汽車工業選擇的一種漸進式模式；
Google 模式，一步實現無人駕駛，甚至把方向盤去掉；
Tesla 模式，介於第一和第二種模式中間。
這是目前典型的幾種自動化發展模式。作為產品都需要提供 360 度傳感感知和360 度的安全保護。但要實現全天候和全工況行駛環境下的自動駕駛技術仍是長期面臨的挑戰。
這個挑戰來自什麼地方？
第一，系統可控、可觀測性假設並不永遠成立：控制系統高階、高度非線性和不確定性；模型的離散與連續混雜性；系統或擾動隨機性；
第二，運行環境的確定性假設並不永遠成立：自然環境複雜和不可預知；突發或危險工況難以歸納、難以窮盡；對環境的測量資訊充滿誤差、延遲和不完整性；
第三，基於模型和先驗規則的控制策略無法預先制定應對方案、難以處理預設駕駛場景以外事件；由於模型缺乏「學習」和「識別」能力，對環境和擾動的變化缺乏「適應性」和「魯棒性」。
第四，難以滿足（低成本約束下）全天候、全工況的準確、快速和可靠的環境傳感感知和自主安全可靠運行。
從自動控制技術到人工智慧技術
我提出了一個從 AC（自動控制技術）到 AI（人工智慧技術）的技術路徑。
研究智慧化程度更高的控制方法以處理日益複雜的動力學系統是控制理論的發展趨勢；
智慧控制理論為解決具有更大不確定性和複雜性系統提供了一條有效途徑。
基本上，從經典控制理論、現代控制理論出發，基於人工智慧和運籌學理論，形成了智慧控制理論，這是控制系統裡一個很重要的突破。我們可以看到，像神經網路、分列式控制等等。目的是試圖解決一個對控制物件不知道或者不確定的、高度非線性、和複雜決策問題，特別是自學習和自我調整能力。
自動控制技術實際上主要是基於知識，智慧不是知識，而是想像、是創造、是獲取知識和應用知識的能力。所以，基於人工智慧的智慧駕駛就是要模仿人類大腦神經活動，產生類人的智慧功能。
聯想推理、自學習、自我調整；深度神經網路與大資料的結合以突破傳統模型的局限；基於資料而不是基於演算法的思路，在本質上就是消除系統的不確定性。
基於人工智慧的智慧駕駛，可以概括成 3 個方面：計算智慧、感知智慧和認知智慧。
我們知道，機器人的計算與記憶能力遠超人類，機器人的感知能力已經接近人類，人工智慧技術就是試圖模仿人的觀察、思考和學習能力。這一方面，還有很長的路要走。
回到報告之初我的兩個觀點：在未來智慧駕駛時代，
第一，我們比任何時候更需要研究人：人的因素與影響在未來智慧駕駛汽車設計中扮演做非常重要的角色（人機交互與共駕、人性化與個性化智能駕駛）；
第二，我們比任何時候都更需要學習人，模仿人的聯想推理、自學習及自我調整能力是未來智慧駕駛或無人駕駛的關鍵技術（人工智慧技術）。