性别、年龄、肤色都是变量
作者｜曹婷婷
一个尴尬的发现：
自动驾驶系统也有人群歧视。
英国伦敦国王学院的研究人员进行一项研究，通过对超过 8000 张图片检测后，发现了一个漏洞：
自动驾驶汽车使用的由 AI 驱动的行人检测系统，对儿童的检测准确率比成人低了 19.67%，深色皮肤的检测准确率比浅色皮肤低了 7.53%。
而性别在检测准确率上相差不大，仅有 1.1% 的差距。
这意味着对于无人驾驶汽车来说，儿童和黑皮肤的行人将会比成年人和浅皮肤的行人更难检测。
为什么会这样？
01、对儿童、深肤色人群不友好
先来看这个实验过程。
这个研究小组采用的是数据分析的方法，他们首先找到 8 种自动驾驶企业最常用到、也是市面上常见的行人专用探测系统。
再用这些行人探测系统收集真实场景测试的数据，包括不同亮度、对比度、天气情况等实际场景，这些数据集，主要是由所拍摄的真实街道图像组成。
他们在四个真实场景中，共得到 8311 张图像，图像中展示了不同姿势、大小和遮挡场景下的行人。研究人员对图像中的行人还特意加了标签，共有 16070 个性别标签、20115 个年龄标签和 3513 张肤色标签。
研究重点是，自动驾驶的行人检测系统在面对不同行人时，所作出的反应是否相同，特别是在性别、年龄和肤色这三个因素上，会不会出现不公平的问题。
所使用到的探测系统包括 ALFNet、CSP、MGAN 和 PRNet 等，其中 ALFNet 采用的是多步预测进行渐近定位，解决了行人检测中单步检测的局限性。
CSP 通过定位中心和缩放行人引入一种无锚方法；MGAN 则是利用可见区域边界框信息引导注意力生成，主要用于遮挡情况下对行人的检测。
图像收集完后，针对自动驾驶系统是否对群体存在不公平的问题，研究小组使用了一个差异性公式。MR 一般是表示行人检测研究中最常用的性能指标，MR=1-TP/（TP+FN），这里的 TP（真阳性）是指成功删除的地真边界框的数量，FN（假阴性）是指未检测到的地真边界框的数量。
经过计算，行人探测器对女性和男性行人的失检率相似，相差 1.1%，而在年龄和肤色上差异较大，分别达到了 19.67% 和 7.52%！
这意味无人驾驶行人检测系统，对儿童和肤色较深的人群更难辨别，这些人群也将面临更大的风险。
而且尤为注意的是，在夜晚这些数字都有一定增加，儿童的 EOD（儿童和成人群体之间的差异）从白天到夜晚，失检率从 22.05% 上升至 26.63%，肤色组（深色和浅色皮肤）差异率从白天的 7.14% 增加到夜间的 9.68%。
另外和男性相比，女性在三个因素的失检率都大于男性。
此外，研究小组对不同亮度和不同对比度情况下对数据进行研究，这些变量也会对失检率有较大影响。
在选用的 8 种行人检测系统中，随着亮度的降低，其中一级检测系统表现最差，尤其是在肤色上，深色皮肤和浅色皮肤的差异值达到最高。
“公平的 AI 应当对所有群体一视同仁，但目前无人驾驶汽车方面似乎不是这样的。”该研究的作者 Dr. Jie Zhang 说道。
为什么会出现这种情况？
这主要是人工智能系统需要进行大量数据训练，而这些数据一旦不足，也会不可避免地反映在人工智能的表现上。这也是说，训练数据的缺乏，导致一些人工智能 AI 存在一定的偏见。
02、还有很多问题未解决
其实人工智能系统存在一定的不公平性，研究人员也不是第一次研究了。
早在 2019 年，美囯佐治亚理工学院的研究就表明，在路上皮肤较黑的人比皮肤较白的人，更容易被无人驾驶汽车撞到，研究人员分析了无人驾驶汽车监测物体的方法，一共分析了 3500 张肤色各异的人的照片。
最后得出结论，无人驾驶技术在识别黑色皮肤人群时的准确度平均低了 5%。
这些研究虽然没有涉及已经上路的无人驾驶汽车，但无疑会让人们对无人驾驶技术更加警觉。
无人驾驶落地困难，很大一部分原因是，它无法真正代替人类对行人及路况作出及时的反应。
在 2018 年，打车服务巨头 Uber 的一辆无人驾驶汽车在美国亚利桑那州坦佩市撞人致死，这是首次出现无人驾驶事故事件，“来不及做出反应”就是其一大问题。
前段时间，美国加州投票决定，允许两大无人出租车 Cruise 和 Waymo 在旧金山全天候商业运营，这则消息引来美国群众的不满，因为无人驾驶出租车经常引来事故。
汽车的无人驾驶系统可以用多种方式来识别路况，比如安在车顶的激光雷达，它可以每秒多次对汽车周围环境产生三维图像，主要是利用红外激光脉冲来反射物体，把信号传给传感器，这种可探测到静止和移动的物体。
但是遇到极端天气时，比如浓雾或暴雨天气，激光雷达的准确度会大大降低。
而短程和远程光学摄像头，可以实际的读取信号、判断物体颜色等更细节的物体，可以弥补激光雷达的短板。
为了加大识别能力，国内不少无人驾驶系统，都采用了混合感知路线，通过激光雷达和摄像头视觉技术来实现，并且视觉感知优先于雷达感知，以视觉感知为主，雷达感知为辅。
但特斯拉是“纯视觉感知”的忠实粉丝，马斯克曾表示，激光雷达就像人身上的阑尾。然而这也导致特斯拉多次因事故吃上官司。
其实即便是混合感知路线，也需要克服很多挑战。
比如远距离成像的行人通常目标较小，也就导致分辨率较低，定位准确度不够，这也是儿童的失检率较高的原因之一。其次行人姿态各异也会导致算法检测不准确，而且行人检测会受到背景的影响，比如光照的强弱，天气的变化等都会影响判断。
最后还有障碍物的原因，目标重叠、有遮挡对算法识别也有较大影响。
03、华人学者领衔研究
这篇介绍自动驾驶系统公平性的论文，全名为《深色皮肤的人在街上面临更多风险：揭露自动驾驶系统的公平性问题》，该论文在《新科学家》杂志发表。
论文研究小组来自于伦敦国王学院，论文所列出的作者共有 6 位，其中 Xinyue Li、Ying Zhang、Xuanzhe Liu、来自中国北京大学，Zhenpeng Chen、费德里・卡萨罗来自英国伦敦大学，Jie M.Zhang 来自伦敦国王学院。
Jie M.Zhang 目前是伦敦国王学院的助理教授，她的研究重点是将软件工程研究与人工智能研究结合，从而提高软件的可信度。她曾是伦敦大学的研究员，并在中国北京大学获得计算机科学的博士学位。
作为中国籍学者，Jie M.Zhang 在国内的成绩也可圈可点，她在今年 3 月被评为“中国女青年学者十五强之一”，还曾多次受邀进行机器翻译可信度的主题演讲，她和小组也多次对人工智能的学习能力进行研究分析。
对于行人检测系统公平性缺失的问题，Jie M.Zhang 表示，汽车制造商和政府需要共同制定法规，来确保自动驾驶系统的安全性和公平性。
其实以前就有过人工智能招聘软件和面部识别软件，黑人女性的准确度不如白人男性的情况，而现在自动驾驶汽车一旦存在识别误区，造成的后果可能会更加严重。
“以前少数族裔可能会因为一些软件，而被剥夺了该有的便利”。Jie M.Zhang 表示，现在他们可能面临更严重伤害，甚至是人身伤害。
本文来自微信公众号：超电实验室 （ID：SuperEV-Lab），作者：曹婷婷
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，所有文章均包含本声明。