致命车祸8个月后，即将重新上路的Uber无人车真的准备好了吗？

大数据文摘作品

作者：魏子敏

3月18日晚10点，49岁的Elaine Herzberg被

Uber无人驾驶测试车

撞倒，抢救无效身亡。

这是全球首例无人车致行人死亡事件，其处理结果必然会对全球无人车进程及相关规范制定产生不可估量的影响。

悲观声音甚至称，“它严重打击了消费者对技术的信心，（民众信度）可能会因此后退了几年甚至几十年。”

在那之后8个月的时间，根据美国国家运输安全委员会（NTSB）初步报告（完整版），人们逐渐还原了这场事故的原貌，并且给出了一系列事故发生的直接原因。

国家运输安全委员会调查员检查出事的优步自动驾驶车辆

多数报道将责任直接归咎于事故的两个当事人：正在手机上看Hulu视频的人类驾驶员Vasquez，她在被uber雇佣之前是一个重罪犯；被撞的行人Elaine Herzberg，她的血液中被检测出甲基和大麻成分，这些会对其行动及反应能力造成一定影响。

但Vasquez和Herzberg显然并不是这场事故发生的唯一因素。自动驾驶汽车，或者说它的制造者更应该受到一些指责。

在Uber的自动驾驶部门重整旗鼓，即将重返公路之际，这家迅速成长的高科技巨头（自动驾驶所在的高新技术部门在事故前人数已经达到1100人）在事故发生前到底做了哪些导致这一事故的错误决定，其内部存在的一系列问题，仍然迷雾重重。

知名科技媒体BUSINESS INSIDER（BI）在昨天下午头条报道了一篇长文，在Uber自动驾驶车准备重新上路之际，对8个月前其自驾车致行人死亡的事故进行了又一次深扒。

BI称他们采访到了优步事故前后，其自动驾驶团队的7名现任和离职员工，并查看了相关内部邮件、会议记录和文档，（非常有诚意了），并且得出了一些有趣的内部故事。

虽然整篇报道只有一位采访人以真名出现，其他采访消息都是匿名露出，并且鉴于BI一直以来对大公司的报道立场，本文不一定完全公正。但是从自动驾驶行业发展来看，这篇探索事故发生原因的报道仍然非常值得一看。

以下是几个值得说一说的点，感兴趣的读者可以进一步查看报道原文

作者：Julie Bort

https://www.businessinsider.com/sources-describe-questionable-decisions-and-dysfunction-inside-ubers-self-driving-unit-before-one-of-its-cars-killed-a-pedestrian-2018-10

据NTSB报道，Uber的事故车在撞到Herzberg之前六秒就发现了她，并且在撞击之前一秒钟就知道需要刹车，但是，系统无法完成刹车的行为，因为Uber高科技组禁止自动驾驶车在紧急操作中踩刹车。他们希望在“无紧急刹车”的情况下，创造一个更加平稳好看的驾驶记录，以取悦当时的新任CEO Khosrowshahi。

优步首席执行官Dara Khosrowshah

尽管Uber对自动驾驶汽车进行了大量投资，但其进展一直落后于竞争对手，因此，在2017年夏天Uber新任首席执行官Dara Khosrowshahi接任后，一直有消息称其会取消自动驾驶部门。

为了保留这一拥有大量高薪职位的部门，高新技术部门领导一直努力交出一份更好看的自动驾驶车汇报单，而“平稳的驾驶记录”是个很容易被理解的进展之一。

另外一个很容易被理解的自动驾驶车的进展是，越来越少的人类辅助。

其实不止在Uber，当时整个自动驾驶行业的评价体系都是如此：一辆汽车在没有人类帮助的情况下行驶的里程越多，就越智能。但用这种方法来衡量汽车的驾驶情况其实过于简单粗暴，并且是Uber这次事故发生的直接原因之一。

就在事故发生两个月前，Uber刚刚通过规定，将自动驾驶车内原来的两位人类驾驶员改为一个。之前的两位驾驶员是比较合理的设置，一位人类驾驶员会负责观察路况，另一位人类驾驶员会操作平板或者智能手机上的相关系统，记录一些数据。

只保留一位自动驾驶员对人的注意力挑战非常大。“这种情况下人类驾驶员很容易分心”，BI的一位来自Uber的采访人称，这种注意力被分散的情况相当于“15-20%的时间中驾驶员都在玩儿手机”。

此外，多名Uber自动驾驶工程师都表示，对于事故的发生震惊，但是并不意外。他们称，Uber当时的自驾技术对“缓慢移动障碍物”的检测和反馈很有问题，“这时候软件可能崩溃并退出……我们一直觉得它很可能在停车场撞死一个刚刚学会走路的孩子”。

图片来自Business Insider

甚至在事故发生前一个月，还有一位工程师发了长邮件反馈自动驾驶车存在的种种技术问题，但是并没有得到重视。Uber割裂的部门沟通最终导致了悲剧的发生：运营部门只注重乘坐体验，并不明白研发部门在做什么，这些很容易导致了巨大的潜在问题。

【今日机器学习概念】

Have a Great Definition