文 | 木子Yanni
在评测自动驾驶系统安全与否的征程中，除了上路硬刚，还需要点更有趣的。
1、复仇中孕育出的无人驾驶2001 年，两架被恐怖分子劫持的民航客机，一架撞塌了美国纽约世贸中心大楼及附近五座建筑，另一架则撞塌了美国国防部五角大楼。
图片来源于网络
在这起恐怖袭击面前，不管是里子还是面子，美国都稀碎。
“9·11”事件后，美国情报部门锁定了幕后黑手本拉登，迅速出兵阿富汗，开始了长达十数年的复仇行动。
但复仇之路，遍布荆棘。
面对美国的来势汹汹，本拉登领导的武装力量，在当地很多道路上埋设了爆炸装置，美军运送物资时，常常会误触，导致伤亡，这让美军犯了难：难不成安排人手挨街去扫雷？
在排除了无数种无效方案后，美军面前只剩一个靠谱选择：研究无人驾驶，减少运输伤亡。
这个在当时看来科幻无比的技术难题，毫无疑问，落在了美国著名的黑科技组织 DARPA 身上。虽然 DARPA 厉害，但也架不住这个开头难，脑筋一转，DAPRA 心生一计：举办比赛，发动群众力量，共同解决难题。
2004 年，DAPPA 拿出了 100 万美元作为奖金，举办了一场机器人汽车比赛。
为了贴近阿富汗战场的实际情况，比赛场地被定在位于拉斯维加斯南部的一个沙漠中，路线总长 240 公里。比赛限时 10 小时，在规定时间内，谁第一个到达终点，就能抱走那 100 万美金。
我们都知道，做研究最怕缺钱。这不，一大批从事机器人研究的团队，一听说参加比赛就能搞到钱，全都跑来报名。
这其中，有技术名人，比如曾发明远程勘探车“漫游者”，承担了美国 1979 年核事故后清理事故现场重任的威廉·惠特克，也有平平无奇的选手，比如研究生厄姆森 (正是受到这场比赛的熏陶，他开始专心研究无人驾驶技术，一连参加三届比赛，后来还曾担任谷歌无人驾驶项目的首席技术官)。
终于，比赛的日子到来了。
得益于 DAPRA 前期的成功营销，一大批记者早早出发，乌央乌央地挤在赛道终点，寻找有利角度，架好机器，试图捕捉冠军车辆风尘仆仆后的荣光。
为了那一刻，记者们足足等了十个小时。
然而，直到比赛结束，也没有一辆汽车冲过终点。主办方一了解才知道，有的车被小石子卡住了，有的车被沙丘困住了，总之别问，问就是团灭。
在这场漫长的寂寞等待中，记者们感觉自己受了捉弄，纷纷在新闻能登上台面的前提下，用最扎心的语言对比赛进行了报道。比如在一篇“DAPRA：沙漠中惨败”的报道中，记者用了大量篇幅，将 DAPRA 描绘成异想天开的官僚机构，称他们总是撒钱在一些蠢事上。
不过，DAPRA 并没有放弃，还一连举办了三届。
在这个过程中，一切都在变化：DAPRA 不再将它视为支援战争的工具，比赛场地从沙漠走进城市；比赛规则开始注重安全，从最初的到达终点即可，到必须遵守交通规则；奖金也不再是发不出去的道具，开始有团队凭实力取胜，笑捧奖金而归。
这场从沙漠和尴尬中走出的机器人汽车比赛，拉开了无人驾驶技术的序幕。
2、重回事故现场如今，距离 DAPRA 发起机器人汽车比赛，已经过去了 17 年。
在这 17 年中，借着深度学习这*风，自动驾驶技术发展的如火如荼，谷歌、特斯拉、Uber、百度皆是其中的头号玩家，但从比赛伊始就强调的安全，至今仍是一个绝对难题。
尽管各巨头对自家的自动驾驶技术都很有信心，但谁也无法保证上路后 100% 安全，于是在出行新模式面前，大家不约而同采取了折中方案：车上坐个安全员，你好，我也好。
然而，当事故出现，安全员立刻卑微成了背锅侠，主角光环都难以拯救。
2018 年 3 月 18 日晚，美国亚利桑那州的街头，Uber 正在进行自动驾驶测试，一位安全员正坐在驾驶位上，而在车前方，49 岁的女性伊莱恩·赫茨伯格，正推着自行车横穿马路。
随后，Uber 无人驾驶车撞上了伊莱恩·赫茨伯格，尽管伤者在第一时间被送往医院抢救，却终因伤势过重，不幸离世。
图片来源于网络
事后经过调查，警方发现，在事故发生时，Uber 处于自动驾驶模式，车速为每小时 38 英里，而该路段限速为每小时 35 英里，属于超速行驶；坐在驾驶位上的安全员，也没有全程注意路面状况，而是时不时地低头看手机，从行车记录视频看，安全员最后一次抬头，是在事故发生前的半秒钟，但为时已晚。
最为关键的是，直到事故发生，Uber 的自动驾驶系统都没有识别出前方有人。
几个月后，这起自动驾驶*人案迎来了初步判决结果：安全员被控过失*人罪，可能面临两年半的有期徒刑，而 Uber 不会面临刑事指控，但必须改进自动驾驶技术中存在的缺陷。
这是全世界范围内第一起自动驾驶汽车撞人致死的事故，它给整个行业留下了一个思考：在自动驾驶中，如何判定过错方是技术还是人？
去年，Waymo 发布了首个以“事故”为主题的自动驾驶路测报告，清晰揭示了 Waymo 所遇事故的责任真相。
图片来源于网络
报告中涵盖了共计 21 个月的自动驾驶数据，能看到，Waymo 一共遭遇了 47 起事故，其中有 8 起事故触发了安全气囊。
值得注意的是，这 47 起事故，有 29 起并未实际发生，而是通过安全员的提前干预，将危险解除，剩下的 18 起事故，才是真的发生了碰撞。
图片来源于网络
在这 18 起真实碰撞的事故中，碰撞原因多种多样，比如倒车、拐弯擦碰等，绝大多数碰撞都很轻微，类似被庞麦郎的滑板鞋踹了一脚，而在 8 起严重事故中 (3 起真实发生，5 起模拟发生)，主要责任都在人类司机身上，比如逆行、追尾等。
人类司机逆行（橙色轨迹）
有人可能会问，什么叫模拟发生？
模拟发生其实叫反事实模拟，是一种事后仿真，也就是在一个模拟器中进行假设：假如当初自动驾驶车辆遇到紧急情况时，安全员没有出手干预，而是任由自动驾驶车辆自行处理，会出现什么结果？
可能又有人会问，既然没有实际发生，Waymo 为什么还要在事后“重回现场”？是嫌自动驾驶事故率太低，找潜在事故来凑数吗？
非也。我们先回顾一个去年发生的特拉斯自动驾驶事件。
2020 年 6 月 1 日清晨，在台湾嘉义县国道 1 号水上乡段的高速公路上，一辆白色厢式货车发生侧翻，直挺挺横躺在路上，货车司机在路边等待救援。
没多久，后方一辆疾驰而来的特斯拉 Model 3，径直超侧翻的货车箱体开过来，在一个明显的刹车动作后，特斯拉继续行驶，直到几乎半个车身都嵌进货车中，才被迫停了下来。
图片来源于网络
万幸的是，由于货车当时装载的是类似奶油状的食材，起到了很好地缓冲作用，两位驾驶员都没有受伤。
此前，类似的事故还有两起，它们都有共同点：
1、前方障碍物都处于近乎静止状态；
2、障碍物被撞面都是大面积白色。
这种在没有黑客攻击情况下出现的事故，叫做 AI 感知攻击，属于“非攻击场景下的安全问题”。
就拿特斯拉在台湾的这起事故来说，在自动驾驶系统的眼里，障碍物是可以“凭空消失”的，这也是一种安全问题。
Waymo 在自动驾驶报告中，通过仿真现实场景、重回事故现场的做法，就是为了发现潜在的自动驾驶安全风险，找出系统眼里那些“凭空消失”的障碍物，确保日后某一天，当安全员没能及时干预时，自动驾驶系统依然能够主动避开危险。
毕竟，在真正的无人驾驶时代，不会出现“一车一安全员”的配置。
事实上，如何在仿真环境中提前发现安全风险，已经成了自动驾驶头号玩家们的发力方向。
3、风险挖掘小能手国内的自动驾驶大咖百度，和 Waymo 及其他自动驾驶巨头一样，也在使用自动驾驶仿真器预测风险，但又有些不同。
在 2021 年 DEF CON CHINA 上，百度首席安全科学家李康分享了百度阿波罗的仿真训练，我们可以从中了解一二。
与市面上大部分的自动驾驶仿真平台一样，百度阿波罗使用的 AI 感知安全验证平台，支持对道路和地图的规划，也具备可编程调整的动态环境，比如天气、光线、周边车辆及行人的状态，能够最大限度模拟接近现实的复杂场景。
同一道路，可以调节不同的天气和光线
仿真测试其中一个重要用途，就是重构事故现场：通过还原事故当时的环境，重新测试自动驾驶软件，找出事故原因，加以改善。
但在这个重构过程中，存在一个巨大的挑战：如何在给定的静态场景中，找到有风险的动态配置？
如果想最大限度还原现场，就要找到最接近现场的环境参数，不仅要考虑光线、路面、天气等静态场景因素，更重要的是考虑环境中的动态因素，比如周边车辆有多少，是在行驶、急刹还是准备停车，这样才能生成一个有效测试例。
如此多的动态参数，在重构现场过程中，往往需要进行多次调整，很难一次性成功。
如果在一开始，只是随便选择了一些参数，看自动驾驶软件会不会发生碰撞，那即便测试很多次，可能都不会出现碰撞。所以说，动态配置非常关键。
在寻找合适的仿真参数配置问题上，百度选择了一个技术帮手：Fuzz，也就是模糊测试。
过去，Fuzz 被广泛运用在自动化漏洞挖掘领域，是一种原理简单、却有效的技术。
Fuzz 的基本思路，就是用特定的生成策略来生成随机化的输入，让被测试的目标程序执行该输入，通过监控程序的运行情况，例如是否发生了 crash 等异常动作，达到测试程序功能完备性的目的。
这个过程类似机器人走迷宫：把一个机器人放到迷宫中，它可以自由安排路线，一条路走不通就换，直到找到迷宫出口为止。
但它并不是蒙眼随意走，而是会特别留意之前没走过的路，这就是 Fuzz 中一个非常有用的机制：路径反馈。
要想尽可能完整的测试程序，就要尽可能多的覆盖程序执行路径和执行状态，路径反馈机制正是以此为目标：它会特别关注那些触发了新的执行逻辑的输入，把这些输入重新进行随机化变异，生成新的输入，而那些没有触发新的执行逻辑的输入，就会被舍弃。
如果把迷宫出口看做是自动驾驶系统的风险点，Fuzz 这个小机器人在迷宫中不断探索可能的道路，最后到达终点，也就是找到了自动驾驶系统存在的风险。
在仿真测试中，主要需要捕捉的一个风险场景就是碰撞。
在整个自动驾驶仿真测试过程中，简单来看，fuzz 的工作流程分下面几步，感兴趣可以看看：
1、输入种子；
2、变异种子集，形成新的样本；
3、收集代码覆盖率 (CFG edges) 信息；
4、如果覆盖率提高，保留新变异的样本进种子集；
5、返回第二步。
举个栗子，先输入一套环境配置，再对场景中的环境变量进行随机变异，比如把光线从中午十二点调到下午四点，把湿度从晴天变成雾天，在随后的仿真测试中，如果车辆发生了碰撞，就算是找到了风险场景。
如果没有，那就继续调整，直到碰撞发生。
不过，不是所有的碰撞，都是自动驾驶软件的问题，也有其他原因。
比如后车操作不当发生追尾，又或者是仿真环境和真实环境差距过大才导致碰撞，这样的测试例就需要过滤。
过滤后剩下的碰撞参数，才是有效测试例，需要进行保存。
通过日复一日大量的仿真测试，可以发现很多潜在的安全风险，有效提高自动驾驶软件的可靠性，但有一说一，仿真环节毕竟不能 100% 代表真实环境，仿真测试中表现好，不代表上路就一定没问题，需要理性看待。
在自动驾驶问题上，安全将是一个长久追求的目标，只可能无限接近，谁也无法拍胸脯说绝对没问题。
因为在这个世界上，本就不存在绝对安全的系统。
嗨，这里是浅黑科技，在未来面前，我们都是孩子。
想看更多科技故事，欢迎戳→*浅黑科技。
