聊聊自动驾驶模式的退出

     无人驾驶车辆，其实在国外由于涉及其他人的安全，所有的车辆系统的运行都是报备的。所以有着这样的一个图，我们可以从中学到一些东西。下图里面灰色的是正常的行驶里程，橙色的是出现意外的情况。

Autonomous Vehicle Disengagement Reports：https://www.dmv.ca.gov/portal/dmv/detail/vr/autonomous/disengagement_report

• Bosch, LLC 
  

• Delphi Automotive Systems, LLC
  

• Google Auto, LLC

• Nissan North America, Inc

• Mercedes-Benz Research & Development North America, Inc
  

• Tesla Motors, Inc.
  

• Volkswagen Group of America, Inc.
  

      这里定义的问题是，自动驾驶系统无法启动和需要人的辅助和干预两大类。从图上看，Google由于积累了大量的历史数据，相对处于优势。

在参考文献1中，里面重点分析了Google的问题

• 与设计差异的驾驶策略：比如行驶路线太靠近路边停放车辆

• 感知和判断错误：车内感知系统错误识别道路物体

• 软件问题
  

• 硬件失效：硬件设备发生故障
  

• 对道路其他车辆和行人的行为错误预测

• 气候条件

• 紧急车辆：警车/救护车

• 施工区域
  

  这个细致的情况，其实可以在文件《Nissan Autonomous Vehicle Disengagement Report》里面找到的

    比较喜欢Nissan的地方，是里面报告非常全

这里以一个月为例，里面好多有趣的问题

• 控制系统无法工作

• CAN总线负载率太高

• 路径无法生成

• 前方测量无法识别，快撞上啦

     其实这车做起来还是真心不容易的，如Nissan这个车而言，以左转为例（日本为反）

这需要系统内部做很多的计算

• 利用机器视觉技术的检测行人和信号灯

• 利用雷达（激光、毫米波）检测前行车辆

• 高精度定位及数字地图

• 基于复杂环境感知及通信的路径规划和轨迹跟踪
  

• 基于机器视觉技术的纵横向控制

• 利用毫米波雷达测车间距离的纵向控制

   Nissan的决策是根据匹配的确定算法来做的，根据信息和规则树来对比。搞不定的时候，就需要人来协助了。

做大量过路口的规则的方法，可能在这种情况下，确实没有搞神经网络的牛一些

       当然这里也可能有两种理解，通过感知和决策的DNN的深度学习，做法迭代起来更快一些。

备注 Google使用的硬件成本是里头最高的

小结

1）越看这些资料越觉得好玩，很多东西，只有认真去解读其架构和实际的报告才有些体会

2）原来一块块的算法以后可能真给一个学习的CNN给打败了，这是原有模式的难点

参考文件：

1. US Consumer Watchdog assesses “Why Self-Driving Cars Fail”

2. Developing an Autonomous Vehicle Control System for Intersections Using Obstacle/Blind Spot Detection Frames