又到了发布自动驾驶汽车成绩单的季节。
周三(2月26日)，加州机动车辆管理局(California Department of Motor Vehicles)发布了加州自动驾驶年度报告，详细列出了那些获准在加州测试的自动驾驶汽车公司去年的驾驶情况，以及各公司安全操作员多长时间需要接管一次汽车。
这一“脱离报告”提供了一个难得的机会，让我们得以一窥那些在公共街道测试的自动驾驶公司的工作方式。
可惜的是，看完这些报告几乎也没法来衡量我们离自动驾驶时代还有多远。
首先，各公司使用了不同的术语来解释各种各样的脱离。另外，这一报告也只覆盖了加州的测试情况，而多数大玩家都同时在其他地方进行了测试，比如Waymo在凤凰城的测试、Argo在匹兹堡和迈阿密的测试以及安波福在拉斯维加斯的测试。
更重要是，脱离不是衡量自动驾驶进步的好方式。它也不适合公司之间的对比，因为不同公司的测试地点也不一样。比如，Cruise在路况复杂的旧金山，Waymo则在静谧的郊区。不同公司遵循的协议也不同，有些公司要求安全司机在校园周边或附近有急救车辆时接管车辆，这样以来，车辆在本可以正常行驶的地方也会产生系统脱离。
降低脱离率的最好方法就是在一些路况简单、经过充分调研的地方累积里程，但这却是改进自动驾驶系统的最糟糕方法。Waymo周三(2月26日)表示，加州的报告没有“提供有关其自动驾驶项目的洞见”，“也没有将其在自动驾驶领域的表现与其他公司区分开来”。
那么，这些公司自身是如何跟踪它们的技术进展呢?
有些衡量方式很简单。如果公司的视觉系统现在只能检测到98%的行人，那么它的机器学习算法可能需要学习更多的案例，有望超过99.99%。
Refraction AI CEO马特·约翰逊-罗伯森(Matt Johnson-Roberson)表示，该公司每个月至少会检查一次这些统计数据，包括计算机系统崩溃的频率，以及这些车辆遵循软件指令的可靠性。在密西根州的安阿伯(Ann Arbor)，这家公司正在制造一种小型自动驾驶汽车，它可以沿着自行车道为人们配送食物。
虽然这家初创公司和竞争对手们都有自己衡量进展的独特方法，但是，相比公司测试的总里程，大多数公司似乎更关注其中能够真正做到安全驾驶的里程。
第一步：想一想自己驾驶汽车必须要做到什么。那种可以在任何时间去各种地方的自动驾驶汽车似乎还需要几十年的时间;大多数开发商瞄准的是受地理位置、道路类型和驾驶条件限制的细分市场。
Cruise的自动驾驶汽车则不得不应付整个旧金山的交通，这实际上意味着其自动驾驶汽车必须掌握人类司机的所有驾驶技能，它要成功应对无防护的左转、四向停车、环状交叉路口、疯狂陡峭的街道。Optimus Ride和Voyage的目标相对较低，主要是在退休社区和其他性能要求不高的限制区域。
人们可以把自动驾驶所需的性能列出制表，就像教学大纲一样，然后去训练汽车。一些新开始测试的公司从基础开始，比如编写代码教会汽车识别并保持车道。
然后，再加上车道变换，在高速公路上并道，或者减速让其他人并入车道。每当需要改变汽车的控制软件时，可以首先在计算机模拟中试一试，看看它是如何工作的，并找出漏洞。
然后，把它应用到一辆车里，在可控条件下在专用车道上进行测试。一旦得到证实就可以进入公共道路测试。Waymo在真实世界中行驶了2000万英里，在虚拟世界中行驶了100多亿英里。
随着每项功能的改进，“你可以开始把它们从清单上划掉，”自动驾驶卡车公司Kodiak Robotics的唐·伯内特(Don Burnette)说，“你还有多少功能需要实现?”已经实现了哪些功能?这对一家公司来说是一个非常好的进步指标。
与此同时，公司还可以进一步强化已经实现的功能。如果你在研究变道，你会先从周边没有其他车辆的场景开始，专注于类似人类司机的驾驶轨迹和速度。(同样，这项工作首先在模拟环境中进行，然后在现实世界中进行。)
然后可以在场景中添加一些车，然后再添加更多的车，这时候系统必须决定什么时候的车间距离是安全的。最终做到像一个人类司机默许另一辆司机汇入车道一样。
一旦你把所有的细微功能都划掉，你就拥有了一个“功能完备”的系统。但是，大都市那样的交通环境需要几乎无穷无尽的功能，这些障碍的高度也有助于解释为什么如此多的自动驾驶公司正寻求更有限的商业模式，比如在高速上行驶的卡车和固定路线的班车。
一向自信的特斯拉CEO埃隆·马斯克(Elon Musk)是少有的声称已经取得胜利的人。“我认为我们的全自动驾驶汽车今年将实现‘功能完备’。”马斯克在2019年初表示，“这意味着今年，汽车将能够在停车场找到你，接上你，带你一路到达目的地，无需任何人工干预。”但是，他后来在电话会议中解释称，“功能齐全意味着它有机会在不施加干预的情况下从家里带你去上班。”
尽管如此，“功能完备”和“完成任务”之间仍然有很大差距。以特斯拉去年9月发布的智能召唤(Smart Summon)为例，它可以自动驱动车辆从停车位开到车主所在的位置。目前证据表明，大多数情况下它是有效的，但有的时候也会分不清沥青、草或者冰，有时候还会卡在车库门上。
因此，一旦向计算机代码库添加了功能，就必须确保它在尽可能多的情况下都能工作。早年领导过Waymo的克里斯·厄姆森(Chris Urmson)表示，这就体现了模拟的重要性。厄姆森现在是Aurora的CEO，该公司正在为包括卡车运输在内的多种应用开发自动驾驶技术。
去年，当厄姆森的团队研究无防护弯道时，他们首先派出人类驾驶员进行实况调查。他们对生活中多样性进行采样很感兴趣，比如人类司机在不同十字路口的速度多快或多慢，一辆卡车对一辆轿车前方视线的影响有多严重等。
他们将调查结果加载到模拟软件中，然后通过“模糊化”细节进行变化，对其他参与者的位置、速度等进行细微的改变。厄姆森表示，他们在实际交通场景中进行左转之前，Aurora已经进行了超过200万次模拟实验，不断打磨系统。
然后他们把自动驾驶汽车开到街上，在现实世界中验证计算机学到的知识。在此过程中，Aurora安全操作员注意到了一些不寻常的情况和时刻，车辆行为这时候与他们期望的不一样，这通常会导致自动驾驶系统脱离。
但是，公司的工程师们并没有把重点放在手动控制车辆的次数上，而是将这些时刻作为素材，进行更多的模拟，更多的模糊测试(Fuzzing)以及更多的调整，提高车辆的性能。
未来某一时刻，厄姆森和他的团队会宣布，他们的系统已经在足够多的场景中验证了自己的技能，能在没有人类安全员的情况下驶入真实世界。不同公司会在不同的时间点宣布，因为没有人能在这个备受争议的问题上达成一致。到什么程度才足够安全?监管机构也无法断定。
联邦运输部仅对安全系统的开发提供了模糊的指导方针。美国许多州对自动驾驶软件的开发者表示欢迎，但也没有强加任何技术要求。
在这一点上，加州尤为突出：已经有超过60家公司在该州获批测试自动驾驶技术，但只有5家公司获得了加州公共事业委员会(California Public Utilities Commission，CPUC)的许可，可以在该州进行客运。
南卡罗莱纳大学法学院(University of South Carolina School of Law)研究自动驾驶车辆政策的教授布莱恩特·沃克·史密斯(Bryant Walker Smith)表示，不要指望这种宽松的安排会改变。这些自动驾驶汽车在复杂的环境中运行复杂的软件，监管机构和公众都没有足够的专业知识、资源或时间来完全理解这一切是如何运作的。
没有一家公司可能会为了提供数据证明自己的车能做到人类司机一样(或更强)而去驾驶那么长的里程。史密斯表示，这意味着每个人都必须在信念上迈出一大步，或者至少迈出一小步。“这取决于开发和部署自动驾驶的公司是否值得大家信任。”
Refraction AI的自动驾驶汽车不太可能致人重伤，因为这些车的移动速度在10到12英里/时之间。因此，该团队可以绕过安全因素，考虑另一个指标:单次运输成本。
最近，这家公司的工程师们花了大约一个月的时间来研究四向停车。约翰逊-罗伯森表示，他们让自动驾驶汽车达到了“没有败绩”的程度，但这其实是因为它过于保守，等七八分钟才做出行动。所以他们决定完全避免这个问题，换一条路线，或者让一个人远程遥控它。(远程操作是自动驾驶系统工作的重要工具，但没有得到充分的重视。)
这是可行的，因为Refraction AI的未来并不在于一定要掌握棘手的四向停车技术。该公司唯一重要的衡量标准是，它能否让密西根大学(University of Michigan)的学生吃上热的汉堡和薯条。
