编者按：本文来自微信公众号真探AlphaSeeker(ID:deep_insights)，作者张嘉豪 ，创业邦经授权转载，图源：摄图网。
当你在道路上遇见一辆改装后真的把房子架在轮子上的房车，人类驾驶员可能会在发出好奇地惊叹后小心翼翼避开房车的移动，而你的自动驾驶系统却有可能判定这是一栋不会移动的房子。
当在道路上遇见一位穿着可爱的恐龙衣服的小孩子时，你那没见过这些“奇装异服”的自动驾驶系统也极有可能将其判断为无法识别的物体。更危险一些的情况是，如果有人心血来潮要cosplay红白色的路锥，那自动驾驶系统对路况的理解就可能会完全错误。
这些看似极端的情况，其实指向了一个共通的问题：人在感知和识别周围环境时，可以很自然地结合“上下文语境”做出判断，然而自动驾驶的车辆目前还不能很好地做到这一点。
在自动驾驶领域，造型肖似房子的房车、穿恐龙衣服过马路的小孩，这些在道路上不常见的情况被称为边缘情况或边界情况（Edge Case或Corner Case）。这些充满了巧合性与不可预见性的边缘情况，造成了自动驾驶系统在道路上难以消除的不确定性，也是人类对自动驾驶不信任感的来源之一。
事实上，即将过去的这个8月，自动驾驶在中美都承受着猛烈地质疑和讨论。在中国，一辆开启辅助驾驶的蔚来汽车发生车祸，造成车毁人亡；大洋彼岸的特斯拉因2018年以来的11起事故，也遭到了美国国家公路交通安全管理局（NHTSA）的调查。
一面是风光无限的大风口，一面是揪动人心的安全事故，自动驾驶到底行至何处？又困在哪里？
在众多因素中，边缘情况被视作自动驾驶发展中的一个瓶颈，制约着自动驾驶的安全性和商业化落地进程。甚至可以说，自动驾驶行业80%的努力，都是要解决20%的边缘问题。
自动驾驶（包括辅助驾驶）汽车被允许在道路上行驶后，安全事故在不断发生，特斯拉、Uber、Waymo、蔚来……许多知名车企和自动驾驶企业都被卷入其中。2018年初以来，特斯拉汽车在美国已经发生了11起与“应急救援场合有关”的事故，共造成1人死亡、17人受伤。
特斯拉出事的“应急救援场合”，正是边缘情况的一个案例。应急救援现场往往会有相应的警告措施，比如闪着警灯的警车、照明棒和亮灯的告示牌、交通锥等，但处于自动驾驶状态的特斯拉车辆却无法很好地识别出前方放置的这种警告措施。
类似的问题不只存在于特斯拉身上。本月引发社会广泛讨论的蔚来事故也与应急救援场合有关。8月12日，开启NOP领航的高速行驶的ES8先是撞上了路边的桩桶，随后又撞击快车道上的一辆高速公路养护车，巨大的冲击力导致公路养护车侧翻，ES8车主也不幸身亡。
而就在一个月前，据湖州高速交警发布的消息，G25 长深高速往南京方向2242公里附近，高速施工区域内发生了一起交通事故。一辆开启辅助驾驶模式的蔚来汽车冲入施工区域，追尾了正在施工撤除作业的施工养护车辆。事故造成两车损坏，施工预警设施受损，两车人员不同程度受伤。
从上述的案例中我们不难看出一个静止的交通锥会给自动驾驶带来怎样的危害。但是，要知道交通锥只是边缘情况的一个表现。复杂的道路状况给自动驾驶带来的挑战还有很多。
中科院战略咨询院产业科技创新中心汽车行业特聘研究员鹿文亮曾表示，“目前自动驾驶80%的技术问题都得到了解决，剩下20%的长尾问题，常被称为corner case，是制约高级别自动驾驶发展的关键。这也是行业常说的用80%的精力解决20%的问题。”
“20%的问题”无法消除的原因在于，一方面，道路交通本身的复杂性决定着道路环境的不可控性，完全稳定、没有突发情况的状态无法得到保障；另一方面，由于交通本身重要的地域特性，不同地区往往会呈现出完全不同的道路环境。
比如，在中国大部分地方，野生动物出现在道路上的概率极低，一般情况下自动驾驶的车辆没有机会学习和识别这样的情景。但是在一些国家和地区，道路上出现鹿、狮子、熊等野生动物的概率相对中国较高，这时，一辆基于中国道路的自动驾驶汽车所面临的风险将会升高。
反过来，由于中国道路交通拥堵情况以及包括机动车参与者之间的交互行为更复杂，在国外测试的车辆在中国道路上行驶也将面临着更多的不确定性。正如有人所调侃的那样，“在美国道路上得跑好几周的数据，在北京五环路上跑一圈就有了。”
边缘情况难以解决，在一些危险的突发情况下，人类似乎把一些过大的权利交给了自动驾驶系统。
例如，随着自动驾驶车辆的出现，一个与曾经被人们广泛讨论的“电车难题”相类似的“隧道困境”出现了：一辆自动驾驶的汽车载着乘客正准备进入隧道，突然跑出来一个孩子，此时，单靠刹车已经来不及使汽车减速从而保证孩子的存活。在这样的情况下，车内车外的生命天平似乎掌握在了自动驾驶系统的手上，而自动驾驶又到底该如何做出决策？
“电车难题”
“隧道困境”并没有一个标准答案，行业能做的，只有尽可能缩短自动驾驶的反应时间、提高自动驾驶的判断准确性，让更多的边缘情况能提前被预判、被解决。
从技术上来说，边缘情况指的是一套系统中一个参数或是条件为极值，在这样的极端情况下，系统就会呈现出某种不正常的状态。在自动驾驶领域，当特殊或突发情况发生时，一辆无法及时合理地捕捉并辨认障碍物和环境的自动驾驶汽车，很有可能造成事故的发生以及人员的伤亡。
要解决边缘情况，实际上就是要确知自动驾驶的能力边界。目前，确知能力边界有三种方式，分别是仿真测试、封闭道路测试和公共道路测试。
其中，仿真测试因其较高的效率和安全性，越来越被各大厂商看重。其意义在于，现实生活中80%的场景都是正常情况，而这些正常情况对于机器处理边缘情况的能力并没有帮助，仿真系统则正可以通过模拟发生几率为20%的边缘情况，来提升机器的学习效率。
图片中“来源困难”、“标注困难”、“处于闭环中”的数据，正是边缘情况的主要体现 （来源：特斯拉）
在最近的AI日上，特斯拉公布了自己的一套仿真系统。本来，涉及到自动驾驶，马斯克总是对于市面上流行的事物显得“不感冒”。无论是从其始终坚持的纯视觉感知路线上，还是从其对于自动驾驶仿真系统的态度上，都不难看出这一点。
两年前，马斯克对仿真系统的态度是，没有什么模拟技术能媲美摄像头采集场景下的真实性和复杂性。而两年后，马斯克和他的特斯拉一改此前态度，对仿真测试加大投入，这也一定情况下说明了业内的主流方向。
特斯拉仿真系统
马斯克又一次打脸的原因，或许是自动驾驶要求的测试里程实在太大。特斯拉AI日上公布的数据显示，其Autopilot 仿真器中建立了 2000 英里长的道路，已经有 3.71 亿张模拟图像和 4.8 亿个立方体；最早一批提出仿真系统的Waymo达到了现实场景2000万英里，仿真超 100亿英里的级别。
试想，如果Waymo超100亿英里的仿真路程都在公开或封闭道路上用车队来验证，将耗费多么庞大的资金、人员和时间。
出身Waymo、现任国内无人驾驶公司轻舟智航联合创始人及CEO的于骞告诉「真探」：“仿真测试是通向自动驾驶的必由之路。通过大量仿真系统测试，先找到一个很好的参数空间，这样就避免了需要在道路上直接测试的困难，可以把整个开发流程大大加快。”
举例来说，闯红灯在实际道路中比较难收集，但在一个仿真模拟系统中，交通信号灯的状态是可以自己根据需要来控制的，这样就避免了时间的浪费从而提升效率。此外，仿真系统中可以通过参数的调节，来复现实际场景中的一些细微变化，如车辆的提速、减速。
不过，尽管仿真测试有着多方面的优势，其核心逻辑依然是提升效率，对自动驾驶的最终检验还是要在公共道路上测试完成。于骞在谈到路测和仿真测试的关系时表示，仿真测试并不是要取代道路测试，“整个自动驾驶行业安全是一个天条，只有路测才是最终的检验标准”。
除了以“仿真+路测”作为主要手段以外，自动驾驶的领域也在推出行业共同认可的安全标准和具有更高性能的工具。
作为一个还在不断发展的领域，目前自动驾驶行业的安全标准正在形成。2020年4月，由卡耐基·梅隆大学专家牵头成立的Edge Case Research发布了一份名为UL 4600的自动驾驶汽车安全标准，称其为“自动驾驶汽车的第一份安全标准”。
卡耐基·梅隆大学Phillip Koopman博士在谈到UL 4600指出，这份针对自动驾驶汽车的安全标准与传统安全标准最大的不同在于，后者告诉人们“如何做到安全”，而UL 4600则强调的是“什么才是安全的”。
而在工具层面，各企业和机构也取得了一定进展。2019年，Edge Case Research推出了感知压力测试和风险分析系统Hologram；今年4月13日，英国初创公司dRISK宣布推出其边缘案例再培训工具（edge case retraining tool），并将其首次实现商业应用。该工具可以帮助自动驾驶汽车（AV）及时检测到高风险事件，性能提升6倍。
可以看到，憧憬着无人驾驶梦想的同时，人类也在应对边缘情况方面努力着：对于自动驾驶行为的边界不断进行探索、在核心领域取得技术的突破、建立起行业共同认可的安全标准……自动驾驶绝不只是一个技术问题，更不是车企拿来卖车的营销话术，想要真正实现这个梦想，需要行业作为一个整体在技术、法律法规、社会认知方面不断努力。
这注定是一条满布荆棘的道路，人类对自动驾驶的审视远比对自己更为苛刻。只有在自动驾驶的安全性比人类驾驶员高出一个量级时，其或许才有资格换取到人类真正的信任。
加载中,请稍侯......