微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 Google 无人车遭遇了它有史以来最严重的一次车祸

Google 无人车遭遇了它有史以来最严重的一次车祸

2016-09-26 11:44
分享至:
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2016-09-26 11:44 Hao Ying

无人车又卷入了一起车祸。不过这一次,它成了受害者。

当地时间周五下午一点左右,山景城的一个十字路口,绿灯亮起 6 秒钟后,一辆 Google 无人驾驶测试车雷克萨斯 RX450h 起步。没等他穿过路口,右侧一辆商务车无视红灯开了过来,和雷克萨斯结结实实地撞在了一起。Google 无人车右侧严重损毁。

幸运的是,无人车上的乘客和商务车司机都没有受伤。目前消息来看,此次事故的主要责任方应该是商务车司机。

Google 官方表示将会在本月底公布事故详细信息。回溯以往的消息,这次极有可能是 Google 无人车遭遇的最严重的一次车祸。

今年 2 月底,Google 的另一辆无人车在变道时误判了后方大巴司机的驾驶行为,它本以为司机会减速等待它变道,实际情况却正好相反。两者发生轻微的刮蹭,无人车撞到了大巴的一侧车身,前护栏、车轮和传感器受损。

Google 多次通过官方渠道用数据和案例证明粗心大意的人类在开车这件事上有多么不靠谱。比如说,94% 的车祸是由于司机的不当操作引起的,路怒、无耐心、精力不集中等是司机的通病。无人车就没有这种毛病,它拥有 360 度的视角去监视路况,规避行人,不会路怒,不会失去耐心。绿灯亮起后数秒钟起步可以部分说明这个问题。

关于无人车的守规矩我们前几天乘坐福特无人车兜风的时候,已有体验。改装后的蒙迪欧在左转时监测到后方有行人通过马路来了个急刹车:

它绝对是我见过的最礼貌的司机。见到行人,车子会早早地停下来,直到行人完全离开车道才开始启动;在变道之前会打转向灯,转向灯几秒后才会变道;加速减速平稳流畅,也会在适合的情况下以限速速度前进。

然而当无人车遇到有情绪会分心的人类司机,情况就会变得复杂起来。这也是在今后很长一段时间内会存在的问题,无人车和人类司机并行在城市街头,对交通规则的遵守,对驾驶行为和路人、非机动车的预判,两者会存在巨大的差异。

即便现有的交通法规会对无人车和人类司机一视同仁,但两者对于法规的解读却各有不同。在无人车一统天下之前,人类难以预测的行为带给 Google、Uber、福特等无人驾驶探路者的挑战可能比无人驾驶所涉及的机器视觉、传感技术本身更有难度。

分享至
0赞

好文章,需要你的鼓励

推荐文章
  • 奖励设计:让AI学会智能使用工具的关键
    2025-04-23 17:39

    奖励设计:让AI学会智能使用工具的关键

    想象一下,你有一个非常聪明的朋友,他知道很多知识,但每当需要使用计算器、搜索引擎或查询最新天气时,却变得像个笨手笨脚的孩子。这正是当前大语言模型(简称LLMs,如ChatGPT这类AI系统)面临的尴尬处境。

  • ToolRL:奖励设计是工具学习所需的全部
    2025-04-23 17:34

    ToolRL:奖励设计是工具学习所需的全部

    想象一下,你拥有一个聪明的助手,它知道很多知识,但在面对需要使用计算器、搜索引擎或查询最新信息时却显得笨手笨脚。这正是当前大语言模型(LLMs)面临的困境。虽然这些模型已经通过监督微调(SFT)学会了使用工具的基本能力,但它们常常在面对复杂或不熟悉的场景时表现不佳。

  • X-Teaming:使用自适应多智能体进行多轮越狱攻击和防御
    2025-04-23 14:08

    X-Teaming:使用自适应多智能体进行多轮越狱攻击和防御

    想象你正在和一个智能助手聊天。如果你直接要求它提供有害信息,它很可能会礼貌拒绝。但如果你通过一系列看似无害的对话,逐步引导它走向你的真实目标呢?这就是当前AI安全领域面临的一个严峻挑战——多轮对话中的安全漏洞。

  • "思考操纵":用外部思考让大型推理模型更高效
    2025-04-22 16:43

    "思考操纵":用外部思考让大型推理模型更高效

    想象你在使用一个非常聪明的AI助手完成一项复杂任务,比如解决一道数学难题。你可能注意到这个助手会花很长时间"思考",一步一步写下大量推理过程,最后才给出答案。虽然这种详细的思考过程确实帮助AI做出了更准确的判断,但同时也带来了一个明显的问题:它太"啰嗦"了,消耗了大量的计算资源和时间。

----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-