馬斯克曾說：“自動駕駛永遠不會完美，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！
本文來源：新智元

特斯拉CEO馬斯克曾經(jīng)放話：“自動駕駛永遠不會完美，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，人類駕駛汽車發(fā)生事故的可能性比自動駕駛汽車少4000倍。

而就在最近，這個研究團隊開發(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！

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

“由于車輛電氣和機械組件的復(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來改進自動駕駛車輛非常困難。”伊利諾伊大學(xué)CSL實驗室教授Ravishankar K. Iyer說，“目前我們正在取得進展，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DriveAV的測試中，該團隊所開發(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)讓這個團隊的工作得到了業(yè)內(nèi)的關(guān)注。該團隊正在為他們的測試技術(shù)申請專利，并計劃很快進行部署。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)

“我們團隊正在應(yīng)對一些挑戰(zhàn)，”領(lǐng)導(dǎo)該項目的計算機科學(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和機器學(xué)習來集成機械、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；擁有50多個處理器和加速器，運行著超過1億行代碼，來支持計算機視覺、規(guī)劃和其他機器學(xué)習任務(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。”Jha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上遇到軟件問題時，最常見的反應(yīng)是關(guān)機重啟。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和計算機科學(xué)專業(yè)的研究生Subho Banerjee說。“我們想了解常見的安全問題有哪些，汽車的性能如何，以及理想的安全標準是什么，以了解自動駕駛系統(tǒng)的設(shè)計是否足夠好。”

該團隊分析了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，人類駕駛汽車發(fā)生事故的可能性比自動駕駛汽車少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，研究團隊決定使用計算機仿真環(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。“與人類不同，當今的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，介紹了一種基于機器學(xué)習的故障注入引擎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)周進行的隨機注入實驗沒有發(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器學(xué)習來集成機械、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，該安全范圍由機載傳感器(如相機、激光雷達、雷達)不斷地測量和量化。因此，迫切需要對自動駕駛技術(shù)進行全面評估。


ADS的架構(gòu)

然而，在實際的駕駛環(huán)境中對這些系統(tǒng)進行評估一直具有挑戰(zhàn)性，特別是由于隨機故障的出現(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。基于FI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FI來獲得基線性能。

本研究的貢獻

DriveFI的Bayesian FI框架能夠通過對ADS在故障下的行為進行因果推理和反事實推理，從而發(fā)現(xiàn)關(guān)鍵安全情況和故障。

它通過(a)以車輛運動學(xué)和AV架構(gòu)的形式整合領(lǐng)域知識，(b)基于橫向和縱向停車距離的安全建模，(c)使用真實的故障模型來模擬軟件錯誤，從而做到這一點。(a)、(b)和(c)被集成到一個貝葉斯網(wǎng)絡(luò)(BN)中。

BN提供了一種有利的形式化方法，即用可解釋的模型來對故障在AV系統(tǒng)組件之間的傳播進行建模。該模型與故障注入結(jié)果可用于設(shè)計和評估AV的安全性。
此外，BN支持快速概率推理，這使得DriveFI能夠快速找到對安全關(guān)鍵的故障。

Bayesian FI框架可以擴展到其他安全關(guān)鍵系統(tǒng)(如手術(shù)機器人)。該框架要求對安全約束條件和系統(tǒng)軟件架構(gòu)進行規(guī)范，以建模系統(tǒng)子組件之間的因果關(guān)系。


自動駕駛汽車的自主系統(tǒng)和機械系統(tǒng)，及其與DriveFI的交互作用。

研究小組在兩個工業(yè)級的4級ADS上演示了這種方法的能力和通用性，分別是DriveAV(NVIDIA的專有ADS)和Apollo 3.0(百度的開源ADS)。

結(jié)果

研究團隊使用三種故障模型：(a)非ECC保護的處理器結(jié)構(gòu)中的隨機故障和一致故障；(b) ADS軟件模塊輸出中的隨機故障和一致故障；(c) ADS模塊輸出中被Bayesian FI損壞的故障。

主要結(jié)果包括：

- 使用錯誤模型(b)，我們編制了一個包含98,400個錯誤的列表。在模擬的駕駛場景中，如果要對所有98,400個故障進行徹底的評估需要615天。相比之下，Bayesian FI能夠在不到4小時的時間內(nèi)找到561個對AV安全性影響最大的故障。也就是說，Bayesian FI比傳統(tǒng)方法快了3690倍。

- Bayesian FI能夠發(fā)現(xiàn)導(dǎo)致安全隱患的關(guān)鍵故障和場景。(a)在561個已確定的故障中，460個顯示為安全隱患。(b)這460個故障與68個安全關(guān)鍵場景有關(guān)(總共7200個場景)。
通過對挖掘出的關(guān)鍵故障進行檢測，發(fā)現(xiàn)最容易發(fā)生車輛碰撞事故的ADS模塊輸出前3位分別是節(jié)氣門值(561個關(guān)鍵故障中的24%)、PID控制器輸入(18%)和傳感器融合障礙類值(15%)。Bayesian FI用于創(chuàng)建違反車道的目標的ADS模塊輸出是：(a)車道類型值(2%)、(b)油門(1.4%)、(c)轉(zhuǎn)向(1.4%)。56%的故障類型從未被Bayesian FI使用過；例如Bayesian FI從未注入到相機傳感器對象分類模塊的輸出中。


使用FI 獲得的故障/錯誤影響表征

- 相比之下，在5000次random FI試驗的幾周內(nèi)，沒有發(fā)現(xiàn)一個安全隱患。只有1.93%的單比特注入導(dǎo)致了靜態(tài)數(shù)據(jù)損壞(SDC)，從而導(dǎo)致啟動錯誤。ADS從所有這些錯誤中恢復(fù)了，沒有任何安全違規(guī)。在7.35%的FIs中，發(fā)生了內(nèi)核恐慌和死機。預(yù)期可以通過AV中現(xiàn)有的備份/冗余系統(tǒng)從這些故障中恢復(fù)。

作者表示，Bayesian FI方法挖掘關(guān)鍵情況將具有比故障注入法更廣泛的適用性。結(jié)合一系列故障注入實驗的結(jié)果來創(chuàng)建一個情況庫，將有助于制造商制定AV測試和安全駕駛的規(guī)則和條件。

自動駕駛問題多，離真正上路還有多遠？

這項新研究表明，即使像百度、英偉達這些大廠的自動駕駛技術(shù)也存在不少問題，而且自動駕駛技術(shù)還有很多不能妥善處理情況，往往要依靠人類駕駛員來接管。

對于自動駕駛這一新生事物，安全性是最受關(guān)注的，以至于一旦無人車發(fā)生事故立刻就會成爆炸新聞。自2016年初以來，加州共報告了111起涉及自動駕駛汽車的撞車事故（這還不包括可能造成的事故風險）。根據(jù)對DMV報告的分析，其中71起事故發(fā)生時，車輛處于自動駕駛模式。其中，有接近70%涉及自動駕駛車輛被追尾事故。

最典型的是Uber去年3月的“全球首起無人駕駛致死”事故：一輛處于自動駕駛模式的Uber無人車在道路測試時發(fā)生致死車禍。



事件發(fā)生于鳳凰城以東11英里的Tempe鎮(zhèn)。當時，Uber無人車正在向北行駛，一名女子在人行橫道外穿，被車輛撞倒，被送往醫(yī)院后，由于傷勢過重死亡。

盡管經(jīng)過近一年的調(diào)查后證明，Uber在這起事故中不擔刑責，但事故直接導(dǎo)致Uber自動駕駛業(yè)務(wù)元氣大傷。

對自動駕駛技術(shù)頗為激進的特斯拉，其Autopilot自動駕駛儀也頻頻發(fā)生事故，包括一起“一輛Model X在自動駕駛模式下撞上高速公路護欄”的致死事故，裝上卡車、追尾消防車等等，每一起事故都沖擊著大眾對自動駕駛的信任度。


特斯拉自動駕駛致死車禍

這樣看來，在無人車上路前就檢測到可能存在的自動駕駛系統(tǒng)的故障顯得尤為重要。對于伊利諾伊大學(xué)香檳分校的研究團隊在4小時內(nèi)發(fā)現(xiàn)了百度Apollo 3.0、英偉達DriveAV系統(tǒng)存在561個故障，你怎么看？你覺得自動駕駛什么時候才能真正上路呢？