議題背景:

當「結合陸上交通運輸與人工智慧(AI)」成為發展趨勢,用路人卻對此新興科技(如自駕車)的安全性抱持疑慮。根據美國汽車協會(AAA)的研究,即便自駕車在安全測試報告中符合標準,仍有73%的美國司機表示,他們害怕搭乘全自動駕駛車輛;63%美國成年人表示,自己在步行或騎自行車時,與自駕車共用車道會感到不那麼安全,顯見「人機信任」仍然是自駕車上路的最大挑戰[1]。

信任自駕車的基礎在於「安全性」,自駕車若符合越多客觀的安全標準,便越有機會取得消費者信任。另一方面,若能透過法律有效規範自駕車上路時的各種要求,興許仍能有機會說服用路人與一般民眾,接受這類納入司法規範的新技術[2]。因此,自駕車的技術與社會上相應的法規,能否確認自駕車的意外風險程度,以及造成的傷害如何判斷責任歸屬,也是科技溝通的討論重點。

事實上,國際間將自動駕駛技術分為5至6個等級(見表1),不同駕駛水準所使用的決策系統也都有相應之規範。本次專家諮詢會先了解自駕車智慧決策系統的技術端與測試端,以及自駕系統的設計邏輯與運作模式,再討論從「真人開車」轉換到「電腦開車」的過程中,科學哲學與科技法律應從哪些面向切入,具體提升自駕車的「安全性」。

表一 國際上的自動駕駛級別

自駕車的治理規範與科技溝通(上篇)

與會專家意見

宏碁智慧通訊軟體研發總處資深經理 張志翰

自駕車的決策過程可分為幾個步驟:

1.辨識:先偵測到障礙物

過去的感知系統是以電腦視覺(computer vision)來偵測物體,但電腦視覺要完成辨識,需要眼前的物體展現較多特徵或目標;AI的深度學習不需要以此方式辨識物體,故目前多採用AI深度學習。舉瑞典新凱汽車(Volvo cars)為例,因為北歐時常發生麋鹿突然衝出公路造成車輛閃避不及的意外,因此Volvo設計了「麋鹿測試」(Moose Test、Elk Test)來考驗突如其來的障礙出現時,車子會如何應變[3]。除此之外,Volvo還導入大型動物偵測系統,進一步要求車輛只要偵測到麋鹿(或袋鼠、馴鹿等動物)便會煞停。

不過機器很難舉一反三,以致單純以電腦視覺無法辨識出不同坐姿、身形的鹿,其實都是鹿。有鑑於此,目前的辨識系統多利用AI的自我學習,使其從眾多資訊中不斷習得人、車、物可能表現出的各式型態,並給出應該煞車還是變換車道等具有智慧(intelligence)之最佳反應。舉例來說,我們能訓練AI做到「只要有輪子就是車」的學習,並應用於辨識系統中,如此一來,即使系統未真實辨識過其他車款,也能藉由「輪子」這項特徵,偵測出眼前物體是一台車。

2.預測:必須預測出身旁車輛何時會靠近自己

自駕車除了預測身旁車輛的軌跡,還要能預測它是否將超車;這類預測存在著多種可能,有些不符一般使用行為的特殊習慣(如:有人在右轉前會先往左偏,或是從左側執行右轉),就需要蒐集大量資料才能預測,再透過深度學習改變路徑規劃,讓自駕車學會被超車或超車。

3.控制:決定要如何行動

自駕車在控制系統上多半採用「邏輯規則式」(Rule based)演算法,而較少使用「端對端」(End to end)的影像辨識系統,因為它沒有一套決策系統或標準,讓自駕車在決策時完全依賴圖像[4]。實務上,邏輯規則式系統看到前方車輛停下來,即會跟著停止,但以端對端設計的系統則不一定會停,它執行動作時會判斷多種因素,當它評估現在停駛的前車原本應該要繼續前進時,便會決定超車。相較於端對端系統,邏輯規則式的邏輯基礎與執行條件較能實現並易於測試,也容易讓人理解系統的決策過程。

張經理認為,如同真人開車時,每個人對與前車距離的忍耐程度及判斷皆有落差,自駕車也需要遵循像是國際標準化組織(International Organization for Standardization, ISO)提出的功能安全(Functional Safety)[5],以及若干測項(如自動跟車、安全跟隨等)的安全標準。雖然特定測項的標準在高速公路與一般道路中不能一體共用,但至少能讓使用者相信,只要正確使用自駕車,意即,必須

在特定的交通情境才能開啟特定功能,那麼根據測試結果,這樣的使用方式是安全無虞的。

總的來說,「安全」是相對而非絕對的概念。一百多年前的車或許不安全,但我們可透過增加一些配備(如安全氣囊、安全帶)告訴世人,現在的車種比前一代更加安全。研發自駕車技術的目的也是如此,期待藉由機器控制,消除真人駕駛發生事故的可能性(如長期夜間駕駛,或周而復始行駛固定路線造成的疲倦)。機器雖然會故障但替代性較高,只要我們對機器的要求程度更高,就可以多套系統來共同支持其安全性,避免錯誤。因此,我們企圖發展對人類更安全的技術,並努力達成世人公認的安全標準,讓消費者知道,用了該系統就可能降低傷害。

 

車輛中心試車場部經理 黃品誠

現行車輛業界對車輛測試之分類,從車廠著手設計開發到車輛上市銷售的過程,測試的需求可分為三大類,分別為強制性法規測試需求、車輛業界相關共通測試標準及車廠本身的內部廠規要求:

1.各國政府的法規(約數十項)

第一類為強制性法規,如EEC/ECE、FMVSS、車輛安全審驗基準等,是在車輛取得上路行駛許可前所需符合當地政府對車輛訂定之法規要求,否則無法請領公路行駛牌照;當然,通過這些法規要求的車輛不見得就百分百安全,舉例來說,大學聯考的考題不足以代表高中課程的所有內容,它只是抽取若干內容來了解受試者理解到什麼程度。各國法規也是類似的概念,它不代表車子學習應對所有情境的表現,但可知其具備基本的安全性能。譬如我國法規測試大型車的自動緊急煞車系統(AEB)的效能時,僅針對小客車為對象執行測試,而對於其他車種(自行車,機車、大型車)及用路人則無相關測試驗證規定。

2.產業標準(約數百項)

第二類為車輛業界相關共通測試標準,如ISO、SAE、CNS等,為車輛相關產、學、研與官方等單位,用以提升車輛品質、性能及耐久性能為目的,所研擬之檢測驗證方法,提供產業自行採用之參考,並無合格與否的判定基準,但許多的車輛系統採購案中,常引用或採用此類方法作為檢驗或驗收之規格條件。這些標準屬於非強制性,讓車廠在採購時,能規範供應商的產品規格及驗證方法。例如大家較常接觸的防水防塵等級IP(Ingress Protection),IP46與IP68有不同的防護等級要求,因此IP等級表就是一種產業標準,但是產品的IP等級要求則是採購者可自行訂定,換句話說,車廠得透過產業標準,確認產品是否符合自己的需求。

3.車廠的內部廠規(約數千項)

第三類之車廠內部廠規則為車廠在車輛開發過程,由內部經驗之累積,逐漸發展建立的規範,針對車輛之產品性能、設計驗證、製造流程檢驗、銷售與售後服務過程,在整個車輛產品壽命週期所規劃之測試驗證條件與方法,一般是具有機密性不對外公開,為車廠之智慧財產保護範圍。這是車廠為了向消費者提供各種程度的安全性及舒適性,所投入的全方位測試(例如隔音、舒適、安全、操控等),為確保車輛的品牌與形象,因此廠規的執行與確認會相對謹慎,一般來說此階段的測試與改善會持續長達3-4年。

以上是一般車輛的測試需求,但關於(全自動駕駛等級)自駕車該如何測試,目前尚無定論。原因是真正有資格坐在駕駛座前的駕駛者,從小時候學走路開始,已經過十幾年以上,對周遭靜態與動態物體的危險感知及安全感的經驗累積,加上考照制度的確認,具備人、車、環境及各種天候狀況的常識與認知,對交通法規與行駛規則也了然於胸,使駕駛者只需留意路上行駛時異常的狀況,即可安全的駕駛車輛;但自駕車是個重頭學習的科技產品,如何融入各種駕駛經驗與習慣、交通法規的認知與判斷、時不時還必須考慮車子與群眾、其他交通工具、交通設施、天候變化的交互關係,以及最重要的──人性的差異,換句話說,自駕車應該被預設要回應各種駕駛行為,無論是粗暴的、溫和的,還是故意挑釁等等。黃經理強調,目前為止,自駕車本身的模式也還在發展,何謂具有代表性及普遍性的模式也尚在研究中,因此明確的安全測試項目仍不明朗。

自駕車發展之所以困難重重,原因之一可能是花太多時間在學習辨識紅綠燈這類事務,但這種讓用路人看的交通標誌與號誌,或許在自駕車全面上路的時代,便不再需要了。另一種情境是,基於特斯拉(Tesla)汽車公司告知車主,必須在高速公路或快速道路行駛時才能開啟自駕系統,所以當全球定位系統(GPS)偵測到車子行駛於一般道路時,自駕系統便會降低車速到30km/h以預防在一般道路使用高速自駕功能會有不可預期的危險性,然而GPS可能會有10公尺左右的距離誤差,因此若車子明明在高速公路行駛,而GPS定位卻偏移於高速公路旁的一般省道,系統判斷非行駛於高速公路,則同樣會立刻減速,可想而知這種情況十分危險。總的來說,除了關注於車廠如何設計出好的自駕系統外,交通設施環境的改進與法律的更新也必須同步跟上,才能更早達到發展自駕車的理想環境。

自駕車的治理規範與科技溝通(上篇)

註釋:

[1] 此研究為2018年1月24日發表的電話綜合調查,共有1004位18歲及以上的成年人參與訪談。請參考 More Americans Willing to Ride in Fully Self-Driving Cars(AAA).
[2] D. Kalinoski (2000). “The Role of Law in Our Technology World,” Maryland Bar Journal 33(4): 2-11.
[3] 【鏈車網】蔡志兼,打破操控與安全的迷失,麋鹿測試高下立見假不了(2018/7/31)
[4] 邏輯規則式系統需要仰賴多種感測器,並根據嚴謹規則來得出決策結果,因為有邏輯可循,所以系統的可解釋性強;但缺點是因為規則建構十分複雜,難以建構出整套完善的規則。而端對端系統則不須訂定規則,且在決策時完全依賴圖像或感測器的特徵資訊,卻也使行駛場景受限於訓練圖像,可解釋性較差。請參考:車輛研測專刊:自駕車的智慧決策技術(車輛中心)

版權聲明

本文歡迎媒體轉載使用,惟需附上資料來源,請註明新興科技媒體中心。
若有採訪需求或其他合作事宜,請聯絡媒體公關:

曾雨涵

haharain331@rsprc.ntu.edu.tw
02-3366-3366#55925