Top
首页 > 智慧城市 > 新闻 > 正文

自动驾驶的“摩尔定律”:试推导无人车的最终实现时间

他利用了技术的指数性发展作为假设,试图通过一个指标发现无人车的摩尔定律,进而推导出实现无人车的大概时间,也许比你想象的要长很多。原文标题为:The Moore’s Law for Self-Driving Vehicles。
发布时间:2019-03-24 10:22 来源:May Mobility 作者:

无人车的炒作已经持续了好几年。有些乐观的公司甚至称2019年或者2020年就将实现商用。但最近一些致命事故以及Waymo的雷声大雨点小的商业化努力让人怀疑无人车是不是遥不可及。实现真正的无人车究竟还要多久?本文作者为无人车初创企业May Mobility的CEO Edwin Olson,针对这个问题,他利用了技术的指数性发展作为假设,试图通过一个指标发现无人车的摩尔定律,进而推导出实现无人车的大概时间,也许比你想象的要长很多。原文标题为:The Moore’s Law for Self-Driving Vehicles。

作为一家无人车公司的CEO,我总是在问一个问题,那就是究竟还要多久自动驾驶的士才能在任何时候载人去任何地方。我们已经听到了推销的(“X公司将会在2019年解决自动驾驶的士问题!”)和工程师(“呃,这很难”)的各种版本的估计,那究竟谁的话更可信呢?

在本文中,不妨用每放手一次行驶的英里数(miles per disengagement,MPD,自动驾驶脱离)来衡量某系统的表现。所谓的脱离,大概的意思是指当技术失效需要安全司机接管的时候。好的无人车这个数字会很大——意味着车子可以自行行驶很长距离,很少会失效。

摩尔定律?

为了回答开头的那个问题,我决定用摩尔定律来进行比较。摩尔定律是一条经验观察,也就是晶体管的数量每18个月就会翻番。这属于指数式的增长——是摩尔定律让你的手机一举超越了你2000年时候的计算机。

指数式增长是很罕见的。比方说,树和人都是线性生长的,这种速度要慢得多。大多数有指数式增长的东西都难以为继;比方说,细菌在变得太过拥挤之前就是指数式繁殖的。实际上,摩尔定律似乎已经无法在计算机上维持了!

话虽如此,技术在早期以指数式的速度发展并不是不寻常之事。这是一个乐观的假设,但如果你想对世界因为技术而改变的速度有多快做出大胆的未来主义预测的话,你应该假设会出现指数式增长。

那么现在,我们就来对无人车的未来做出大胆的乐观的预测。我们将假设技术的改进会有指数式增长。换句话说,我们将为无人车计算摩尔定律。但你可能不会喜欢这个答案。

数据

2004年,最好的无人车是CMU(卡内基梅隆大学)的Sandstorm,它“赢”得了第一家届DARPA挑战赛,成绩是150英里的总赛程走了7.4英里,然后就卡在一个路堤上,轮胎徒劳无功地打转到冒出白烟(这可不是数落它,其他人的车表现更糟!)。我们打个折姑且算它的失败率是每10英里失败一次吧。

2018年,Waymo的数据是每次放手(disengagement,由加州定义,大概是“技术失效”的意思)可行驶11017英里。这大概相当于每失效前可走10的4四次方英里。

有了这两个数据点,我们就可以计算无人车的摩尔定律了。

……自动驾驶脱离里程数大概每16个月就会翻番……

无人车的摩尔定律几乎跟计算机的摩尔定律一模一样——性能每16个月翻番!这是一个宇宙级的巧合!

上面的黑线代表了无人车从2004年DARPA Urban Challenge到2018年间所取得的进展。我们可外推出那条线(红)然后看看那条线跟人类表现(蓝)什么时候出现交叉。Y轴是对数标尺,所以指数增长会以直线形式体现。

关键问题是“系统需要有多好的表现?”假设目标是能跟人的表现媲美。人类其实是非常出色的司机,每1亿(10^8)英里才有一次致命事故!我们可以把这一点放到这个背景下理解:人类司机一辈子平均的行驶里程大概是几十万英里。而每一辆无人车的行驶里程可能不到2000万英里。

迄今为止,人类的表现(致命事故间隔10^8英里)与表现最好的无人车(每次放手可行驶10^4英里)之间的差距是10000倍。换句话说,无人车的表现是人类的0.01%。

哪怕每16个月表现翻番,无人车也要用16年的时间才能赶上人类水平——也就是2035年。那些宣称2019或者2020年就能实现无人车的说法看起来就比较可疑了。(当然,我们会看到引人注目的无人车公司的演示,这只是为了展示他们的技术。未必意味着他们的系统表现跟人一样好!)

很多无人驾驶的失效只是导致受伤而不是致命的。人类发生两次致伤事故的行驶里程间隔“只有”10^7英里,所以如果我们假设无人车失效从来都不会导致致命事故(只是致伤)的话,前面的预测就可以减少4年。但仍然需要12年才可以达到人类的表现。

所以概括起来,有几点需要注意:

无人车大概每16个月就性能翻番。这是无人车的摩尔定律。

目前无人车的表现大概相当于人类司机的0.01%,自动驾驶的士在2035年以前可能还是个梦想。

这个预测有两个漏洞。可能会有新技术的出现来改变这条增长曲线。或者公司可以决定去实现难度略低于“任何时间去到任何地方”的应用。

对于自动驾驶的士公司来说这可能是个坏消息,但却是通勤公司的好消息。

附录

如果你注重细节的话,这里还有3点需要考虑:

第一点

无人车的“摩尔定律”依赖于我们使用的数据。如果你认为无人车公司对自己车子的性能估计过于乐观的话,自动驾驶的士的实现可能还要往后推。

另一方面,如果你相信当今最好的无人车驾驶要比Waymo的公开数字好10倍(比如每次放手可行驶110000英里)的话,那么改进率就要比上面的计算快得多。但即便是今天的系统驾驶得有这么好,也仍然需要到2028年才能达到人类司机的水平。

第二点

本文在前面所做的一个关键假设是技术会以指数的速率改进。这一假设推算出脱离率每16个月就会翻番。这个数字是乐观的:我们精心挑选了2004年的一个非常低的自动化率,同时择优挑选了2018年最好的商用数据,这往往会造成一幅进展神速的画面。

要想看看这一假设有多乐观,可以看看加州的公共呈报情况。AV公司是不是在以指数式的速率在增长?如果是的话,这个速率是不是快于或者慢于16个月?

Waymo的数据是按年提供的,我只能找到4年的数据。注意,这条曲线不像上面是对数式的;如果趋势是指数式的话,我们会看到一条向上急弯的曲线。Waymo 2018年报告的表现2倍于2017年,但2017年基本上跟2016年持平(而2016年相对于2015年来说是个丰年!)。这意味着什么?这个数据我们可以用指数去套,能够得出每16个月翻番的结论。(注:数据匹配还有很多种方式。我是把2015年设为元年,然后以A*exp(Bt)的形式用最小二乘法拟合)但是这种拟合其实挺差劲的——如果你想知道的话可以看看附录2。为了方便讨论,这4个数据点用线性拟合看起来也一样可信(这样的话自动驾驶的士可能就要20000年后才能实现。).但是16个月再次出现这难道不是很优雅的吗?

Cruise的逐月数据也是向上发展的,但是数据的噪声很多。利用上述相同的拟合策略的话,我们会得到每18个月性能翻番。

尽管现实世界的数据充满了挑战,有趣的是最后得出的结论跟16个月比较接近。这让大家的发展都在一个水平线上的想法有了一定的可信度,也因此自动驾驶的士在2035年之前大概都不会实现。除非,第三点。

第三点

加州对脱离的定义排除了很多类型的干预,所以这本身就是对技术成熟度的乐观度量。换句话说,这些脱离率数字只是大概相当于公司预计技术会有效但出现了系统失效的情况,并没有包含到那些不指望技术能行的情况。

所以,在本来就不指望系统能行的情况下系统的表现当然是很糟糕的了!但如果问题是“我们距离可行的、几乎能去任何地方自动驾驶的士还有多远?”,那就还有一大类没有被考虑在内的驾驶场景会让你迟疑一下。

Waymo在2016年的信息披露进行了很好的概括:

DMV规则对脱离的定义是自动模式在两种情况下的去激活:(1)“检测到自动技术失效”,或者(2)“当车辆的安全操作需要无人车测试司机解除自动模式,马上对车辆采取手动控制时”按照这一定义,DMV指出:“这一澄清对于确保制造商不会报告每一种常见的或者例行的脱离是必要的。”

作为测试的一部分,我们的汽车每天会多次切换自动模式。每年这些脱离数都会有好几千次,尽管绝大部分可被视为常规动作而非安全相关的原因。安全是我们的最高优先级,Waymo的测试司机都是受过培训的,会在很多情况下采取手动控制,不仅仅是在安全操控“需要”他们这么做时。我们的司机原则上是宁求稳妥也不愿涉险,如果他们对继续自动模式的安全性存在疑虑的话就会采取人工控制(比方说,由于附近无人车或者任何车辆、行人、或者自行车手的行为),或者因为其他关切需要有人工控制的保障,比如改善乘坐舒适度或者缓解交通流量时。类似地,无人车的计算机在很多不涉及“自动技术失效”,无需司机马上接管的情况下也会将控制交给司机……

附录2

以下是Waymo和Cruise数据拟合出来的曲线。这些模型大部分情况拟合都相当好,但我认为你可以很可靠地得出结论,要想证明改进率比这里计算的要高得多基本上已经很难。

Waymo的MPD与指数拟合的叠加。指数曲线正好对应每16个月性能翻番,但是这种拟合其实相当糟糕。

Cruise的MPD与指数拟合叠加。这个拟合尤其有疑问,因为存在一些噪声。但还不清楚指数拟合是否合适。

这里还是Cruise的数据,导致问题的峰值被手工去掉了。这类数据修补在统计学上是不合适的,所以对此可以持保留态度吧。这条曲线拟合显示性能可以每7.5个月翻番,但是曲线其实跟数据是不契合的,尤其是右侧拟合已经高于真实数据。

合作站点
stat
Baidu
map