Uber致人死亡或为自动驾驶肇事责任 没有判例可循

图:Uber自动驾驶测试车辆引发致人死亡交通事故


凤凰网科技讯 据《福布斯》网站北京时间3月20日报道,美国当地时间本周日傍晚,一辆由Uber运营的自动驾驶汽车在亚利桑那州坦佩(Tempe)撞倒了一名女性并致其死亡。Uber周一表示,公司暂停了自动驾驶汽车测试活动。


这起由Uber自动驾驶汽车引发的致人死亡交通事故,势必在法庭上会引起轩然大波,同时也可能会影响到公众对自动驾驶技术的看法。因为当前法律界在自动驾驶肇事上几乎根本没有判例可循,自动驾驶对于消费者来说仍然太陌生,而且即使是联邦监管机构,对自动驾驶领域内的相关问题还没有给予充分解决。


暂停测试


根据坦佩警方称,今年49岁的伊莱恩·赫茨伯格(Elaine Herzberg)周日晚间正在人行道上骑自行车时,被一辆型号为沃尔沃XC90的Uber自动驾驶测试汽车撞倒并致其死亡。警方还称,事故发生时,该测试车辆处于“自动驾驶”模式下,而且有“安全驾驶员”监控。


事后Uber发表声明,称该公司已暂停在坦佩、旧金山、多伦多和匹兹堡等地展开自动驾驶汽车测试。“我们对受害者的家属深表同情。我们正在全力配合当地警方对这起事件展开调查。”Uber公司的女发言人莎拉·阿伯德(Sarah Abboud)表示。 虽然沃尔沃公司为自动驾驶提供了基础车辆,但Uber对此车辆进行了工程和软件改装。两家公司都将针对测试车辆上的车载电脑事故数据进行分析,美国运输部也将提取相关数据进行分析。


事实上,除了像苹果和谷歌等科技公司外,几乎每家汽车公司也都在测试自家的自动驾驶技术。在它们看来,这项技术将在2025年足够成熟并将得到广泛推广应用。而且人们普遍认为,待自动驾驶技术普及后交通事故会减少,因为在紧急情况下自动驾驶会比人类的反应更快些。


在自动驾驶技术领域,目前Uber不仅在测试自动驾驶小汽车和SUV,而且还在测试基于自动驾驶技术的大卡车。自去年以来,Uber卡车一直在亚利桑那州高速公路上运送货物。尽管目前Uber自动驾驶卡车的方向盘后,仍坐有一名普通持证司机与之合作,但该公司表示,Uber的最终目标是“消除”出租车内的司机。在该公司最近发布的一段视频中,Uber对外展示了其无人驾驶卡车运输计划。


提供参考


这起发生在亚利桑那州坦佩的交通事故,可能会催生出首批适用于自动驾驶车辆交通肇事相关赔偿的判例法案,为今后法院判案提供参考。律师们表示,对于法院来说,这将是一种挑战。“在新兴技术和以公共安全至高无上的知识产权两个领域,两者并没有很好地相互呼应,”位于底特律的Kerr Russell律师事务所合伙人马克斯·斯尼德(Max Sneyd)表示,其负责该公司知识产权业务。


发生在亚利桑那州坦佩的交通事故,是第一起自动驾驶车辆致道路行人死亡事故,但并非首例自动驾驶车辆致人死亡事故。2016年,俄亥俄州一名40岁的男子在一辆开启自动驾驶功能的特斯拉汽车中丧生。联邦调查人员排除了特斯拉车辆存在缺陷,如果车辆存在缺陷的话,可能将导致了特斯拉Model S的召回。但监管机构确实表示,过度依赖自动驾驶功能导致了当时这起致命车祸。


针对车辆自动驾驶技术,业界和消费市场莫衷一是,仁者见仁,智者见智。有汽车批评人士和消费者抱怨说,一些自动驾驶过程中的预警,比如车道保持提醒等,在驾驶过程中会频繁提示,这些功能太过干扰;而另有人称赞说,这些技术太贴心了,比如对于年龄较大的司机来说,在他们的反应能力和视力下降后,仍然可以在驾驶位上保持移动。


值得信赖


投资和商业咨询公司AlixPartners最近公布的一项调查结果显示,近30%的消费者认为自己“打算使用自动驾驶汽车”,而那些拥有一些新技术经验的人当中,49%的人表示,他们对“自动驾驶技术”有过积极的正面体验。


但是消费者也在思忖着,到底谁才是他们“最值得信赖”的自动驾驶技术开发商。根据AlixPartners的调查表明,50%的受访者表示,他们在该领域内“最值得信赖”的厂商仍旧是一些科技公司(比如谷歌和苹果);此外,有14%的受访者认为汽车公司“最值得信赖”,而只有1%的受访者表示,他们“最值得信赖”的自动驾驶技术厂商为Uber和Lyft等打车公司。

来源:凤凰网科技   作者:于雷


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值