本文經(jīng)授權(quán)轉(zhuǎn)自新智元（ID：AI_era）。

馬斯克曾說：“自動駕駛永遠(yuǎn)不會完美，但比人類駕駛安全10倍！”真是這樣嗎？伊利諾伊大學(xué)香檳分校的研究人員開發(fā)了一種故障評估技術(shù)，在對百度Apollo 3.0和英偉達(dá)專有自動駕駛系統(tǒng)DriveAV的測試中，4小時發(fā)現(xiàn)了561個關(guān)鍵安全故障。

特斯拉CEO馬斯克曾經(jīng)放話：“自動駕駛永遠(yuǎn)不會完美，但比人類駕駛安全10倍！”

然而，真是這樣嗎？

伊利諾伊大學(xué)香檳分校的一個研究團(tuán)隊在分析了自動駕駛公司2014年至2017年提交的所有安全報告(涵蓋144輛自動駕駛汽車，累計行駛1116605英里)后，得出一個截然相反的結(jié)論：

在行駛相同里程的情況下，自動駕駛汽車發(fā)生事故的可能性是人類駕駛汽車的4000倍。

而就在最近，這個研究團(tuán)隊開發(fā)的一種針對自動駕駛的故障評估技術(shù)，在對百度Apollo 3.0和英偉達(dá)專有自動駕駛系統(tǒng)DriveAV的測試中，短短4小時就發(fā)現(xiàn)了561個關(guān)鍵安全故障！

這個研究團(tuán)隊致力于使用人工智能和機(jī)器學(xué)習(xí)，通過軟件和硬件的改進(jìn)來提高自動駕駛技術(shù)的安全性。

“由于車輛電氣和機(jī)械組件的復(fù)雜性，以及天氣、路況、地形、交通模式和照明等外部條件的變化，使用AI來改進(jìn)自動駕駛車輛非常困難?！币晾Z伊大學(xué)CSL實驗室教授Ravishankar K. Iyer說，“目前我們正在取得進(jìn)展，但安全仍是一個重大問題?！?

Ravi Iyer

研究小組目前正在開發(fā)技術(shù)和工具，從而找到影響自動駕駛車輛安全的駕駛條件和問題。使用他們的技術(shù)，可以找到大量的至關(guān)安全的場景，在這些場景中，一個小小的錯誤就可能釀成大禍。如此一來節(jié)省了大量的時間和金錢。

在對百度Apollo 3.0和英偉達(dá)DriveAV的測試中，該團(tuán)隊所開發(fā)的故障注入引擎DriveFI在4小時內(nèi)發(fā)現(xiàn)了500多個該軟問題。

示例場景：(1)目標(biāo)FI導(dǎo)致危險狀態(tài)；(2)特斯拉自動駕駛儀的真實例子與注入故障類似

這樣的發(fā)現(xiàn)讓這個團(tuán)隊的工作得到了業(yè)內(nèi)的關(guān)注。該團(tuán)隊正在為他們的測試技術(shù)申請專利，并計劃很快進(jìn)行部署。理想情況下，研究人員希望公司使用這項新技術(shù)來模擬已發(fā)現(xiàn)的問題，并在部署汽車之前解決問題。

自動駕駛事故可能性比人駕駛高4000倍，安全評估面臨挑戰(zhàn)

“我們團(tuán)隊正在應(yīng)對一些挑戰(zhàn)，”領(lǐng)導(dǎo)該項目的計算機(jī)科學(xué)博士生Saurabh Jha說。“解決這一挑戰(zhàn)需要跨越科學(xué)、技術(shù)和制造的多學(xué)科努力。”

為什么這項工作挑戰(zhàn)性很大？因為自動駕駛是使用AI和機(jī)器學(xué)習(xí)來集成機(jī)械、電子和計算技術(shù)以做出實時駕駛決策的復(fù)雜系統(tǒng)。典型的自動駕駛系統(tǒng)就像放在輪子上的微型超級計算機(jī)；擁有50多個處理器和加速器，運行著超過1億行代碼，來支持計算機(jī)視覺、規(guī)劃和其他機(jī)器學(xué)習(xí)任務(wù)。

這些車輛的傳感器和自動駕駛堆棧(計算軟件和硬件)有可能存在問題。當(dāng)一輛汽車以每小時70英里的速度在高速公路上行駛時，故障對司機(jī)來說可能是一個重大的安全隱患。

“如果一輛普通汽車的駕駛員感覺到諸如車輛漂移或拉力之類的問題，他/她可以調(diào)整自己的行為并將車輛引導(dǎo)到一個安全的停車點?！盝ha解釋說：“然而，在這種情況下，除非自動駕駛汽車針對這些問題進(jìn)行了訓(xùn)練，否則自動駕駛汽車會如何應(yīng)對是不可預(yù)測的。在現(xiàn)實世界中，這樣的例子數(shù)不勝數(shù)?！?

多數(shù)人在電腦或智能手機(jī)上遇到軟件問題時，最常見的反應(yīng)是關(guān)機(jī)重啟。然而，此方法不建議用于自動駕駛汽車，因為耽誤的每一毫秒都會影響結(jié)果，而響應(yīng)稍慢一點就可能會導(dǎo)致死亡。在過去的幾年里，由于自動駕駛引發(fā)的各種事故，人們對這種基于人工智能的系統(tǒng)的安全擔(dān)憂不斷增加。

“現(xiàn)行法規(guī)要求Uber和Waymo等在公共道路上測試無人車的公司，每年要向加州車輛管理局(DMV)匯報其車輛的安全性，”CSL和計算機(jī)科學(xué)專業(yè)的研究生Subho Banerjee說?！拔覀兿肓私獬Ｒ姷陌踩珕栴}有哪些，汽車的性能如何，以及理想的安全標(biāo)準(zhǔn)是什么，以了解自動駕駛系統(tǒng)的設(shè)計是否足夠好?！?

該團(tuán)隊分析了2014年至2017年提交的所有安全報告，涵蓋144輛自動駕駛汽車，累計行駛1116605英里。他們發(fā)現(xiàn)，在行駛相同里程的情況下，自動駕駛汽車發(fā)生事故的可能性是人類駕駛汽車的4000倍。這意味著，自動駕駛技術(shù)不能妥善處理情況的概率之高非常驚人，往往要依靠人類駕駛員來接管。

研究人員和公司在試圖改善這種情況時遇到的一大挑戰(zhàn)是，在自動駕駛汽車系統(tǒng)出現(xiàn)特定的問題之前，很難訓(xùn)練軟件來克服它。

此外，軟件和硬件堆棧中的錯誤僅在某些駕駛場景下才表現(xiàn)為安全關(guān)鍵問題。換句話說，在高速公路或空曠/不太擁擠的道路上進(jìn)行的自動駕駛汽車測試可能是不夠的，因為這種情況下即使發(fā)生軟件/硬件故障也很少導(dǎo)致安全問題。

車輛模擬

真的發(fā)生故障時，往往是在汽車已經(jīng)行駛了數(shù)十萬英里之后。為了測試這些自動駕駛汽車，需要花費大量的時間、金錢和精力，這使得測試過程非常低效。因此，研究團(tuán)隊決定使用計算機(jī)仿真環(huán)境和人工智能來加速這一過程。

“我們將自動駕駛汽車的軟件和硬件堆棧中的錯誤注入到計算機(jī)仿真環(huán)境中，然后收集自動駕駛汽車對這些問題的響應(yīng)數(shù)據(jù)，”Jha說?！芭c人類不同，當(dāng)今的AI技術(shù)無法推理出不同駕駛場景中可能出現(xiàn)的錯誤。因此，需要大量的數(shù)據(jù)來教會軟件在面對軟件或硬件故障時采取正確的行動?！?

DriveFI：4小時發(fā)現(xiàn)百度Apollo、英偉達(dá)DriveAV 561個故障

研究人員在論文“ML-based Fault Injection for Autonomous Vehicles: A Case for Bayesian Fault Injection”中，介紹了一種基于機(jī)器學(xué)習(xí)的故障注入引擎DriveFI，它能挖掘最大程度地影響自動駕駛安全性的情況和故障，這在兩個工業(yè)級自動駕駛系統(tǒng)(來自NVIDIA和百度)上得到了證明。

論文地址：

https://arxiv.org/pdf/1907.01051.pdf

例如，DriveFI在不到4小時的時間里發(fā)現(xiàn)了561個安全關(guān)鍵故障。相比之下，花了數(shù)周進(jìn)行的隨機(jī)注入實驗沒有發(fā)現(xiàn)任何安全關(guān)鍵故障。

故障注入實驗

自動駕駛汽車(Autonomous vehicles, AVs)是一個復(fù)雜的系統(tǒng)，它使用人工智能和機(jī)器學(xué)習(xí)來集成機(jī)械、電子和計算技術(shù)以做出實時駕駛決策。AI使自動駕駛汽車能夠在復(fù)雜的環(huán)境中導(dǎo)航，同時保持安全范圍，該安全范圍由機(jī)載傳感器(如相機(jī)、激光雷達(dá)、雷達(dá))不斷地測量和量化。因此，迫切需要對自動駕駛技術(shù)進(jìn)行全面評估。

ADS的架構(gòu)

然而，在實際的駕駛環(huán)境中對這些系統(tǒng)進(jìn)行評估一直具有挑戰(zhàn)性，特別是由于隨機(jī)故障的出現(xiàn)。故障注入(Fault injection，F(xiàn)I)是用于測試計算和網(wǎng)絡(luò)物理系統(tǒng)在故障下的彈性和錯誤處理能力的一種成熟方法?；贔I的自動駕駛評估提出了一個獨特的挑戰(zhàn)，不僅因為自動駕駛的復(fù)雜性，也因為AI在這樣一個自由流動的操作環(huán)境中的中心地位。此外，自動駕駛系統(tǒng)代表了軟件和硬件技術(shù)的復(fù)雜集成，這些技術(shù)已經(jīng)被證明容易出現(xiàn)硬件和軟件錯誤。未來，代碼復(fù)雜性的增加只會加劇這個問題。

DriveFI架構(gòu)

DriveFI是一種用于自動駕駛的智能FI框架，它通過識別可能導(dǎo)致碰撞和事故的危險情況來應(yīng)對上述挑戰(zhàn)。

DriveFI包括(a)一個FI引擎，可以修改自動駕駛系統(tǒng)(ADS)的軟件和硬件狀態(tài)以模擬故障的發(fā)生；和(b) 基于ML的故障選擇引擎，我們稱之為貝葉斯故障注入(Bayesian fault injection)，可以找到最有可能導(dǎo)致違反安全條件的情況和故障。相比之下，傳統(tǒng)的FI技術(shù)往往不關(guān)注安全違規(guī)，在實踐中表現(xiàn)率較低，并需要大量的測試時間。請注意，在給定一個故障模型的情況下，DriveFI也可以執(zhí)行隨機(jī)FI來獲得基線性能。