我最近听到有人说，当你设计一辆自动驾驶汽车时，你不是在制造汽车，而是真正的计算机驱动程序，所以你试图模拟一个人的思维——至少是一部分可以驱动的人类思维。
由于人类是不可预测的，或者更确切地说，由于他们的行为取决于很多因素，其中一些因素将在很长一段时间内无法解释，如果他们这样做，自动驾驶汽车将如何反映这一点？
一剂不可预测性可能有其用途。例如，如果两辆自动驾驶汽车陷入通行权死锁，最好注入一些随机性，而不是在汽车运行相同的系统时看到同时应用相同的动作。
但是，另一方面，我们知道非确定性不是软件开发的朋友，尤其是在测试中。工程师如何能够控制它并对其进行推理？
驾驶优先事项
在考虑创建可靠和安全的自动驾驶汽车所需的建模类型时，应考虑以下驾驶安全和功效标准，并优先列出最重要的标准。
这些以具有公民和全球意义的方式排序，但它们不是人类驾驶员所表现出的优先事项。
复制人类还是从头开始重新评估和设计？
谁说自动驾驶汽车设计的目标是模拟人类大脑中可以驾驶的部分，谁不应该为实际制造设计自动驾驶汽车。众所周知，大多数人虽然可能听说过以下安全提示，但在实际驾驶安排中无法以足够的速度将他们带入意识以从中受益。
机车和汽车之间的许多碰撞是因为红灯导致在轨道上的多条车道中出现一条线。通常，一个人会移动到铁轨上以获得一辆车在其他车上的长度。当其他人采取行动使撤销该选择成为问题时，就会出现严重的风险。
尽管这种行为对任何观看的人来说都是荒谬的，但当一辆快速行驶的 2,000 吨机车撞到火车乘客感觉像是尘埃的地方时，会发生许多死亡事件。
可预测性和适应性
正如问题所表明的那样，人类是不可预测的，但尽管适应性可能是不可预测的，但不可预测性可能不是适应性的。需要的是适应性，它主要体现在五个方面。
另外，开车是
建模驾驶复杂性
这需要一个或多个模型由多种对象组成。
既不神秘也不不确定
尽管这些模型在人脑中是认知近似的，但它们的建模效果以及这些模型在达到接近上述优先级的合理平衡方面的效果因驾驶员而异，并且因同一驾驶员的行程而异.
然而，驾驶虽然复杂，但并不神秘。就它们如何相互作用以及它们具有哪些机械和概率特性而言，上述每个模型都很容易从高层次上考虑。详细说明这些是一项艰巨的任务，除了培训问题外，使系统可靠工作也是一项重大的工程挑战。
成就的必然性
不管复杂程度如何，因为涉及到经济学，而且它在很大程度上是一个力学、概率和模式识别的问题，它会完成，并且最终会做得很好。
当这种情况发生时，尽管对于接受我们当前文化为永久性的人来说这听起来不太可能，但在本世纪某些司法管辖区，人类驾驶可能会成为非法。任何交通分析师都可以收集大量证据表明，大多数人都没有能力以普通速度驾驶重达一吨的机器。由于公众对交通便利和舒适的坚持以及劳动力经济的需要，非专业司机的执照才被广泛接受。
自动驾驶汽车可能反映了人类最好的能力，但它们可能会远远超过它们，因为尽管模型中的物体很复杂，但它们在很大程度上是可预测的，除了儿童玩耍之外。AV 技术将为此使用标准解决方案。整个场景可以变成慢动作，以适应孩子们的玩耍，只需放慢速度即可。专门检测儿童和狗的人工智能组件可能很快就会出现，如果它们还不存在的话。
随机性
随机性在训练中很重要。例如，赛车手会故意制造各种类型的滑道来习惯如何控制它们。在机器学习中，我们看到在训练期间引入了一些伪随机扰动，以确保梯度下降过程不会陷入局部最小值，而是更有可能找到全局最小值（最优值）。
僵局
这个问题是正确的，“一剂不可预测性可能有它的用途”。死锁场景是一个有趣的场景，但随着标准的发展不太可能发生。当四个司机同时来到停车标志时，他们真的没有。只是他们似乎做到了。他们中没有一个比其他人早一毫秒到达的可能性很小。
人们不会察觉（甚至是诚实地）来区分这些微小的时间差异，所以通常会决定谁最优雅地向其他人挥手，并且那里也可能出现一些僵局，这可能会变得可笑，尤其是因为所有他们中的一些人真的很想动起来。自动驾驶汽车极少会遇到政府许可实体发布的规则手册未涵盖的僵局，该规则手册可以作为驾驶规则编程到系统中。
在极少数情况下，车辆可以按照建议进行数字抽签，这是一个适应不可预测性的地方。像半夜在大街上的赛车手一样进行防滑试验可能是一些醉酒的青少年可能会做的事情，但这是一种不可预测的形式，不适合对驾驶优先级的合理排序。两者都不会发短信或试图吃饭和开车。
决定论
关于确定性，在所讨论的用途的上下文中，特定分布的伪随机数生成就足够了。
功能测试和单元测试技术不仅能够处理具有伪随机性的组件测试，而且它们有时会采用伪随机性来提供更好的测试覆盖率。做好这件事的关键是对概率和统计的理解，一些工程师和 AI 设计师理解得很好。
惊喜元素
在 AV 技术中，随机性最重要的地方不是决策，而是惊喜。这是当今工程工作的最前沿。当音频或视频通道出现全新场景时，如何安全驾驶？这也许是人类思想多样性最擅长的地方，但在高速公路上，它通常太慢而无法像我们在电影追逐场景中看到的那样做出反应。
风险与速度之间的相关性
这带来了风险因素的有趣相互作用。假设更高的速度更危险，实际的机制和概率并不是那么明确。低速会产生暂时更长的行程和更高的交通密度。某些形式的事故在较高的速度下不太可能发生，特别是那些主要与交通密度或偶然性有关的事故。其他形式更有可能在更高的速度下，特别是与反应时间和轮胎摩擦有关的形式。
对于自动驾驶汽车，可以更准确地模拟轮胎打滑，反应时间可能更快几个数量级，因此一旦我们让人类离开驾驶员座位，最低速度限制可能会更加严格，上限可能会增加。
自动驾驶汽车应用强化学习和半监督学习，这使得它们更适合开发人员没有预料到的情况。
一些汽车现在应用了Swarm Intelligence，它们可以有效地从彼此之间的交互中学习，这也有助于迁移学习。