我最近听到有人说，当您设计自动驾驶汽车时，您并不是在建造汽车，而是真正的计算机驾驶员，因此您正在尝试模拟人的思想-至少是汽车的一部分。可以驱动的人类思维。
由于人类是无法预测的，或者因为人类的行为取决于许多因素，而其中许多因素将在很长一段时间内无法解释，因此，自动驾驶汽车将如何反映这一点？
一定程度的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了死锁的状态，那么最好注入一些随机性，而不是如果这些汽车运行相同的系统，则可能无法同时看到相同的动作。
但是，另一方面，我们知道不确定性并不是软件开发的朋友，特别是在测试中。工程师将如何控制它并对此进行推理？
Answers:
驾驶优先
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性和有效性标准，优先级从高到低列出。
这些命令以具有公民意识和全球意识的方式排列，但是它们并不是人类驾驶员所优先考虑的事情。
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对人脑中可以驾驶的部分进行建模，则不应设计用于实际制造的自动驾驶汽车。众所周知，尽管大多数人可能已经听说过以下安全提示，但他们却无法以足够的速度使它们进入意识，从而无法在实际驾驶中受益。
机车与汽车之间发生的许多碰撞是因为红灯导致铁轨上的多条车道成一条线。通常，一个人会走到铁轨上，以在另一辆车上获得一辆车的长度。当其他人采取行动使撤消该选择成为问题时，就会出现严重的风险。
对于任何观看者来说，这种行为都是荒谬的，当快速行驶的2000吨机车撞上火车乘客时，似乎有很多尘土飞扬，造成许多死亡。
可预测性和适应性
正如问题所示，人类是不可预测的，但是尽管适应性可能是不可预测的，但是不可预测性可能不是适应性的。所需的适应性是五种主要方式。
另外，开车是
建模驾驶复杂性
这需要一个或多个包含多种对象的模型。
既不神秘也不不确定
尽管这些模型在人脑中具有认知上的近似性，但是它们的建模方式以及这些模型在达到上述优先级的合理平衡附近的效果如何因驾驶员而异，并且对于同一驾驶员而言，每次旅行都不同。
但是，尽管驾驶复杂，却并不神秘。就它们如何相互作用以及它们具有什么样的机械和概率特性而言，上述每个模型都易于从较高的层次进行考虑。详细介绍这些是一项艰巨的任务，并且除了培训问题之外，使系统可靠地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，由于涉及的经济学因素以及它在很大程度上是机制，概率和模式识别的问题，因此可以做到，而且最终会做得很好。
如果这样，对于接受我们当前文化为永久文化的人来说，听起来似乎不太可能，那么在本世纪某些地区，人类驾驶可能会变得非法。任何流量分析师都可以收集大量证据，证明大多数人没有能力以普通速度驾驶重达一吨的机器。由于公众坚持交通便利性和舒适性，并且由于劳动力经济要求，非专业驾驶员的执照才被广泛接受。
自动驾驶汽车可能体现了人类的最佳能力，但它们可能会远远超越自动驾驶汽车，因为尽管模型中的对象很复杂，但除了儿童玩耍外，它们在很大程度上是可以预测的。AV技术将为此使用标准解决方案。只需放慢速度，整个场景就可以放慢脚步，以适应儿童玩耍。如果不存在专门用于检测狗和狗的AI组件，它们可能很快就会出现。
随机性
随机性在训练中很重要。例如，赛车手会故意创建各种类型的橇，以习惯于如何控制它们。在机器学习中，我们看到了在训练过程中引入的一些伪随机扰动，以确保梯度下降过程不会陷入局部最小值，而更有可能找到全局最小值（最优）。
僵局
问题的正确之处在于：“一定程度的不可预测性可能会发挥作用”。死锁场景是一个有趣的场景，但随着标准的发展，这种情况不太可能发生。当四个驾驶员同时到达停车标志时，他们实际上不是。看起来好像他们做到了。从天文角度来看，它们中的任何一个都不比其他人到达的时间超过一毫秒的可能性很小。
人们不会察觉（甚至说不出话来）区分这些微小的时差，因此通常是谁最善良地与其他人打交道，那里也可能存在一些僵局，这很可笑，尤其是因为他们中的一些人真的希望搬家。自动驾驶汽车极少会遇到政府许可实体发布的规则手册所未涵盖的僵局，该僵局可以作为系统中的驾驶规则进行编程。
在极少数情况下，车辆可以按照建议进行数字抽签，这是自适应性不可预测的地方。像午夜时分在Main Street上的赛车手一样进行防滑实验，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，无法适应明智的驾驶优先顺序。既不会发短信，也不会试图吃饭和开车。
决定论
关于确定性，在所讨论的用途的背景下，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使用伪随机性来处理组件的测试，而且有时会使用伪随机性来提供更好的测试覆盖率。做到这一点的关键是对概率和统计数据的理解，一些工程师和AI设计师对此也非常了解。
惊喜元素
在视音频技术中，随机性最重要的地方不是决策，而是惊喜。这就是当今工程工作的前沿。当全新的场景出现在音频或视频通道中时，如何安全驾驶？也许这是最能适应人类思想的地方，但是在高速公路上，通常速度太慢，无法以我们在电影追逐场景中看到的方式做出反应。
风险与速度之间的相关性
这带来了风险因素之间有趣的相互作用。假定较高的速度更加危险，实际的机械原理和可能性并不是那么明确。低速会产生暂时较长的行程和更高的交通密度。某些形式的事故不太可能以较高的速度发生，特别是那些主要与交通密度或突发事件有关的事故。其他形式更可能出现在较高的速度下，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，轮胎打滑可能会更准确地建模，反应时间可能会快几个数量级，因此一旦我们将人从驾驶员座位上移开，最低限速可能会受到更大的限制，上限可能会增加。
自动驾驶汽车采用强化学习和半监督学习，这使它们更适合于开发人员没有预料到自己的情况。
现在，有些汽车采用了Swarm Intelligence，它们可以从彼此之间的交互中有效地学习，这也可以在转移学习的情况下提供帮助。