「人」才是自動駕駛中最復(fù)雜和難以解決的那個因素。

圖片來自“東方IC”

「它經(jīng)常會在不合適的時機(jī)進(jìn)行變道，但如果你想撥一把方向盤救個急，它還會和你較勁，非常危險(xiǎn)」，「整個過程就像看著自己孩子開車一樣，干著急還提心吊膽，搞得壓力很大」……

這里的「它」正是特斯拉 Autopilot 。之前美國《消費(fèi)者報(bào)告》(Consumer Reports)曾報(bào)道稱，更新后的 Autopilot 具備了自動變道的功能，車主可以選擇在變道時不進(jìn)行任何提醒，完全交由機(jī)器來抉擇。但試駕編輯們在體驗(yàn)后卻紛紛吐槽了它。

特斯拉 Autopilot 一直以來都爭議不斷。一邊說它是新手們的福音，杜絕事故的好幫手，另一邊卻有人抨擊它是事故的罪魁禍?zhǔn)住＿@套系統(tǒng)帶來用戶體驗(yàn)升級的同時也因?yàn)轭l發(fā)的安全事故而備受關(guān)注。

不可否認(rèn)的是，特斯拉 Autopilot 讓大家有機(jī)會一窺自動駕駛的未來，盡管它離真正意義上的「自動駕駛」還很遠(yuǎn)。畢竟軟硬件的局限導(dǎo)致它最多只能實(shí)現(xiàn) L2 級自動駕駛的能力，而這個階段中「人」依然是主體，需要機(jī)器和人相互配合完成，所以這些關(guān)于 Autopilot 的爭議全部都可以歸屬于典型的「人機(jī)共駕」問題。

(開啟了「Navigate on Autopilot」功能的特斯拉車型能夠?qū)崿F(xiàn)自主變道 | Teslarati)

在「完全自動駕駛」這個純技術(shù)的難題還未普及實(shí)現(xiàn)之前，「人機(jī)共駕」問題是所有汽車企業(yè)、自動駕駛企業(yè)都需要突破解決的另一道難題。

這道難題的核心是「人」這個不確定因素。按照控制權(quán)的劃分，「人機(jī)共駕」又可分為「雙駕單控」和「雙駕雙控」兩種模式。前者關(guān)注的是駕駛權(quán)的交接和人車在主駕、副駕時的問題;而后者關(guān)乎駕駛自信，在人車都有控制權(quán)的情況下，該相信哪方多一點(diǎn)。

所以要建立一套高效、體驗(yàn)舒適、安全的自動駕駛系統(tǒng)是及其復(fù)雜的。原因很簡單，機(jī)器是必須要和人進(jìn)行互動的。而且這個互動的過程不光牽扯到機(jī)器人學(xué)科，還囊括了機(jī)器學(xué)習(xí)、心理學(xué)、經(jīng)濟(jì)學(xué)及政策等領(lǐng)域的問題。同時它也對我們已有的認(rèn)知和假設(shè)形成了挑戰(zhàn)：到底人類的表現(xiàn)能有多糟?人工智能又會是多么強(qiáng)大的存在?

(MIT 進(jìn)行的「人機(jī)共駕」研究，右上角為試驗(yàn)車輛「Black Betty」| MIT)

MIT 之前曾進(jìn)行過一項(xiàng)關(guān)于「人機(jī)共駕」的課題研究，從設(shè)計(jì)和開發(fā)「以人為中心」自動駕駛系統(tǒng)的角度出發(fā)，提出了七大原則。這些指導(dǎo)原則中并沒有把人類本質(zhì)的復(fù)雜性剔除掉，而是將其融合到了整套系統(tǒng)中。這也恰恰是這套課題研究的精髓所在。

實(shí)驗(yàn)成果的展示我們可以在一輛叫做「Black Betty」的無人車上看到。它只搭載了攝像頭，主要通過機(jī)器學(xué)習(xí)的方式進(jìn)行外部環(huán)境感知，規(guī)劃決策，駕駛員監(jiān)控，語音識別、聚合以及管理人機(jī)雙向操控的無縫切換(語音控制)，方向盤上安裝了扭矩傳感器。通過下面的視頻，大家可以看到這輛無人車的具體表現(xiàn)：https://www.youtube.com/watch?v=OoC8oH0CLGc

「人」才是復(fù)雜因素?

在過去的十幾年里，汽車自動駕駛的能力在逐步提升，迫使政策制定者以及行業(yè)安全研究人員開始思考如何為「自動駕駛」定級的問題，目的是借此為相關(guān)法律、標(biāo)準(zhǔn)、工程設(shè)計(jì)甚至是業(yè)界交流提供可參考的框架。目前行業(yè)內(nèi)普遍采納的是美國汽車工程學(xué)會 SAE 制定的分級標(biāo)準(zhǔn)，它將自動駕駛分為 L0 到 L5 共六個等級。不過 SAE 對每個級別的定義其實(shí)是很模糊的，并不能給出清晰、明確的區(qū)別，所以它似乎已經(jīng)不太適合作為引發(fā)行業(yè)思考的「磚」了，更像是汽車系統(tǒng)設(shè)計(jì)開發(fā)的一套指導(dǎo)原則。

(美國汽車工程學(xué)會 SAE 對自動駕駛的分級 | SAE)

目前業(yè)界對自動駕駛汽車有如下三種普遍的觀點(diǎn)：1. 駕駛?cè)蝿?wù)很簡單;2. 人類不擅長開車;3. 人類和機(jī)器無法做到良好的配合。相較這些觀點(diǎn)而言，MIT 的研究則完全朝著相反的方向進(jìn)行：1. 開車這件事實(shí)際上很難;2. 人類是非常棒的駕駛員;3. 讓人和智能機(jī)器實(shí)現(xiàn)高效協(xié)作是能夠?qū)崿F(xiàn)的，而且是很有價(jià)值的目標(biāo)。

基于這樣的前提和假設(shè)，MIT 提出了「以人為中心」的框架并將其應(yīng)用至人機(jī)共駕系統(tǒng)的開發(fā)過程中，在執(zhí)行具體的駕駛?cè)蝿?wù)時將人類與機(jī)器的邊界完全去掉。與此同時，MIT 還提出了針對人機(jī)共駕的「七原則」，討論了在設(shè)計(jì)、開發(fā)、測試「Black Betty」的過程中如何應(yīng)用這些原則。

「人機(jī)共駕」的七原則

一、人機(jī)共駕(Shared Autonomy)

MIT 認(rèn)為自動駕駛應(yīng)該分為兩個等級：一、人機(jī)共駕(Shared Autonomy);二、全自動駕駛(Full Autonomy)。這樣的分類方式不僅能夠提供有建設(shè)性的指導(dǎo)方針，添加必要的限制條件同時還可以對要實(shí)現(xiàn)的目標(biāo)進(jìn)行量化設(shè)定。甚至，對每個類別下要實(shí)現(xiàn)的功能、對應(yīng)的技術(shù)需求以及可能遇到的問題都可以劃分出來。

這個原則的核心在于對「人類駕駛員在環(huán)」的討論。為了實(shí)現(xiàn)對車輛的有效控制，人和機(jī)器組成的團(tuán)隊(duì)必須共同保持對外部環(huán)境有充分的感知。目標(biāo)是促使整個行業(yè)對「人機(jī)共駕」和「全自動駕駛」進(jìn)行清晰地劃分。

(表 I 「人機(jī)共駕」和「全自動駕駛」這兩種路徑中涉及的技術(shù)，包括用于大規(guī)模量產(chǎn)時對每項(xiàng)技術(shù)表現(xiàn)的等級要求 | MIT)

需要指出的是，表 I 中的術(shù)語「Good」和「Exceptional」用來表示解決 1% 極端案例的優(yōu)先級順序。遠(yuǎn)程操控、V2X 和 V2I 等并非必須的技術(shù)，如果要使用的話需要達(dá)到特殊的能力要求。

在實(shí)現(xiàn)高等級自動駕駛的方法上，傳統(tǒng)思路全程都跳過了對「人」這個因素的考慮，精力主要集中在對地圖、感知、規(guī)劃以及表 I 中「全自動駕駛」一欄標(biāo)注為「exceptional」的技術(shù)上。實(shí)際來看，考慮到目前的硬件和算法能力，這種解決方案對高精度地圖、傳感器套件的魯棒性要求很高，提供的是較為保守的駕駛策略。

而正如表 I 所述，「以人為中心」的自動駕駛汽車著眼點(diǎn)主要在司機(jī)身上。負(fù)責(zé)控制車輛的依然是人，但前提是要對人的狀態(tài)、駕駛方式及之前的人機(jī)合作經(jīng)驗(yàn)做充分的考量，同時把車輛的轉(zhuǎn)向、加減速等交由人工智能系統(tǒng)負(fù)責(zé)。以特斯拉的 Autopilot 為例，之前 MIT 的研究顯示，測試中有超過 30% 的行程都是由這套 L2 級駕駛輔助系統(tǒng)控制完成的。而如果人機(jī)共駕應(yīng)用成功的話，應(yīng)該能實(shí)現(xiàn)超過 50% 的機(jī)器控制率。在這次實(shí)驗(yàn)中，MIT 表示無人車系統(tǒng)在接管過程中呈現(xiàn)出了不同程度的能力，而人類駕駛員始終在密切關(guān)注著機(jī)器的動態(tài)，根據(jù)感知系統(tǒng)獲得的信息及時預(yù)測可能發(fā)生的危險(xiǎn)。

二、從數(shù)據(jù)中學(xué)習(xí)(Learn from Data)

從表 I 不難發(fā)現(xiàn)，這其中涉及的任何一項(xiàng)車輛技術(shù)都是數(shù)據(jù)驅(qū)動的，需要搜集大量的邊緣案例數(shù)據(jù)，利用這些數(shù)據(jù)持續(xù)不斷地優(yōu)化算法。這個學(xué)習(xí)過程的目的應(yīng)該是，通過大量數(shù)據(jù)實(shí)現(xiàn)從傳統(tǒng)的模塊化監(jiān)督學(xué)習(xí)向端到端半監(jiān)督式和無監(jiān)督學(xué)習(xí)過渡。

要實(shí)現(xiàn)車輛的自動駕駛，傳統(tǒng)的方法，不管是哪個級別，幾乎都不會大量的應(yīng)用機(jī)器學(xué)習(xí)技術(shù)。除了在一些特殊的線下場景，比如 Mobileye 的視覺感知系統(tǒng)要進(jìn)行車道線識別，或者是通用 Super Cruise 搭載的紅外攝像頭要對駕駛員頭部動作進(jìn)行預(yù)測等。

特斯拉的 Autopilot 可能要比其他方案更進(jìn)一步，在開發(fā)針對第二代硬件平臺 HW 2.0 的軟件算法時，在視覺感知上應(yīng)用了越來越多監(jiān)督機(jī)器學(xué)習(xí)的原理。但即便如此，對車輛的絕大部分控制以及對駕駛員狀態(tài)監(jiān)測的實(shí)現(xiàn)中，并沒有利用大數(shù)據(jù)驅(qū)動的方式，也幾乎不涉及線上學(xué)習(xí)的過程。

而在目前業(yè)界進(jìn)行的一些全自動駕駛技術(shù)的路測中，機(jī)器學(xué)習(xí)主要應(yīng)用于環(huán)境感知這一環(huán)節(jié)。更甚的是，這些車輛采集到的數(shù)據(jù)，無論是從量還是多樣性來看，和具備 L2 級自動駕駛能力的車型相比，遜色不少。

(特斯拉 Autopilot 對目標(biāo)物、車道線的檢測主要依賴機(jī)器學(xué)習(xí)算法進(jìn)行 | Electrek)

MIT 認(rèn)為，「L2 級自動駕駛系統(tǒng)中機(jī)器學(xué)習(xí)框架使用的數(shù)據(jù)，從規(guī)模和豐富性的角度來看都具有足夠的擴(kuò)展能力，可以覆蓋多變的、具有代表性、挑戰(zhàn)性的邊緣案例。」人機(jī)共駕(Shared Autonomy)要求同時搜集人和車輛的感知數(shù)據(jù)，挖掘分析后用于監(jiān)督學(xué)習(xí)的標(biāo)注。在 MIT 的實(shí)驗(yàn)過程中，駕駛場景感知、路徑規(guī)劃、駕駛員監(jiān)控、語音識別以及語音聚合都應(yīng)用了深度神經(jīng)網(wǎng)絡(luò)模型，可以通過搜集到的大量駕駛體驗(yàn)數(shù)據(jù)進(jìn)行持續(xù)性的調(diào)校和優(yōu)化。

在進(jìn)行數(shù)據(jù)采集時，MIT 表示并不會只局限于單一的傳感器來源，而是對整個駕駛體驗(yàn)通盤考慮，并將所有的傳感器數(shù)據(jù)流通過實(shí)時時鐘(real-time clock)匯總、聚合，用于多個神經(jīng)網(wǎng)絡(luò)模型的標(biāo)注。這種方式能夠讓駕駛場景與駕駛員狀態(tài)能夠很好地匹配起來，而在聚合的傳感器數(shù)據(jù)流進(jìn)行標(biāo)注工作，使模塊化的監(jiān)督學(xué)習(xí)可以在數(shù)據(jù)規(guī)模允許時輕松地向端到端學(xué)習(xí)過渡。

三、監(jiān)督人類(Human Sensing)

這個其實(shí)就是我們俗稱的「駕駛員監(jiān)控」。它指的是對駕駛員的整體心理以及功能特征，包括分心、疲憊、注意力分配和容量、認(rèn)知負(fù)荷、情緒狀態(tài)等的不同程度進(jìn)行多維度的衡量和評估。

目前除了通用 Super Cruise 在方向盤上裝有一枚紅外攝像頭外，不管是搭載了 ADAS 駕駛輔助系統(tǒng)的量產(chǎn)車型，還是在路測的全自動駕駛汽車，絕大部分都沒有提供任何有關(guān)駕駛員監(jiān)控的軟件和硬件。特斯拉 Model 3 其實(shí)也裝了一枚車內(nèi)攝像頭，但目前尚未啟用，具體功用官方表示要等軟件更新后才知道。而基于視覺的解決方案以外，市面上還包括一些準(zhǔn)確率不高的方式。比如特斯拉在方向盤上安裝了扭矩傳感器，也有的公司利用監(jiān)測方向盤是否發(fā)生倒轉(zhuǎn)的方式推斷駕駛員是否出現(xiàn)疲勞情況。

(全新一代凱迪拉克 CT6 搭載的駕駛員監(jiān)控系統(tǒng)由 Seeing Machines 提供 | 官方供圖 )

MIT 認(rèn)為「對駕駛員狀態(tài)的感知和監(jiān)控是實(shí)現(xiàn)高效人機(jī)共駕的的第一步，同時也是最關(guān)鍵的一步?！乖谶^去的二十多年里，來自機(jī)器視覺、信號處理、機(jī)器人等領(lǐng)域的專家都進(jìn)行過相關(guān)課題的研究，目的都是在探討如何盡可能保證駕乘人員的安全。此外，對駕駛員狀態(tài)的監(jiān)測對如何改善和提升人機(jī)交互界面、高級駕駛輔助系統(tǒng) ADAS 的設(shè)計(jì)都有很大幫助。隨著汽車智能程度的不斷提高，如何準(zhǔn)確、實(shí)時地探測到駕駛員的各種行為對打造安全的個性化出行體驗(yàn)尤為重要。

比較有意思的一點(diǎn)是，從完全的手動駕駛到全自動駕駛，這其中涉及到不同模式切換的問題。一般來說雙手脫離方向盤(handoff)就是一種信號，可能表示系統(tǒng)要做好接管的準(zhǔn)備了，但還有什么其他更準(zhǔn)確的信息可以用來判斷，可能這也是「駕駛員監(jiān)控」的研究人員需要持續(xù)思考的地方。

四、共享的感知控制(Shared Preception-Control)

通俗點(diǎn)來說，這相當(dāng)于為整個自動駕駛系統(tǒng)增加了「一雙眼睛和手」。目的是建立額外的感知、控制和路線規(guī)劃機(jī)制。即便在高度自動駕駛系統(tǒng)運(yùn)行狀態(tài)下，也要及時地為駕駛員推送信息，將其納入到整個駕駛過程中。

研究全自動駕駛的目的就是為了完美地解決「感知-控制」的問題，考慮到人類的不靠譜和行為的不可測性。所以傳統(tǒng)觀點(diǎn)認(rèn)為最簡單的辦法就是把人從開車這件事上排除掉，像十幾年前在 DARPA 挑戰(zhàn)賽中獲勝的隊(duì)伍一樣。

但和傳統(tǒng)解決思路相反的是，MIT 提出的「以人為中心」的理論將人置于感知和決策規(guī)劃閉環(huán)中的關(guān)鍵位置。因此，整車感知系統(tǒng)就變成了支持性的角色，為人類駕駛員提供外部環(huán)境信息，這其實(shí)也是為了解決機(jī)器視覺本身存在的局限性而考慮的。

(表 II MIT「以人為中心」自動駕駛系統(tǒng)執(zhí)行的感知任務(wù)，包括對駕駛員面部表情、動作以及可駕駛區(qū)域、車道線以及場景內(nèi)物體的檢測 | MIT )

在 MIT 的研究中，工作人員圍繞這個原則設(shè)計(jì)了幾條關(guān)鍵的算法。表 II 是其中幾個典型的案例。首先，從視覺上可以看到神經(jīng)網(wǎng)絡(luò)做出的判斷、道路分割的區(qū)域以及對駕駛場景狀態(tài)的預(yù)估的可信程度;其次，將所有的感知數(shù)據(jù)整合并輸出融合式的決策建議，這樣在表 IV 的場景下就能夠?qū)φw風(fēng)險(xiǎn)進(jìn)行預(yù)估;再次，MIT 一直使用的是模仿學(xué)習(xí)：將人類駕駛員操控車輛時方向盤的動作作為訓(xùn)練數(shù)據(jù)，進(jìn)一步優(yōu)化端到端的深度神經(jīng)網(wǎng)絡(luò);最后，MIT 使用的端到端的神經(jīng)網(wǎng)絡(luò)屬于一個叫做「arguing machines(爭論機(jī)器)」框架的一部分，它為主要的感知-控制系統(tǒng)(表 III)提供了來自人類的監(jiān)督。

這里的「爭論機(jī)器框架」是 MIT 2018年提出的一個概念，詳細(xì)技術(shù)細(xì)節(jié)可點(diǎn)擊(http://1t.click/DAK)查看。它將主要 AI 系統(tǒng)與經(jīng)過獨(dú)立訓(xùn)練以執(zhí)行相同任務(wù)的次要 AI 系統(tǒng)配對。 該框架表明，在沒有任何基礎(chǔ)系統(tǒng)設(shè)計(jì)或操作知識的情況下，兩個系統(tǒng)之間的分歧足以在人工監(jiān)督分歧的情況下提高整體決策管道的準(zhǔn)確性。

(表 III 對「爭論機(jī)器」框架在「Black Betty」自動駕駛測試車上的應(yīng)用和評估 | MIT)

(表 IV 通過結(jié)合車內(nèi)外感知系統(tǒng)數(shù)據(jù)得出的融合型決策能夠充分預(yù)估可能發(fā)生的風(fēng)險(xiǎn) | MIT)

五、深度定制化(Deep Personalization)

這里涉及到一個「將人類融入到機(jī)器中」的概念。通過調(diào)整 AI 系統(tǒng)的參數(shù)，使其能夠更適合人類操作并呈現(xiàn)出一定程度的定制化。最終的系統(tǒng)應(yīng)該帶有該駕駛員的行為特征，而不是像剛出廠時的普通配置一樣。

六、不回避設(shè)計(jì)缺陷(Imperfect by Design)

對整個汽車工業(yè)而言，處于很多原因的考慮，進(jìn)行工程設(shè)計(jì)時通?？紤]最多的是「安全」，所以要盡可能地講系統(tǒng)錯誤出現(xiàn)的頻率和程度降至最低。換句話說，對自動駕駛而言，完美是目標(biāo)，這也導(dǎo)致了在進(jìn)行某些功能設(shè)計(jì)時，可能會因其「不完美」和「不確定」的性質(zhì)而放棄這些可能是「必要」的設(shè)計(jì)。

但是在 MIT 的研究看來，豐富、高效的溝通機(jī)制在設(shè)計(jì)用于實(shí)現(xiàn)「人機(jī)共駕」的人工智能系統(tǒng)時，是非常必要的因素。就「溝通」而言，系統(tǒng)存在的不完美對人和機(jī)器而言，在進(jìn)行感知模型的交換和融合過程中，能夠提供密集、多樣的信息內(nèi)容。如果將 AI 系統(tǒng)的不確定性、局限性和錯誤都隱藏起來，這也就錯失了與人建立信任、深度理解關(guān)系的機(jī)會。MIT 認(rèn)為，此前業(yè)界在設(shè)計(jì)半自動駕駛系統(tǒng)時所采取的「完美」思路，可能是迄今為止所犯的嚴(yán)重錯誤之一。

而在開發(fā)「Black Betty」這輛無人車時，MIT 把人工智能系統(tǒng)的局限性通過文字和視覺的形式與人類進(jìn)行充分溝通。例如將人類和機(jī)器對外部世界的感知視覺化，讓駕駛員知曉 AI 系統(tǒng)的局限所在。研究人員表示這種方式相比只是提供「報(bào)警」或者「模糊的信號」，是最簡潔有效的人機(jī)溝通方式。盡管這種溝通機(jī)制要實(shí)現(xiàn)還面臨一些技術(shù)上的難題，比如視覺化的過程通常對芯片的算力和實(shí)時調(diào)用的能力要求很高。但值得機(jī)器人、自動化以及人機(jī)交互等領(lǐng)域共同關(guān)注并思考解決的辦法。

七、系統(tǒng)級的駕駛體驗(yàn)(System-Level Experience)

目前，汽車工業(yè)的工程設(shè)計(jì)過程中，一個最主要的目標(biāo)就是「安全」。另一個則是「降低成本」。第二個目標(biāo)導(dǎo)向的是模塊化、基于零部件的設(shè)計(jì)思考。但同樣的模式在面向機(jī)器人、計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等領(lǐng)域的人工智能系統(tǒng)設(shè)計(jì)中卻有著迥異的理由。

譬如在設(shè)計(jì)中重視單一功能(目標(biāo)物檢測等)的實(shí)現(xiàn)，能夠有效測試該算法的合理性并逐步使之得到改善和優(yōu)化。但是這個過程也難免會把注意力過渡集中在單一功能而忽略了系統(tǒng)的整體體驗(yàn)。

在過去的幾十年里，「系統(tǒng)工程」、「系統(tǒng)思考」這樣的原則一直在指導(dǎo)著汽車工業(yè)產(chǎn)品的輸出。然后，類似的思考卻幾乎沒有應(yīng)用在自動駕駛汽車的設(shè)計(jì)、測試和評估過程中。正如 MIT 上面提到的這六大原則，人和機(jī)器都不可避免會有缺陷，只有當(dāng)「人機(jī)共駕」這個框架在系統(tǒng)層面上得到考慮時，這些缺陷才可能有機(jī)會成為優(yōu)勢。

對「人機(jī)共駕」的永恒討論

不管短期還是長期來看，其實(shí)很難預(yù)測自動駕駛的哪條實(shí)現(xiàn)路徑最終會成功，而且退一萬步說，你甚至都不知道什么樣的結(jié)果算得上是「成功」。在談到研究目的時，MIT 希望一套自動駕駛系統(tǒng)能夠同時滿足「安全」、「愉悅的駕駛體驗(yàn)」和「提升的出行體驗(yàn)」這三個要求，而不是彼此妥善折中。而盡管「人機(jī)共駕」這個話題在過去的十年里，是包括汽車工業(yè)、機(jī)器人在內(nèi)很多領(lǐng)域研究的焦點(diǎn)，但它仍值得更深入的探討。

在今年四月份的上海國際車展上，Tier 1 供應(yīng)商采埃孚聯(lián)合英偉達(dá)推出了coPILOT 智能高級駕駛輔助系統(tǒng)。這是一套定位「L2+級」 的自動駕駛輔助系統(tǒng)，目的是提高乘用車的安全性和駕駛舒適性。從產(chǎn)品名稱不難看出，這套系統(tǒng)同樣強(qiáng)調(diào)了「人機(jī)共駕」的概念。它配備了相應(yīng)的傳感器和功能，能夠監(jiān)控駕駛員并在發(fā)生潛在危險(xiǎn)情況時觸發(fā)警告。例如，當(dāng)發(fā)生駕駛員注意力不集中、幾乎完全未將注意力放在路面交通上或顯示出瞌睡跡象等。所以人工智能扮演了「私人駕駛助手」的角色，這個產(chǎn)品理念與 MIT 的研究不謀而合。

到底完美解決駕駛?cè)蝿?wù)比完美管理人類的信任和注意力哪個更難?這是值得深思熟慮的問題。MIT 認(rèn)為關(guān)于這個問題的討論仍不會停止，不管是這篇論文還是「Black Betty」這臺無人測試車，都是基于「人機(jī)共駕」研究的成果，MIT 認(rèn)為它是開發(fā)「以人為中心」自動駕駛系統(tǒng)的必由之路。