[论文解读] Why Autonomous Vehicles Are Not Ready Yet: A Multi-Disciplinary Review of Problems, Attempted Solutions, and Future Directions

Xingshuai Dong, Massimiliano L. Cappuccio+11 more|arXiv (Cornell University)|Nov 15, 2023

Advanced Neural Network Applications被引用 5

一句话总结

这篇跨学科综述总结了过去十年间自动驾驶汽车中计算机视觉的最新进展，分析了感知挑战、传感器与数据集的局限性，以及实现完全自动驾驶的技术障碍。它识别了实际部署中的关键问题，如环境多样性、计算需求和安全风险，并提出了未来研究方向，包括长期数据集、移动边缘计算、轻量化卷积神经网络（CNN）以及实时风险评估，以推动可靠、可扩展的自动驾驶系统发展。

ABSTRACT

Personal autonomous vehicles are cars, trucks and bikes capable of sensing their surrounding environment, planning their route, and driving with little or no involvement of human drivers. Despite the impressive technological achievements made by the industry in recent times and the hopeful announcements made by leading entrepreneurs, to date no personal vehicle is approved for road circulation in a 'fully' or 'semi' autonomous mode (autonomy levels 4 and 5) and it is still unclear when such vehicles will eventually be mature enough to receive this kind of approval. The present review adopts an integrative and multidisciplinary approach to investigate the major challenges faced by the automative sector, with the aim to identify the problems that still trouble and delay the commercialization of autonomous vehicles. The review examines the limitations and risks associated with current technologies and the most promising solutions devised by the researchers. This negative assessment methodology is not motivated by pessimism, but by the aspiration to raise critical awareness about the technology's state-of-the-art, the industry's quality standards, and the society's demands and expectations. While the survey primarily focuses on the applications of artificial intelligence for perception and navigation, it also aims to offer an enlarged picture that links the purely technological aspects with the relevant human-centric aspects, including, cultural attitudes, conceptual assumptions, and normative (ethico-legal) frameworks. Examining the broader context serves to highlight problems that have a cross-disciplinary scope and identify solutions that may benefit from a holistic consideration.

研究动机与目标

• 分析当前阻碍自动驾驶汽车广泛部署的技术与环境挑战。
• 评估计算机视觉与传感器融合在自动驾驶感知系统中的作用。
• 识别现有基准数据集中的不足，特别是关于长期环境变化和现实世界复杂性的方面。
• 探讨自动驾驶汽车部署带来的公众担忧与安全风险。
• 提出未来研究方向，以实现超越当前L2和L3能力的稳健、可扩展且安全的自动驾驶系统。

提出的方法

• 对2013年至2023年期间自动驾驶汽车中计算机视觉应用的系统性文献综述。
• 按SAE等级（0–5级）对自动驾驶系统进行分类与分析，重点关注感知、控制及人机交互。
• 回顾常用传感器（如摄像头、LiDAR、雷达、超声波传感器）以及基准数据集（如KITTI、nuScenes、Cityscapes）在感知任务中的应用。
• 使用深度学习模型评估核心计算机视觉任务：深度估计、目标检测、车道线检测与交通标志识别。
• 通过批判性分析当前在数据、计算与安全方面的局限性，提出未来研究方向。
• 整合公众意见与实际部署挑战的见解，以推动技术与系统性改进。

实验结果

研究问题

• RQ1 当前哪些主要技术与环境挑战限制了自动驾驶汽车在L3级以上的部署？
• RQ2 现有基准数据集在多大程度上未能反映长期现实驾驶中的环境变化，如季节性变化与城市施工？
• RQ3 移动边缘计算在降低自动驾驶汽车感知系统的计算负载与延迟方面可发挥何种作用？
• RQ4 轻量化且实时的卷积神经网络如何在不牺牲准确性的前提下，提升车载感知系统的效率与安全性？
• RQ5 需要何种风险评估框架，以主动识别并缓解动态驾驶环境中不可预测行为带来的风险？

主要发现

• 当前自动驾驶系统主要处于SAE L2和L3级别，依赖人工监督与有限自动化，尚无商业化系统实现路径规划与定位的大规模集成。
• 现有基准数据集在地理覆盖上有限，且未能捕捉长期环境变化，如季节性变化与城市施工，限制了模型的泛化能力。
• 移动边缘计算的集成可通过将密集的感知任务从车载系统卸载至附近的边缘服务器，显著降低延迟与计算负载。
• 实时轻量化CNN对于在嵌入式车载系统中实现高精度与低能耗、低内存消耗之间的平衡至关重要。
• 稳健的风险评估算法对于实时检测并响应行人、骑行者及恶劣天气条件下的不可预测行为至关重要。
• 尽管技术不断进步，公众对安全、可靠性与伦理决策的担忧仍是广泛采纳的主要障碍。