利用機器學習所實現的自動駕駛，能否從容應對路況的多變和複雜性？
一般來講，傳統軟件是無法對相機圖像進行分析處理，而機器學習算法可以通過對大量樣本的處理，生成一個可以解決特定問題的數學模型。工程師會告訴計算機什麼是停車標識，什麼不是。機器學習算法會將這些圖像在模型中運算一遍，以分辨出包含有停車標識的圖像。
但所有的歸納式學習，在遇到新的情境時，都有一定的潛在失效風險。比如，我們在高速公路上讓車輛進行測試學習，而汽車走到市區道路，忽然看見一輛自行車，豈不是會讓它不知所措？
卡內基梅隆大學的計算機科學家Koopman認為：人們能用來訓練算法的事件是有限的。而如果使用近似數據對算法訓練測試太多的話，機器學習可能會形成特定的模式，從而使得應用受侷限。
另一大挑戰是，當系統遇到諸如雨霧、揚塵等視線不佳天氣狀況時，算法的辨識能力是否會受到影響。在 2013 年的一次研究中發現，改變圖像中的某一像素塊，肉眼是看不出任何變化，但卻能影響算法判斷能力。
Koopman 還認為，汽車公司還可能因為研發時限與研發成本的限制，對車輛的安全性指標放寬要求。比如1986年 NASA 的挑戰者事故，正是因為忽視了一些風險因素才導致了航天飛機在升空 73 秒後發生了爆炸，造成了 7 名宇航員身亡。
如果智能汽車在判斷自己無法處理突發情況時，馬上通知人類接管，又是否來得及呢？
當然，通過一些非技術的手段，可以規避部分可能發生的突發情況，比如人車道路分離，最大程度避免行人、自行車等對汽車道路的影響。要想讓自動駕駛變得安全，除了技術的因素，還需要很多外圍的協同方案。無論如何，這個趨勢是不可避免的。
分享到:
閱讀更多 車尚生活 的文章
