如果把「蜘蛛人」的「蜘蛛感應」裝到自動駕駛汽車上？

蜘蛛人的「spidey senses」（蜘蛛感應），想必曾經令無數少年心嚮往之。

這種超能力可以讓他預判身邊即將發生的事情，更好地探測和躲避物體，比如躲過子彈、避免被敵人擊中等等。

不過，同款放射性蜘蛛是沒有的，但同款「超能力」卻被科學家們賦予了機器。

來自凱拉‧威爾斯普渡大學的研究人員，將蜘蛛式感應器植入了自動駕駛無人機和汽車的外殼中，試圖幫助它們能夠更好地探測物體。

我們習以為常的自動駕駛，通常都可以理解為設計一個與人類一樣甚至超越人類表現的駕駛水準，因此，其技術路線傚法的對象自然也就是人類本身。以深度學習來模擬人類的大腦，為決策提供強大的計算能力；以攝影鏡頭、光達等代替人類的雙眼，實現高效的感應器融合。

然而，且不提目前的感應器技術並沒有完全釋放類人的潛力，而且即使是真人上陣，也經常有預判失誤導致事故。人類的極限，基本決定了此前自動駕駛系統的極限，也難怪馬斯克會對目前的無人車感知方案說出——「A task that has little to no chance of being successful or beneficial」（幾乎不可能成功或取得收益的任務）的評價。

那麼，將動物們或者說超人們的「超能力」引入自動駕駛，會讓事情出現轉變嗎？下面就從有趣的「spidey senses」來聊聊，自動駕駛感應技術的另一種可能性。

蜘蛛人超能力：幫自動駕駛「看」得更清楚

蜘蛛的感知能力究竟有何特別之處呢？

這就必須提到它們處理感官訊息的速度，比目前最先進的感應器還要快，因此可以更好地在危險環境中避免事故。當然，這並不是蜘蛛的獨家技能，蝙蝠、鳥類等其他動物也或多或少都內建「預先避障buff（魔法）」。

之所以能做到這一點，因為它們的神經末梢與被稱為機械感受器的特殊神經元相連。而這種特殊的感應器往往以羽毛、毛髮等形式出現，只檢測和處理動物生存所必須的訊息。

人類在面臨危險時雖然也有「汗毛豎起」之類的感覺，但這種「直覺」顯然已經在進化過程中被消滅得差不多了。因此，人類往往需要盡可能多地收集周圍環境的數據來輔助判斷，落實到自動駕駛車上，就是「寧可錯拍不可放過」的冗餘攝影鏡頭和感應器。豐田曾財大氣粗在自家的自動駕駛原型車上搭載了七台光達（當時單價7999美金/台）。

但是，與人類相反，大自然中的動物們並不需要「面面俱到」，它們會過濾到不需要的訊息，以保證自己處理的訊息不會過載，同時又保持足夠的敏感度。

比如當蜘蛛網以獵物或者配偶相關的頻率振動時，蜘蛛毛茸茸的腿（機械感應器就在上面）就會在體內產生一種神經反射，提醒它迅速做出反應。而更低的頻率，比如蛛網上的灰塵，機械感應器是「視而不見」的，因為它對蜘蛛的生存安全來說並不重要。

只有某一特定水準的力啟動了「多毛的」機械感受器，它們會快速從一種狀態（收集過濾訊息）轉換到另一種狀態（計算訊息），並做出相應的反應。

核心成員之一Arrieta認為，在自然界，硬體和軟體沒有清晰的分別，它們相互關聯的。比如感應器即可以收集和過濾數據，也可以用來解釋和運算數據。這顯然與普遍推行的「大腦-器官」仿人類學設計相去甚遠。

那麼，這種感應器被整合到無人機機翼或汽車外殼上，會產生怎樣有趣的變化呢？

為了讓自動駕駛機器能夠獲得「蜘蛛感覺」的超能力，普渡大學的研究者們開發了一種超薄的電容感應器。它能夠從環境中接受訊息，並根據閾值（如壓力或溫度的變化）過濾數據，在預定的力水準提示時還會改變形狀。而且，不需要電源。

這些機械感應器可以被定製來檢測特定的力學變化，比如人、貓狗、井蓋、石子等，與自動駕駛駕駛需要規避的特定對象相關聯，就能實現快速避障的作用。

同時，普渡大學的研究人員與新加坡南洋理工大學、蘇黎世聯邦理工學院合作，設計了同樣的感應器，利用這些「機械感受器」的狀態變化來讓自動駕駛機器像蜘蛛一樣處理數據。

因為可以形變，使得感應器材料內的導電粒子彼此移動得更近，進而允許電流通過感應器並攜帶訊號，這些訊息則通知駕駛系統應該如何回應。在機器學習演算法的幫助下，感應器們能夠以最小的能耗實現自主工作，無形中降低了算力方面的成本。

動物仿生學引入自動駕駛，有何意義？

相比於前兩年的無比「稀奇」，如今大部分民眾應該都對自動駕駛機器的智慧程度有所瞭解了。

在避障技術方面，主要就是依靠超音波、雷達、視覺、毫米波雷達等感應器的融合及協同工作，獲得道路、車輛位置和障礙物等訊息，進而使無人車、無人機能夠安全靈活地行駛。

然而即使是融合了絕對數量的感應器，無論是在物體識別還是距離估計上，依然很容易出現令人意想不到的差錯。

比如之前特斯拉的自動駕駛汽車因為將前方的白色大卡車當成了白雲（！），因此發生了車禍。

「高空作業」的無人機也沒有好到哪裡去，2015年紐約甘迺迪國際機場，一架無人機在7000英呎的高空中就差點撞上一架飛機，二者當時距離只有20英呎遠。

之所以會出現這樣的局面，主要原因有二：

第一，當前主流的感應器幾乎都有自身侷限，多感應器相互備份和補充是必不可少的。而多感應器融合協作，面對複雜的現實場景，還要達到360度無死角的高精度監測，龐大的數據量必然會帶來堆積和冗餘問題。

另外，現有的自動駕駛系統主要將算力集中在決策層面，感知層面的算力不夠充沛，自然也就導致處理器難以支撐龐大連續高速的運算壓力。一旦數據堆積導致處理延遲，自然也就更容易犯錯。

上述重要而關鍵的問題，目前看來，對症下藥只有兩個解決方案：

提高感知層面的性能要求，對複雜訊息和環境實現更高精度的辨識。
讓感知系統能夠處理一部分運算任務，過濾掉無意義的數據，為「機器大腦」減負。

既然前面模仿人類生理工作機制的智慧化發展不盡如人意，那麼向蜘蛛、蝙蝠等「低智能、高機械」生物學習，會不會才是自動駕駛應該拿到的「劇本」呢？

沒有人能給出確切的答案，但這不妨礙有不少學者開始在這個方向努力探索了。

以前面提到的「蜘蛛感知」能力為例，AXA Winterthur關於自動駕駛研究的數據顯示，一般情況下，提前1.5秒的警示就可以減少90%的追撞。也就是說，當提前2.5秒給予車輛警告的話，基本上可以讓系統做到安全剎停，無人機也是一樣。

目前，想要在保障碰撞時間（TTC）這一個前提上，只能透過探測距離大於120公尺的汽車雷達實現。但與此同時，光達的探測精度又十分離散，在120公尺距離上垂直和水平解析度已經是0.3-0.5公尺的等級，這意味著如果前方站著的是一個人，它很有可能會被光達所忽略。而且，由於要進行360度掃瞄，數據暫存和回傳的時間已經足夠發生一場悲劇了。

但是借助「蜘蛛感知」的能力，裝載了超薄電感應器的自動駕駛機器就能夠在感知到訊息的瞬間，就迅速運算並選擇性地進行處理，或能夠有效減少系統大腦的數據負載，進而提升自動駕駛系統的決策效率和靈敏度。