Chris Urmson：无人驾驶之路，与能让你打个盹的那条路分道扬镳

Lex Fridman 与 Chris Urmson 对谈。Urmson 曾任卡内基梅隆大学 DARPA 大挑战赛和城市挑战赛团队的技术总监，团队负责人是 Red Whittaker；之后他担任谷歌自动驾驶汽车项目的 CTO，现任 Aurora Innovation 的 CEO。公司的联合创始人包括曾在特斯拉 Autopilot 工作的 Sterling Anderson，以及曾任 Uber 自动驾驶与感知负责人的 Drew Bagnell。Fridman 问，那些比赛教会了他什么。Urmson 说，最重要的是，这件事是可以做成的。当时看来几乎不可能：卡内基梅隆是当时唯一的机器人研究所，而在公众面前摔个大跟头，会很丢人。

他是技术总监，承担了很多工作，身边还有许多优秀的同事。他从一开始就相信能做成吗？“当然相信，不然为什么要去做一件你觉得完全不可能的事？”他们知道会很难，但不知道该怎么做，也不确定第一次就能成功。结果证明，他们做不到。他说，天真有它的好处：如果你不知道一件事到底有多难，你就会尝试不同的办法，这就带来了一个更聪明的人可能不会去抓住的机会。

每一层都是痛点：机械、传感器、硬件、软件、地图、定位、感知、控制。他把这视为这个领域的乐趣，你必须每个环节都做好。回头看，第一届沙漠赛今天应该很容易。那是一个静态的世界，没有其他参与者，位置在 GPS 信号良好的地方，他们可以大致画出地图。让车辆可控的工程依然很费力，他们甚至不知道路线。DARPA 会给出路径点和走廊宽度；最狡猾的版本，大概是一条一公里宽、满是灌木和岩石的地带。幸运的是，它最后变成了沿着小路开。“那时候，真是件了不起的事。”

Whittaker 是领导这项工作的传奇人物，他给 Urmson 留下了两条领导力的课，至今仍在用。一条是去尝试真正困难的事，因为机会就在那里。更深的一条是看人的可能性，而不是看人现在的样子。Whittaker 面对本科生和研究生时，会赋予他们领导者的权力和真正的责任，而别人可能会想：不过是个研究生，能懂什么。Urmson 把这概括为“信任，但要核实”：相信人能成长为什么样子。在一个总是缺人手的实验室里，正是这样，二十三岁的年轻人最后决定了一辆车如何通过十字路口。

Fridman 问，从大挑战赛到城市挑战赛，再到今天，这套技术栈是同一技术的更稳健版本，还是确实发生了真正的转变。Urmson 认为有几个大的步骤。沙漠赛的突破口是高精地图。此前很多越野机器人项目，并没有对车辆将会遇到的情况建立真正的模型。获得分米级分辨率的模型，限定了驾驶问题的复杂度，让车辆能以速度行驶，因为它可以对前方地形做出假设。没有这样的先验，纯粹的反应式感知是跑不快的。

城市挑战赛中，改变局面的是多线束激光雷达：它能生成高分辨率、中远距离的三维世界模型，用来理解车辆周围正在发生什么。与此同时，那些曾在学术界风光一时的技术，终于能在一个看得见的舞台上运行。几年前，贝叶斯估计和 SLAM（同步定位与建图）在机器人会议上随处可见，几乎每篇论文里都有 SLAM。看着这些技术在真实应用中运转，他觉得很兴奋。他们没有实时做 SLAM，因为他们已经有了路线图。他们做的是定位，用激光雷达或摄像头与世界模型进行配准。这比天真地依赖 GPS 和惯性导航，是一大步。

DARPA 给每支队伍都提供了一张地图，这听上去像是礼物，却藏着一个至今仍会绊倒人的陷阱：坐标系。纬度和经度即使精确到小数点后很多位，也不会让你在意描述地球形状的椭球体是哪一个，直到你需要十厘米或厘米级的分辨率。那时你就会在意数据用的是 NAD83 还是 WGS84：它们是对地球非球形的不同模型，而且至少有一个必须考虑板块漂移，并让全球基准随年份变化。拿到地图是一回事，在厘米级精度上把它和现实对齐，他说，这既有意思，也很好玩。

那座人造城市里的感知，虽然比今天落后了十多年，却已经具备了今天问题的雏形。他们需要与其他车辆并线，因此会在一百多米外跟踪其他车辆。他们用贝叶斯方法估计每辆车的状态，预测它几秒后的位置，并在路口保留多种假设：右转、直行，或者左转。更棘手的一层是，他们自己的行为会改变其他驾驶者的行为。他们大多以相对天真的方式处理，但它仍然必须能用。

十年后，从那个人造空军基地到真实城市，跨越的不只是一套新的模块名称。最大的变化是，其他参与者真正地不可预测。大多数时候，其他道路使用者表现良好，但并非所有人都如此，而你无法知道是谁、什么时候。车辆的种类是全部种类，这是空军基地里没有的。他们也不必应对骑自行车的人、行人或交通信号灯。地理范围也比当时他们所考虑的那个基地要大得多。

被问到驾驶中最难的部分时，Urmson 开玩笑说，没有哪一件事特别突出，然后点出了根本区别：他们是在真实地做这件事。那次 DARPA 环境的复杂度是有限的：某些参与者缺席，道路有人维护，护栏把人和机器人隔开，而且只需要跑 60 英里。从 2006 年起，60 英里就是胜利条件。现在，他们要的是能开上五十万英里的东西。软件思路相同，但在生命周期上，这已经是差了三到四个数量级的另一场游戏。

激光雷达很早就进入了系统，至今仍是主要传感器。Urmson 称它必不可少，对摄像头和雷达也是这样看。稳健性来自于把多种数据组合起来。Fridman 把马斯克的观点拿出来讨论：激光雷达是拐杖，大部分感知都可以靠摄像头完成。Urmson 立刻承认这一存在性证明：人们不需要在额头上装着激光器，也能走来走去、上车、开车。他每天都这么做。被动视觉作为一种可行的方案，是无法反驳的。

然后他换了一个角度。没错，激光雷达是拐杖，就像内燃机在通往电动车的路上也是拐杖一样，任何技术最终都会被更好的技术取代。地面交通系统本身是坏的。他当天早上看到的数字是，前一年有 37,000 名美国人死于道路，这是不可接受的。任何能加速自动驾驶落地并挽救生命的技术，都是他们应该使用的技术。拒绝激光器，却接受 8 或 16 兆像素的摄像头，感觉很武断。“这些都只是技术，我们应该从工具箱里拿出最好的技术。”

Fridman 注意到，汽车厂商比什么都更关心成本，他们想要的是既能造出安全车辆、又最便宜的传感器套件。Urmson 修正了这个前提。你其实并不想要最便宜的配置。你想要的是一套经济上可行、又能正常工作的套件；此后，一切都是利润空间，只需要不断压低驾驶成本。用 50 美元的传感器代替 500 美元的传感器，这个故事很好，直到 500 美元的那个能用，50 美元的那个不能用为止。只要经济上说得通，就有可持续的商业模式，事情才真正能规模化。在他看来，激光雷达没有根本理由一直昂贵。它会比成像器贵，因为 CMOS 制造工艺的规模化远优于机械工艺，但成本仍应大幅下降。如果这套套件真的能用，正确的商业模式可以消化更高的物料成本。

Urmson 请大家小心，因为他这部分观点常被曲解。主动安全很重要，应该装进车辆，并且在近期就能减少事故和死亡。L2 意味着车辆同时控制两个方向，即刹车加油门，或刹车加转向。真正支持驾驶员的变体，应当受到鼓励。真正的挑战是人的因素：公众对能力范围的误解，以及人们对它的信任。他对 L3 的担忧逐步加深，对 L2 如何营销、在人的因素上投入多少精力，也越来越担心。

人们会过度信任这项技术。在录制前后的几周里，出现了一阵子人们在特斯拉里睡觉的情况。他看到 Trevor Noah 这样聪明、又有资源的人，把特斯拉描述为自动驾驶汽车，并问为什么人们不能在里面睡觉。Urmson 的回答很直接：它不是自动驾驶汽车，也不打算是，那些人几乎肯定会在某个时候丧命，或伤及他人。这项技术该如何描述和推向市场，必须深思熟虑。他还认为，这些 L2 辅助驾驶系统的技术路线，将与能让人上车、睡觉、并达到或超过人类驾驶安全水平的车所需的路线分道扬镳。经济逻辑不同，技术栈也会不同。

负责任的 L1 和 L2 产品，会让驾驶员负责，并以驾驶员的注意力来构建安全论证。这时，出于经济原因，你可以在一定程度上放宽对漏检的要求。一个前向碰撞减缓制动系统，如果能在一半的时间里抓住原本漏掉的前车，就是了不起的进步，堪比安全带。若无人监督，同样的系统会撞上两辆车中的一辆。从经济上讲，这是一个完全合格的辅助驾驶产品：先让它有 50% 的时间能用，然后压低成本，让它装到尽可能多的车上。但降低驾驶成本，并不会提高漏检情况下的性能，所以你不会得到一种真正能自己开车的技术。

Fridman 提出了一个哲学层面的追问：如果每个人都掌握完全的信息，二级辅助驾驶能否在不产生过度信任的情况下使用？Urmson 认为不能，因为那样的世界并不存在。人们会把眼前的事实与自己的经验结合起来。连续一个月，每程 30 英里，走 101 号公路通勤，共 1,800 英里，一切都正常运转。这很有说服力。你会开始告诉自己，统计数字一定针对的是更难的地方。这个样本与大约 8,500 万英里一次致死相比，不过是沧海一粟，所以个人经验会系统性地低估风险，而人们依然会信任它，因为很难不这样。把同样的逻辑拉长到一两年，也不会有任何改变。早期那些懂技术的车主，或许能更长时间地保持较准确的风险判断。但随着产品走向大众市场，人们会读到说明材料，拿它和一个平稳的月份相比，那道防线会崩溃得更快。

Aurora 的项目，与此前的谷歌一样，走的是完全自动驾驶的路线。你如何向世界证明系统是安全的？Urmson 承认，没有一句能概括的口号。你展示的是一系列认真完成的工作。功能安全流程是其中一环：这就是我们的做法，因此如果你相信这份描述，就可以对我们的周密程度有一定信心。在流程之上，还需要证据来表明他们不仅周密，而且做得好：仿真、单元测试、分解测试，以及在统计上尽可能充分的一些道路数据。公众讨论会发生，但他们也会花更多精力与值得信赖的机构沟通，例如美国国家公路交通安全管理局（NHTSA），以及其他联邦和州监管机构，它们代表公共利益行事。如果这些机构被说服了，他认为局面就相当好了。

每次接管之间的里程，是行业一直在公布的指标，但它很快就会变成营销把戏：改变实验方法，数字就会跟着变。Urmson 曾在公开场合告诉加州车管局，这不是一个好指标。他确实认为可以找到更好的衡量办法，而且不会只有一个数字。内部他们正在研究人类在分解后的任务上的表现，比如识别交通信号灯、横穿车流左转，以及人类的失误率是多少，然后向监管机构、并最终向公众证明，系统应该做得更好。这些单项指标可以讲出很有说服力的故事。但他们真正关心的，是挽救了多少生命、减少了多少伤害，以及人们因为修车而不必多花的钱。航空业的事件金字塔，从顶端的坠机，到伤害、险情、违规程序，构建了从低严重度事件到高严重度事件的统计模型。他们也需要类似的东西，因为即便在美国的规模下，每 8,500 万英里一次事件，也很难直接比较；而与自动驾驶车辆相关的一次死亡，目前会被放大关注。

最受欢迎的公共讨论框架是电车难题，Fridman 认为这个框架把问题引向了歧途。它仍然表明人们正在与把控制权交给机器这件事搏斗。如何赢得人心？让人们去亲身体验。怀疑是合理的；人们应该提问、怀疑，因为这是新事物，他们还没有亲自接触过。让道路更安全、提高出行便利、降低移动成本的机会同样清晰。一旦人们尝试过，Urmson 认为这一点就会变得显而易见。他最喜欢的演示，是带一位怀疑者以每小时 65 英里的速度上 101 号公路。开了十分钟，对方转过头来问：它就只做这些吗？是的，它就是一辆自动驾驶汽车；他不确定对方还期待什么。平淡无奇正是目标。没有人按下电灯开关时会想到电子沿着电线从发电厂被推过来。东西不好用时，你会恼火。你重视的是能和同事见面、读一篇论文、不再害怕黑暗。这项技术应该给人的感觉就是这样：安静地待在背景里，安全可靠。

何时我们能看到大规模部署，比如上万辆车？Urmson 说，有很高的把握，十年之内。真正令人印象深刻的时刻，不在于数量。当一辆无人驾驶车在公共道路上持续运行、车内没有安全员时，事情才变得认真起来。那就是从 0 到 1 的门槛。过了这一步，工作就是扩大规模、建立商业模式和打磨客户体验，这时它才真正是有用的产品。那时，这个兼具科学与工程性质的项目，就变成了工程和商业化。

他认为那第一个苗头会出现在城市和郊区，而不是高速公路。业内的直觉倾向于卡车，因为高速公路看上去更容易：大家都朝同一方向开，车道更宽。这种直觉大体上不错，只是他们关心的是所有时候，而不只是大多数时候。一辆 70 英里每小时、载重 70,000 磅的卡车，携带着惊人的动能。出了问题，就会出大问题，而这类挑战出现的频率更低，因此你学得更慢。高速驾驶比城市驾驶在程度上更难，而不是更容易。中等速度的城市有三个优势：两辆车以 25 英里每小时相撞，不是什么好事，但大概率每个人都能走开；这类事件经常发生，所以你能以更低的风险更快地学习；而且你能交付人们真正需要的、从 A 到 B 的价值。这些问题解决后，高速公路驾驶自然就解决了。

被问到一个不属于基础设施的魔杖时，他提到了感知和预测。如果明天有人能给他一个完美的模型，描述车辆周围已经发生的、正在发生的、以及接下来五秒将要发生的事情，那将大幅加速进展。让他夜不能寐的，首先是弱势道路使用者，尤其是骑车人与汽车混行的情况，以及骑车人和行人，因为他们没有护甲。汽车里的人有防护；骑自行车或步行的人什么防护都没有，所以需要格外关注。Fridman 提出了博弈论的担忧：如果你为了保护行人而小心慢行，行人会不会加以利用？“穿过人群”是否算一个像样的算法？Urmson 把它拆开来看。他不认为人们会比现在测试人类驾驶员时，更多地走到马路上去为难机器人出租车；今天如果有人在他面前走出来，他会停下，心里不痛快，但不会从人身上开过去，人们也不想被撞。在音乐会人群中穿行，是更远的流程，以每小时 1 英里而不是 30 英里的速度进行，更多是体验问题而不是算法问题：用一个视觉显示，让行人感到被礼貌地请求让开。

最主要的竞争对手是谁？Aurora 如何超越他们？他们并不花很多时间去战术性地思考如何击败某家特定公司。这是一个巨大而困难的问题，有一群公司在攻克它是件好事，因为总得有人做成。速度来自于：一个有足够经验、能看出哪些是最冷的死胡同并加以避开的领导团队；一个能吸引优秀人才的使命；一种允许他们花时间解决问题的文化；以及在基础设施和架构上早期的大力投入。因为早早引进了好的人才和好的投资者，他们不必把所有时间都花在一次次演示之间跳跃。他们得以建设机器学习基础设施，从道路测试中拉取数据，并用它加速工程。他认为，正是这种对不起眼工具的持续投入，会让他们做成一些相当了不起的事情。