2019年06月03日 | 当自动驾驶遇上“蜘蛛侠”

不过，同款放射性蜘蛛是没有的，但同款“超能力”却被科学家们赋予了机器。

来自凯拉·威尔斯普渡大学的研究人员，将蜘蛛式传感器植入了自动驾驶无人机和汽车的外壳中，试图帮助它们能够更好地探测物体。

我们习以为常的自动驾驶，通常都可以理解为设计一个与人类一样甚至超越人类表现的驾驶水准，因此，其技术路线效法的对象自然也就是人类本身。以深度学习来模拟人类的大脑，为决策提供强大的计算能力；以摄像头、激光雷达等代替人类的双眼，实现高效的传感器融合。

然而，且不提目前的传感器技术并没有完全释放类人的潜力，而且即使是真人上阵，也经常有预判失误导致事故。人类的极限，基本决定了此前自动驾驶系统的极限，也难怪马斯克会对目前的无人车感知方案说出——“A task that has little to no chance of being successful or beneficial”（几乎没机会成功或取得收益）的评价。

那么，将动物们或者说超人们的“超能力”引入自动驾驶，会让事情出现转变吗？下面就从有趣的“spidey senses”来聊聊，自动驾驶感应技术的另一种可能性。

蜘蛛的感知能力究竟有何特别之处呢？

这就必须提到它们处理感官信息的速度，比目前最先进的传感器还要快，因此可以更好地在危险环境中避免事故。当然，这并不是蜘蛛的独家技能，蝙蝠、鸟类等其他动物也或多或少都自带“预先避障buff”。

之所以能做到这一点，因为它们的神经末梢与被称为机械感受器的特殊神经元相连。而这种特殊的感应器往往以羽毛、毛发等形式出现，只检测和处理动物生存所必须的信息。

人类在面临危险时虽然也有“汗毛乍起”之类的操作，但这种“直觉”显然已经在进化过程中被消灭得差不多了。因此，人类往往需要尽可能多地收集周围环境的数据来辅助判断，落地到自动驾驶车上，就是“宁可错拍不可放过”的冗余摄像头和传感器。丰田曾财大气粗在自家的自动驾驶原型车上搭载了七台激光雷达（当时单价7999美金/台）。

但是，与人类相反，大自然中的动物们并不需要“面面俱到”，它们会过滤到不需要的信息，以保证自己处理的信息不会过载，同时又保持足够的敏感度。

比如当蜘蛛网以猎物或者配偶相关的频率振动时，蜘蛛毛茸茸的腿（机械感应器就在上面）就会在体内产生一种神经反射，提醒它迅速做出反应。而更低的频率，比如蛛网上的灰尘，机械感应器是“视而不见”的，因为它对蜘蛛的生存安全来说并不重要。

只有某一特定水平的力激活了“多毛的”机械感受器，它们会快速从一种状态（收集过滤信息）转换到另一种状态（计算信息），并做出相应的反应。

核心成员之一Arrieta认为，在自然界，硬件和软件没有清晰的区别，它们相互关联的。比如传感器即可以收集和过滤数据，也可以用来解释和计算数据。这显然与普遍推行的“大脑-器官”仿人类学设计相去甚远。

那么，这种传感器被集成到无人机机翼或汽车外壳上，会产生怎样有趣的变化呢？

为了让自动驾驶机器能够获得“蜘蛛感觉”的超能力，普渡大学的研究者们开发了一种超薄的电容传感器。它能够从环境中接受信息，并根据阈值(如压力或温度的变化)过滤数据，在预定的力水平提示时还会改变形状。而且，不需要电源。

这些机械传感器可以被定制来检测特定的力学变化，比如人、猫狗、井盖、石子等，与自动驾驶驾驶需要规避的特定对象相关联，就能实现快速避障的作用。

同时，普渡大学的研究人员与新加坡南洋理工大学、苏黎世联邦理工学院合作，设计了同样的传感器，利用这些“机械感受器”的状态变化来让自动驾驶机器像蜘蛛一样处理数据。

因为可以形变，使得传感器材料内的导电粒子彼此移动得更近，从而允许电流通过传感器并携带信号，这些信息则通知驾驶系统应该如何响应。在机器学习算法的帮助下，传感器们能够以最小的能耗实现自主工作，无形中降低了算力方面的成本。

相比于前两年的无比“稀奇”，如今大部分吃瓜群众应该都对自动驾驶机器的智障（划掉）智能程度有所了解了。

在避障技术方面，主要就是依靠超声波、激光、视觉、毫米波雷达等传感器的融合及协同工作，获得道路、车辆位置和障碍物等信息，从而使无人车、无人机能够安全灵活地行驶。

然而即使是融合了绝对数量的传感器，无论是在物体识别还是距离估计上，依然很容易出现令人意想不到的差错。

比如之前特斯拉的自动驾驶汽车因为将前方的白色大卡车当成了白云（！），因此发生了车祸。

“高空作业”的无人机也没有好到哪里去，2015年纽约肯尼迪国际机场，一架无人机在7000英尺的高空中就差点撞上一架飞机，二者当时距离只有20英尺远。

之所以会出现这样的局面，主要原因有二：

第一，当前主流的传感器几乎都有自身局限，多传感器相互备份和补充是必不可少的。而多传感器融合协作，面对复杂的现实场景，还要达到360度无死角的高精度监测，庞大的数据量必然会带来堆积和冗余问题。

另外，现有的自动驾驶系统主要将算力集中在决策层面，感知层面的算力不够充沛，自然也就导致处理器难以支撑庞大连续高速的计算压力。一旦数据堆积导致处理延迟，自然也就更容易犯错。

上述重要而关键的问题，目前看来，对症下药只有两个解决方案：

1.提高感知层面的性能要求，对复杂信息和环境实现更高精度的识别。

2.让感知系统能够处理一部分计算任务，过滤掉无意义的数据，为“机器大脑”减负。

既然前面模仿人类生理工作机制的智能化发展不尽如人意，那么向蜘蛛、蝙蝠等“低智能、高机械”生物学习，会不会才是自动驾驶应该拿到的“剧本”呢？

没有人能给出确切的答案，但这不妨碍有不少学者开始在这个方向努力探索了。

以前面提到的“蜘蛛感知”能力为例，AXA Winterthur关于自动驾驶研究的数据显示，一般情况下，提前1.5秒的警示就可以减少90%的追尾碰撞。也就是说，当提前2.5秒给予一个车辆警告的话，基本上可以让系统做到安全刹停，无人机同理。

目前，想要在碰撞时间（TTC）上保障这一前提，只能通过探测距离大于120米的汽车雷达实现。但与此同时，激光雷达的探测精度又十分离散，在120米距离上垂直和水平分辨率已经是0.3-0.5米的级别，这意味着如果前方站着的是一个人，它很有可能会被激光雷达所忽略。而且，由于要进行360度扫描，数据缓存和回传的时间已经足够发生一场悲剧了。

但是借助“蜘蛛感知”的能力，装载了超薄电传感器的自动驾驶机器就能够在感知到信息的瞬间，就迅速计算并选择性地进行处理，或能够有效减少系统大脑的数据负载，从而提升自动驾驶系统的决策效率和灵敏度。

从某种意义上来说，现阶段的自动驾驶感知系统，有点像刚刚开始变异的蜘蛛侠。在漫画《神奇蜘蛛侠》中，他刚开始有了一定预知未来的能力，却总是无法很好地控制自己能看到什么。让机器快速掌握和人脑人眼一样“看”和“听”的能力，也同样是强“机”所难。

更何况，人类自己还没有搞清楚人脑是怎么工作的，又何谈用机器来模仿人脑呢？

或许放下幻想，放低身段，对于动物能力的观察与模仿，才能引领机器走向类脑智能的应许之地。