面对自动驾驶汽车事故频发，三分之二美国人表示并不信任，你怎么看？

据路透社报道称，在近日路透社和市场研究公司益普索联合发起的民意调查显示，三分之二美国人对于乘坐自动驾驶汽车的想法感到不自在；多数人称，在许多情况下，更信任人类，而不是机器人和人工智能。

调查显示，不同性别、年龄的受访者对于自动驾驶汽车的看法也各不相同。男性一般要比女性更容易接受使用自动驾驶汽车，在男性中，38%的受访者表示他们对于乘坐自动驾驶汽车感到自在，55%表示不自在。在女性中，只有16%的受访者表示他们对于乘坐自动驾驶汽车感到自在，77%表示不自在。

自动驾驶汽车在DNN（深度神经网络Deep Neural Network，DNNs）驱动下取得了良好的发展，它们通过传感器如摄像机、激光雷达等感知环境，就可以在无人辅助的情况下自动驾驶。主要的制造商包括通用、福特、特斯拉、宝马，和waymo 谷歌正致力于建造和测试不同类型的自动驾驶汽车。

(奔驰f自动驾驶车发布 外观未来感十足)

但是，尽管DNNs取得了惊人的进展，就像传统的软件一样，却常常暴露出不正确或不符预期的极端情形行为，这些可能会导致潜在的致命碰撞。几起自动驾驶汽车涉事的真实世界的事故已经发生，其中一个还导致了死亡。

那，能否设计出一个针对基于DNN的自动驾驶汽车系统的测试工具，成为自动驾驶汽车能否被大众接受的一个首要因素。

于是，DeepTest诞生了

这个测试工具必须建立在是利用现实环境的变化自动生成的测试用例，比如环境中的雨、雾、照明条件等，其次DeepTest通过生成测试输入，最大限度地激活神经元的数量，系统地探究DNN内部逻辑的各种部分。

针对自动驾驶的大多数现有的测试技术都依赖于人工收集测试数据，收集不同的驾驶条件，随着测试场景的增加，这将会变得非常昂贵。

基于利用DeepTest检测到的一些致命错误行为（已公布下文链接平台）

https://deeplearningtest.github.io/deepTest/

真实世界中发生的自动驾驶汽车的车祸，分别由下雨传感器失效、图像识别失败导致人员死亡、错误地估计了车速导致。

我们的工具DeepTest在实际的深度神经网络Chauffeur 中发现的错误的危险行为。

深度神经网络（DNNs）主要分为卷积神经网络（CNN）和循环神经网络（RNN），简化了的架构分别如图所示。

通过图片转换合并来提高神经元覆盖率的贪婪搜索算法。

此图表明不同的图像转换方法（如模糊、旋转、平移等等）激活的神经元的差异，竖轴的杰卡德距离越大表明差异越大，可以看出除了第二个LSTM，其他的模型都是显著有差异的，这表明不同的图像转换方法激活的神经元是显著不同的。

三个图片在不同的图像转换下的平价累积神经元覆盖率。

如表格所示，主要研究了神经元覆盖和汽车行为的关系。第三列的统计结果中，Spearman相关系数刻画的是神经元覆盖率和转弯角度的关系，为正时表明神经元覆盖增加时，转弯角度就会变大，反之就会减小。可以看出转弯角度和神经元覆盖的线性关系是统计显著的，第四列的统计结果是刻画了转弯方向和神经元覆盖的相关性。

DeepTest使用合成图像检测到的错误行为。原始图片的方向箭头为蓝色，合成图片的方向箭头为红色。

基于DeepTest针对自动驾驶车的研究

在科学研究的基础上

是否有安抚到你的小心脏呢？

留言区快来告诉我们吧~

长按识别下方二维码