在 Google 無人駕駛汽車眼中,人類是如何開車的?
在 Google 無人駕駛汽車眼中,人類是如何開車的?
2015.05.13 | 科技
> 作者按:170 萬哩的行程,讓我們了解了許多關於無人駕駛系統的事情,**當然,還有人類是如何開車的**。

美國境內每年有33000 人死於交通事故,這就是為什麼有許多無人駕駛汽車的熱情支持者將精力專注在降低事故發生率上面。我們距離實現完全無人駕駛汽車的願景越來越近,只需要一個按鈕操作,未來的無人駕駛汽車可以將任何人從A 點送到B 點,與此同時,我們也在思考如何評估研發的進展,以及對道路安全的影響。

為了能夠判斷汽車駕駛的安全係數,我們需要弄清楚的最重要的事情之一就是典型街道條件下的「基準」 (baseline) 事故情況。簡單來說就是,因為許多事故從未被計入官方統計,我們要搞清在預期情況下無人駕駛汽車被其他汽車撞到的頻率。甚至是當我們的程式和感應器能夠探測到可能發生事故並在對方司機之前更快採取行動的條件下,有時候我們仍舊無法克服行駛速度和車輛距離的因素,而有時候我們僅僅是在等待交通燈都會被撞到。這些都是無人駕駛汽車在一些社區行駛時的重要場景,儘管我們希望能夠避免所有的事故,但一些事故是無法避免的。

汽車駕駛中最常見的交通事故,也就是通常白天在街道行駛中會遇到的——小擦撞,沒人受傷——並沒有被很好的分析,因為這些事故並不會匯報給警察。但是美國高速公路交通安全管理局(National Highway Traffic Safety Administration) 的數據顯示,這些事故佔全部車輛事故的55%。除非你能夠每天堅持一哩一哩的駕駛,否則很難了解路面上真正發生了什麼情況。而我們的車隊一直就在做這件事,20 多輛無人駕駛汽車和安全駕駛員團隊,已經累計行駛了170 萬哩(人工駕駛和無人駕駛都有)。無人駕駛條件下的行駛已經占到了這其中的近100 萬哩,我們現在每週的無人駕駛平均里程數維持在一萬哩左右(比一個典型的美國司機一年的行駛里程數稍微少點),大部分路況都是都市街道。

為了讓我們所有人都成為更安全的駕駛者,我們希望分享一些觀察到的事故模式。其中很多都不是令人意外的情況,尤其是考慮到我們都知道司機操作失誤導致94% 的交通事故這一點。

無論你是在普通汽車還是無人駕駛汽車,只要你在道路上行駛足夠多時間的話,事故無論如何都會發生。自從Google無人駕駛開始算起的六年裡,我們在長達170萬哩的無人駕駛和人工駕駛中,總共出了11起小事故(小擦撞,無人受傷),在這過程中我們團隊的安全駕駛員始終在方向盤後面,且沒有一次是自動駕駛功能導致事故的發生。

追撞(rear-end crashes) 是美國發生最頻繁的交通事故,經常是前車司機沒有任何辦法避免被撞情況的發生;主要是在等交通燈的時候,我們被其他車從後面撞了七次。我們也遇到了幾次側面擦撞(side-swiped) 的情況,還有一次被闖紅燈的車撞到。我們有一個詳細的評估流程,並盡力從每一次事故中獲取一些東西,即使事故的發生並非由我們的過錯導致。

我們不僅在了解街道小事故發生率的問題,同樣在判斷駕駛員操作的模式,比如任意切換車道(lane-drifting) 和闖紅燈(red-light running) 這些導致重大事故的主要原因。這些操作習慣甚至不會在官方統計中出現,但是卻給所有人製造了一個危險的局面。

##目前道路駕駛中的問題

許多人並不注意路面情況。統計數據顯示,在美國隨時都有66萬坐在方向盤後的人在查看他們的行動設備,而不是注意路面的情況。我們的安全駕駛員經常會看到其他車在車道上晃來晃去;我們還見到過一邊開車一邊看書的人,甚至還有吹小喇叭的情況。無人駕駛汽車在這一點上無疑要比人類更安全。前者擁有360度視野外加100%的全時全方向探測;我們最新的感應器能夠追蹤其他汽車、機車和行人,範圍遠至兩個足球場的距離。

十字路口是很恐怖的地段。在過去幾年裡,美國道路環境中21%的死傷事故和50%的重傷事故都與十字路口有關。受傷的通常是行人和被撞車輛的司機,而不是闖紅燈的肇事司機。這也是為什麼我們將車輛設置為在交通燈變綠之後先保持一段等待車狀,之後再駛過路口的原因——通常這個時候有些司機會或不耐煩或不專心地加速駛入路口。

在這個案例當中,一輛自行車(淺藍色方塊標註) 在通過十字路口的時候較晚,差一點被向左轉向的一輛汽車(進入路口的紫色方塊標註) 撞到,後者並沒有注意到車,並在紅綠燈變綠後啟動行駛。我們的無人駕駛汽車預判到了ㄧ般車輛的操作(紅色路線標註),並沒有立刻行駛,而是直到ㄧ般車輛安全駛過路口後才啟動。

轉彎可能會帶來麻煩。我們觀察到很多司機轉彎之後繼續行駛在錯誤車道上的情況,尤其是在夜間,司機在道路中未依路線行駛(overshoot or undershoot the median)的情況很普遍。

在這張圖中你可以看到,不僅是一輛,而是兩輛汽車(在綠色路線左側的兩個紫色方塊,正是你在圖片上看到的汽車) 正在錯誤的車道上向我們駛來;這個情況發生在山景城夜晚(Mountain View) 最繁忙的一條道路上。

有時候,司機在意識到他們將會錯過轉彎路口的時候,會做非常愚蠢的事情。

一輛汽車(壓在綠色條狀路線上的紫色方塊,上面有一個嘆號) 決定從我們左側的車道向右轉,直接穿過我們的路線。綠色的條狀路線,我們稱之為「柵欄」(fence),顯示我們的汽車會減速,避免與這輛隨意轉向的汽車相撞。

有些時候,一些司機開起車來就好像我們沒在那裡一樣。在下面一幅圖中,左側的一輛車(穿過紅色「柵欄」的紫色方塊標註) 突然衝向我們的車道。在這個例子當中,紅色「柵欄」顯示的是我們的汽車停止並做出退讓。

這些駕駛經歷(還有數不清的其他例子) 讓我們更深地認識到了當下道路駕駛面臨的問題挑戰。我們會繼續行駛數千哩,這樣我們就能更好地了解問題,那些常見的導致許多日常行駛事故的操作現象——我們也會繼續努力開發自動駕駛汽車,讓後者為人類解決這個問題挑戰。

原文出處:虎嗅網
虎嗅註:本文是Google無人駕駛產品總監Chris Urmson發表在Medium的文章,由虎嗅編譯。

關鍵字: #Google #自動駕駛
往下滑看下一篇文章
業績兩年從28億突破百億,諾億保經攜手自由系統強化IT與資安以接住高速成長
業績兩年從28億突破百億,諾億保經攜手自由系統強化IT與資安以接住高速成長

企業高速成長,市場最先看見的是業務營收與市場排名的飆漲,但真正決定企業能走多遠的,往往是水面下看不見的IT與營運骨幹。

諾億保經就是一個經典案例。

2024年,諾億保經的全年保費規模約28億元,隔年直接翻被衝破60億,今年,更預計挑戰120億到150億大關,強勢躍居台灣前十大保經公司;業績快速成長的同時,諾億保經的組織配置也很精實:外勤業務團隊約500人,負責核保、行政與稽核的後勤單位卻僅約30人。

值得特別注意的是,隨著營收在短時間內翻倍,受到考驗的不只是業務能力,也包括後台系統、資訊設備、網路、資安,以及法遵與內控能否同步跟上。

諾億保經總經理賴柏翰直言:「客戶資料是諾億保經的核心資產,特別是我們以投資型保單為主力業務,對個人隱私與財務資訊的防護要求極高。」此外,隨著營運規模擴大,金管會對資訊安全與內控稽核的監管標準也隨之提高,必須重塑IT與資安體質以回應高速成長。

評估完自身資源後,諾億保經做了一個重要決定:不從零自建IT團隊,而是採取資訊外包模式,提供企業擴展所需的支援。

諾億保經
諾億保經總經理 賴柏翰
圖/ 數位時代

諾億保經總監張維倫表示:「我們需要合作夥伴提供完整支援,自由系統不僅具備金融產業經驗與深厚維運實力,還能提供一站式服務,因而雀屏中選。」由自由系統負責台北與台中辦公室的端點設備、儲存架構、網路與資安維運等工作。

診斷重於工具:先清查環境盲點,再談防禦升級

缺乏專職資訊人力的中小企業或快速成長型組織,很常陷入一個迷思:市場上出了什麼新工具、新架構,就急著導入;然而,自由系統的作法是先回歸營運本質:盤點現況。

在雙方正式簽約前,自由系統的顧問團隊便深入檢視諾億保經的既有環境,找到一個最急迫的營運隱患:內勤行政人員與外勤業務人員,竟在辦公室內共用同一套網路網段,這意味著外部裝置一旦連網中毒,極可能直接橫向感染存放敏感保單資料的內部系統,為降低風險,自由系統隨即協助諾億保經進行網段隔離與權限切割,在第一時間化解安全未爆彈。

這套「先釐清現況、確認優先級、消弭落差」的邏輯,也體現在資安合規的推進上。

自由系統服務顧問黃麒翰以ISO 27001認證輔導為例指出:「諾億的認證合規由專職顧問主導,但底層關鍵的端點偵測回應(EDR)、託管偵測回應(MDR)、防火牆規則、特權帳號管理及硬體資產盤點,全由自由系統提供技術支援。我們的目標是替企業建立完整的『環境可視性』(Visibility),讓風險一目了然。」

對諾億保經來說,資訊設備、網路與日常維運雖然是營運不可或缺的基礎,卻不是公司的核心業務,如果自行建立完整IT部門,不僅要負擔人力成本,也必須長期維持涵蓋網路、設備、資安與系統維運的專業能力;相較之下,將這些工作交給自由系統的專業團隊負責,諾億保經可以將時間與精力放在可直接創造營收的核心業務。

「與自由系統合作至今,我們不僅更好強化IT體質、順利補強合規缺口,也為接下來的AI應用打下穩健基礎。」張維倫如是說道。

從防守走向進攻:雲地協同架構,讓AI真正走入第一線

IT與資安基礎逐步穩定後,諾億保經開始將資源放到下一階段:如何利用AI提升業務與營運效率。

在業務端,諾億嘗試透過AI實現「保險情境遊戲化」。

賴柏翰指出,一般客戶很難體會重大疾病帶來的財務衝擊,與其單向說明「萬一罹癌怎麼辦」,不如透過AI模擬動態情境,讓客戶在虛擬人生中面臨關鍵決策;甚至,將台股加權指數、S&P 500走勢融入情境,模擬面臨資金缺口時,抵押借款或贖回投資將對個人資產產生何種實質影響,讓保險規畫轉化為主動的探索體驗。

同樣的邏輯也導入內部培訓與後勤自動化。

過去高度仰賴資深講師與紙本教材的訓練流程,被轉化為AI互動式推演,讓500位業務能在高度擬真的客戶抗拒或理財情境中反覆演練,大幅縮短新人上手週期。至於在行政方面,傳統業務助理得耗費大量時間進行分類、掃描、校對保單文件的繁瑣流程,也交由AI與自動化工具處理,助理僅需做最終核對與歸檔,使30人的後勤編制得以支撐暴增數倍的合規案件。

在AI探索的過程中,自由系統就像是諾億保經的IT團隊、協助評估與提供所需產品服務。

自由系統售前顧問劉威利強調:「金融保險業涉及大量機敏個資,絕不能盲目把所有資料拋上公有雲AI。」因此,自由系統協助諾億精準劃分「地端與雲端邊界」,例如,哪些非機敏資料可藉助雲端模型運算、哪些敏感核保數據必須保留在地端進行私有化推論,並協同評估相應的地端硬體算力與加密機制,讓創新應用不以犧牲資安為代價。

總的來說,從28億飆升至百億規模,諾億保經展現了一家新銳金融服務企業的高敏捷度;而自由系統則證明了託管服務(MSP)已不再只是被動的修電腦與顧網路,更是高速成長企業在架構選擇、資安風控與AI轉型路上,不可或缺的最佳夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓