自动驾驶数据安全（自动驾驶信息安全）

大家好，我是讯享网，很高兴认识大家。

互联性和先进的软件为实现集体感知铺平了道路，使得汽车与交通基础设施能够共享对周围环境的洞察。我们可以设想一个场景：全国范围的汽车都装备了这种系统，它们能够极大地减少交通事故。

汽车行业正经历史上最具变革性的历程。在15年前，自动驾驶汽车只是一个幻想，电动汽车并不被人们所看好，汽车安全技术聚焦事故后的保护措施，而非主动预防碰撞。如今，自动驾驶出行服务在美国和中国的一些主要城市已面向公众试运营，电动汽车在全球范围内也成为了许多人的主流选择，同时未来的汽车安全将是预防性的。本文探讨了引领未来汽车发展的三个关键：传感器、软件和安全。

第一大要素：传感器

雷达、摄像头和激光雷达构成了自动驾驶系统的三大核心传感器。 这三者都随着汽车行业的发展而不断进步——激光雷达的价格正降到整车厂可接受的水平，雷达的性能和实用性在不断提升，高分辨率摄像头技术也被用于自动驾驶系统中。

也许雷达是这三个传感器类别中最有趣的一个。雷达自本世纪初引入汽车以来，已经取得了长足的进步。最初，车载雷达只能探测前方车辆的距离，其优点主要体现在它能在任何天气状况下工作——无论是雪、雨、雾还是沙尘暴，车载雷达都不在话下。然而，对于完全自动驾驶汽车而言，雷达的分辨率还远远不够。

近年来，半导体技术的进步和自动驾驶行业的新兴需求，在不断推动车载雷达的分辨率的提升。雷达发射器和接收器通道(Tx × Rx)也经历了从1×2到3×4的增长，随后发展到Tier 1(一级供应商)的12×16阵列和初创公司的48×48阵列。这些具有多个发射和接收通道的大型天线阵列提高了现代雷达的分辨率。

发射和接收通道正如相机上的像素：仅增加像素并不一定能制造出成像效果更好的相机。早在2013年，诺基亚Lumia 1020就配备了4100万像素的摄像头，而2022年发布的iPhone 14仍在使用1200万像素的传感器。这主要是因为手机相机的成像效果不仅取决于像素数量，还取决于灵敏度、动态范围和后期处理软件等因素。

同样地，雷达性能也不只由发射器和接收器来衡量。目前，雷达性能的一个关键指标是动态范围，即雷达同时检测高反射率物体和低反射率物体的能力。举例来说，当一个小孩站在一辆汽车旁边时，汽车的反射强度远高于小孩，雷达检测小孩的难度就如同在阳光直射下捕捉一粒米的影像。孩子的反射信号很可能会在雷达接收到的噪声中消失不见。

随着半导体技术和雷达设计领域的持续进步，雷达的动态范围得到了显著扩展。在CES 2024上，Mobileye公司展出了一款先进的雷达系统，它能够在240米的距离内，成功探测到靠近金属栏杆的木质托盘。

数据处理是提升雷达性能的另一关键领域。 目前，行业已经开始采用“4D成像雷达”这一术语，它涵盖了方位角(水平角度)、俯仰角(垂直角度)、距离和相对速度这四个维度。除此之外，雷达的性能还能通过另一个维度得到增强：反射强度。通过分析反射信号的强度，雷达能够区分金属物体(具有高反射率)和有机物质(具有低反射率)。这种区分能力使雷达成为一种更为全面的传感器，它不仅能在各种天气条件下低成本运行，还能提供精确的距离和速度测量，并最终实现目标的准确分类。

目前，研究人员正在积极探索强度检测技术，预计不久的将来，这项技术将被集成到雷达系统中，或者应用于汽车的中央自动驾驶和传感器融合计算平台，进一步提升雷达的效用和智能车辆的安全性能。

过去，雷达系统通常在本地处理其收集的数据。对于自动紧急制动这类功能来说，这种处理方式是合理的，因为雷达仅需识别前方是否有静止物体，并发出相应的信号以激活制动系统。

然而，车载雷达产生的数据量是巨大的。为了充分利用这些数据，一些初创公司，如Zendar和Zadar Labs，正寻求在更强大的中央计算机上进行数据处理。这些中央计算机不仅能够处理雷达数据，还能同时接收和分析来自多个摄像头的高分辨率视频流、激光雷达数据等，从而实现更全面的车辆环境感知。

为应对日益增长的数据处理需求，行业正采用更先进的半导体技术和更强大的系统级芯片(SoC)。英伟达计划在2025年推出的智能汽车芯片Thor，便是这一发展趋势的杰出代表。Thor芯片基于台积电的4纳米工艺，具备高达2,000TOPS的处理能力，其性能可与高端游戏PC中的处理器相媲美，远超当前大多数汽车所使用的芯片。

随着ChatGPT等人工智能技术的兴起，以及软件定义汽车(SDV)概念的普及，现代高端电动汽车正逐渐演变成为高度智能化的计算平台。这些车辆将不仅仅是传统的交通工具，它们将集成更多类似于计算机的功能，与20年前的普通汽车形成鲜明对比。

第二大要素：软件

马力的普及化正在改变汽车市场。相较于内燃机(ICE)车辆，将电动汽车(EV)的电动机功率提升至两到三倍，成本要低得多。曾经只有超级跑车才能达到的性能水平，现在可以在不到5万美元的电动汽车中实现。此外，电动汽车缺少内燃机车辆的一些独特特性，例如涡轮迟滞和独特的排气声音，大多数电动汽车甚至只配备一个档位。简言之，未来汽车的竞争将不再仅仅基于性能，而是越来越多地依赖于软件技术。

软件定义的车辆、连通性和自动驾驶技术，为实现极致的安全提供了新的可能性。尽管最先进的传感器在功能上具有显著优势，它们仍然存在局限性，比如无法探测到视线之外的物体，例如拐角或建筑物后面的情况。无论汽车装备了多少雷达、激光雷达(LiDAR)或摄像头，它们都无法预见邻近街道上可能违反交通信号灯的超速车辆。然而，联网车辆技术能够克服这一挑战。

互联性和先进的软件为实现集体感知铺平了道路，使得汽车与交通基础设施能够共享对周围环境的洞察。 这种共享机制赋予了联网汽车一种超越传统传感器局限的能力，它们能够实时获取并响应周围道路上所有行人、骑行者和其他车辆的位置与动向，即便是那些不在直接视线之内的。通过将这种集体感知能力与负责任的自动驾驶技术相结合，我们可以设想一个场景：全国范围的汽车都装备了这种系统，它们能够极大地减少甚至消除交通事故。

当然，实现这一愿景还有很长的路要走。目前，自动驾驶技术仍处于早期发展阶段，而集体感知技术主要还停留在学术研究层面。尽管如此，自动驾驶汽车已经展现出其潜在的安全优势。

得益于车辆互联性的增强、车载硬件性能的提升，以及全球消费者对订阅服务模式日益增长的偏好，预计在2023年至2034年期间，软件定义车辆市场的规模将实现显著增长。根据IDTechEx的数据，市场规模将从270亿美元增长至7,000亿美元，反映出这一时期内34%的复合年增长率(CAGR)。

第三大要素：安全

在2023年10月，加利福尼亚州机动车辆管理局(DMV)撤销了Cruise公司的无人驾驶测试许可证，禁止其在该州公共道路上继续运营无人驾驶出行服务乘用车项目和测试车辆。官方声明的原因是Cruise对技术的安全性进行了“误导性”的描述。这一事件以及其他类似事件表明，自动驾驶汽车的安全声明持续受到公众和监管机构的严格审查。

这些事件强调了自动驾驶汽车行业在安全和透明度方面的责任。公众监督的目的是为了推动技术的改进和提升，确保自动驾驶汽车在推向市场前能够达到预期的安全标准。这种监督并不是为了否定自动驾驶汽车或质疑其潜在的安全性，而是为了促进其健康发展，通过持续的评估和反馈来优化技术。

与涉及人类驾驶员的交通事故不同，自动驾驶汽车可以从单一碰撞事故中收集数据，并通过空中下载软件更新(OTA)迅速将所学应用到整个车队的改进之中。这意味着，一旦发生碰撞，所获得的数据可以用来更新所有车辆的系统，以避免类似事件再次发生。这种能力远远超出了人类驾驶员的范畴，因为人类驾驶员无法将个人经验直接传递给其他驾驶员或车辆。

从各项指标来看，自动驾驶汽车的安全性正在不断提升。 加利福尼亚州的统计数据为这一趋势提供了有力证据。回顾2015年，即该州首次记录自动驾驶汽车数据时，这些车辆在没有安全驾驶员干预的情况下几乎无法行驶1,000英里。然而，到了2023年，Cruise公司报告称，其自动驾驶汽车在没有干预的情况下行驶了57.6万英里，且未发生任何事故。相比之下，IDTechEx的估计显示，美国人类驾驶员大约每行驶5万英里就会遭遇一次碰撞事故，在像旧金山这样的城市环境中，这一频率可能更高。

这些数据表明，在某些情况下，自动驾驶汽车的安全性可能已经超越了人类驾驶员。尽管如此，自动驾驶技术仍在不断发展之中，行业仍在努力提高其性能，以确保在更广泛的条件下实现安全可靠的行驶。

另一方面，对无人驾驶自动驾驶汽车的数据分析显示，Waymo的无人驾驶汽车平均每行驶5.2万英里就会发生一次碰撞事故，而Cruise的表现略好，每行驶6.3万英里才会发生碰撞。这表明它们的碰撞率大约是旧金山地区普通驾驶员的两倍。然而，这一数据并不完整。在涉及Cruise无人驾驶汽车的33起碰撞事故中，只有6起可以归因于自动驾驶系统本身，这意味着系统平均每行驶34.4万英里才会引发一次事故。对于Waymo而言，其自动驾驶系统大约涉及5起碰撞事故，相当于每23.8万英里发生一次。根据这些更细致的标准来看，自动驾驶汽车在某些情况下的安全性再次显示出可能超越了普通人类驾驶员。

另一个衡量自动驾驶汽车安全性的重要指标是它们在致命和严重伤害事故中的发生率，这一比率通常低于人类驾驶员的相应比率。

然而，讨论自动驾驶汽车安全性时，存在一个框架性问题，即如何定义“平均水平”的人类驾驶员。驾驶员的技能和行为差异很大，从那些经常超速、分心驾驶的人，到那些极为谨慎、从未发生过事故的驾驶员，以及所有介于两者之间的人。这就引出了一个问题：自动驾驶汽车应该与哪一类人类驾驶员进行比较?

如果自动驾驶汽车比90%的人类驾驶员更安全，这是否意味着它们已经足够安全?或者，我们是否期望它们比所有人类驾驶员都更安全?但“所有”人类驾驶员的安全标准又该如何界定?例如，一个刚拿到驾照、从未发生过事故的17岁青少年，尽管经验不足，但他的事故记录在统计上可能看起来比经验丰富的驾驶员更好，因为他的行驶里程还很少。

然而，衡量人类驾驶安全的真正挑战在于，并非所有事故都得到报告，且许多潜在危险事件并未转化为实际碰撞。尽管通过监控碰撞、伤害和死亡的比率，汽车行业能够对一般驾驶安全水平有所了解，但目前的数据收集和分析手段还不足以全面捕捉人类驾驶行为的复杂性，与评估自动驾驶汽车的安全性相比，人类驾驶的安全评估还不够深入和全面。

确立自动驾驶汽车超越一般人类驾驶员的安全性，需要依赖数据和定量分析。目前，评估自动驾驶汽车的安全性通常基于其避免近距离碰撞的能力。然而，要全面证明它们比所有人类驾驶员都安全，我们需要采用更广泛的评估标准。

除了碰撞避免，其他关键指标也应纳入考量，包括：