8月10日的一起交通事故，讓自動駕駛又成了爭議的焦點。

一輛小鵬P7在高架路上，追尾撞上了一輛停靠在路上的故障車，站在前車車尾的人被撞飛身亡。

網傳小鵬車主的聊天記錄稱，他當時开啓了駕駛輔助系統，但車輛在撞擊前沒有發出任何警告，也沒有做出剎車動作——車輛沒有識別出前方路況。

小鵬方面回應媒體稱，交警部門已經立案處理，小鵬將全力配合相關部門進行事故調查，並協助客戶處理後續相關事宜。小鵬沒有回應車禍時車主是否开啓了輔助駕駛功能。

又一次血的教訓，引發了人們對自動駕駛安全性的擔憂。

在半年前，小鵬汽車剛發生過一起類似事故。一位湖南岳陽的小鵬P7車主，在开啓輔助駕駛功能的狀態下，撞上一輛前方橫停的側翻車輛，幸好沒有造成人員傷亡。

再往前推，一年前，蔚來ES8一位車主，在沈海高速涵江段开車撞上一輛公路養護車，不幸逝世。根據當時的報道，知情人士稱，他啓動了輔助駕駛功能，但車輛未能識別車道內前方的樁桶和養護車。

故障車、側翻車、養護車，是這三起事故爆發的導火线，它們都是靜止物體。

對靜止物體的識別，直到今天依然是自動駕駛的一大難題。這個難題在過去已經造成了多起車禍，類似的事故在未來或許還會繼續出現。

自動駕駛爲什么就是識別不了靜止物體？對於這項新技術，還值得車主們繼續信任嗎？

誰釀成了這場車禍？

小鵬P7的這起事故，目前警方還沒有給出定論，但結合公开的路面視頻和相關資料，我們嘗試大致還原事件經過。

事故中涉及到三方——小鵬P7車主、小鵬的輔助駕駛系統、故障車。事故的發生，是因爲前車發生故障，停在了高架橋路段最左側的快車道上，在車道上正常行駛的小鵬P7，沒有剎車或避讓，發生了追尾。

問題是，小鵬P7爲什么沒有發現前面的故障車？

網傳小鵬P7車主的說法是，他开了輔助駕駛系統，系統沒識別，正巧當時自己還分神了。

在高架橋路段，車道上突然出現一個靜止物體，這是自動駕駛中最容易出事故的場景。而本次事故的場景比正常情況還要更復雜一些。

首先，前車是停在高架橋最左側的快車道上，車道上的車輛車速非常快，後車要避讓的話只能向右側車道變道；其次也是更關鍵的，前車停下後，車主下車打开了後備箱，後來又關上後備箱站在車尾。

有分析認爲，前車車尾站人的狀態，可能導致車輛無法識別。因爲小鵬P7要識別遠方前車，主要靠傳感器識別前車尾蓋和尾燈特徵。

不過在這起事故裏，小鵬P7不僅沒有識別出前方車輛，也沒有識別出車輛後的人。

攝像頭和毫米波雷達，是輔助駕駛系統中最重要的兩個傳感器。2020年初推出的小鵬P7，XPILOT 2.5系統搭載了5個攝像頭、3個毫米波雷達，XPILOT 3.0系統升級成14個攝像頭、5個毫米波雷達。

攝像頭跟人眼一樣，看到的是圖像，毫米波雷達看到的是波段，利用多普勒現象來感知物體的相對速度和角度。小鵬P7通過安裝在前風擋玻璃上的攝像頭探測車道线，車輛前向毫米波雷達探測前車距離和障礙物。

按照網傳小鵬P7事故車主的說法，他那輛車是XPILOT 2.5系統。一位汽車行業人士對深途分析，XPILOT 2.5的輔助駕駛配置，攝像頭可以識別目標類型，但是對於行人的識別一般超過60公裏/時的車速就都很難了；毫米波雷達會過濾掉靜止目標，一般只有毫米波雷達和攝像頭同時認爲在同一點有靜止目標，才會具備較高的置信度用於規控。

如果按網傳聊天記錄，車主當時設定的車速是80km/h，則已經超過了車輛感知系統對行人的識別範圍。

軟件工程師“數據裏奧斯”對深途說：“小鵬P7前車的狀態，對於輔助駕駛系統而言肯定是更大的幹擾。而且跟車速也有關系，車速越快計算反應越慢。”

自動駕駛業內人士劉菲鴻對深途分析，“從事故視頻來看，那個場景對於輔助駕駛的感知任務來說是一個corner case，也就是目前落地的感知技術難以解決的場景。”

靜態物體，爲何成了高速路“天坑”？

爲什么高速路上的一個靜止物體，會成爲感知系統的corner case？識別出靜止物，究竟難在哪？

數據裏奧斯認爲，車輛行駛時，系統並不是不能識別靜止的物體，而是不能准確地將對本車行駛有影響和幹擾的靜止物體篩選出來。“其實都可以識別出來，但是沒辦法判斷到底要不要避讓，因爲道路上的這些靜止物體不好標記，標記出來又很容易被誤判。”

這可以理解爲：寧可不識別，也不能經常誤剎車。“比起經常幽靈剎車，識別不出來更容易寬容。”他說。

這裏涉及到的感知設備，就是我們在上文提到的攝像頭和毫米波雷達。攝像頭需要用機器學習來訓練識別物體，毫米波雷達靠電磁波的反射情況來識別測距。

但這兩個傳感器都有自己的局限。對於攝像頭而言，靜態物體類別多，形態千差萬別，需要大量的樣本訓練，而側翻的卡車、打开後備箱的車尾、停在路邊的養護車，都不是常見的樣本，在訓練不夠的情況下就容易識別不了。

比如著名的“白色卡車”，特斯拉曾多次與白色卡車相撞，因爲特斯拉的輔助駕駛系統沒有識別出卡車車身，而是錯將其識別爲天空，最終導致誤判。

特斯拉撞上白色卡車 來源 / 網絡

毫米波雷達的局限性也很明顯。車道上停放的汽車、金屬標牌，以及一些非標的靜止障礙物，都會因爲雷達的分辨率、回波等問題導致識別失誤。

汽車的感知系統扮演的是人眼的角色，人眼有一個特點，就是對運動物體很敏感，毫米波雷達跟人眼一樣具備這個特點，但對靜止物體比較容易“忽視”。

“這是毫米波雷達的核心技術弱點。”和高資本高級投資經理陳子穎對深途說，在她看來，毫米波雷達的角分辨率低，是行業一直想要突破的技術難點，雷達信號的分辨率會直接影響成像精度，看得清楚和看不清楚有很大的差別。

“一般來說天线越多，波束角越窄，雷達性能越強，而增加天线的方式通常是MIMO（大規模陣列）方案和多芯片級聯的方案，但前者存在信號幹擾的問題，後者存在級聯數量有限的問題，所以角分辨率始終難以突破到1以下。”她說。

來源 / 視覺中國

在技術沒有突破的情況下，對靜態物體的識別，會一直是輔助駕駛的一大痛點。

理想汽車CEO李想曾說：“目前攝像頭+毫米波雷達的組合像青蛙的眼睛，對於動態物體判斷還好，對於非標准的靜態物體幾乎無能。視覺在這個層面的進展幾乎停滯，哪怕是動態，車輛以外的識別率也低於80%。”

李想說這段話的時間是2019年，當時特斯拉Model 3直接撞上一輛正在作業的道路清掃車，車主不幸身亡。如今三年時間過去了，情況似乎也並沒有太大改觀。

技術上該如何解決？

高速路上的靜止物體，就像是自動駕駛路上的一只攔路虎，時不時跳出來嚇人。這個問題該如何解決？

劉菲鴻對深途說，問題可能不在靜止上，而是在這些較爲罕見的、低頻出現的場景，比如高速路上有側翻卡車，這種場景的出現的頻率太低了。在目前的技術框架下，瓶頸還是在罕見場景的數據量上，而不在於傳感器。

他認爲，目前的感知是基於數據驅動的，比如讓系統識別貓和狗，貓的圖片有20個，狗的圖片有2000個，那么系統對狗的識別就會好於貓的識別。所以一個場景“稀缺”，那么就是一個corner case。

特斯拉數據標注示例圖

不過目前的技術瓶頸在於，“雖然單個稀缺的場景數據量是少的，但稀缺的場景類別數卻並不少。尷尬的地方之一就在這裏。”

按照這個邏輯，要讓自動駕駛系統持續進化，就需要源源不斷“投喂”大量的數據，覆蓋盡可能多的稀缺場景，讓系統在學習中增強識別能力。

這其實是特斯拉當前的方案。特斯拉一直堅持神經網絡和機器學習，在算法上發力，而不是像國內的造車新勢力那樣堆料，增加傳感器數量。特斯拉Model 3和Model Y的傳感器配置，在相同價位車型中，屬於偏低水平，但算法彌補了傳感器的不足。

馬斯克認爲，靠純視覺方案，在數據足夠的情況下，特斯拉也可以變得跟人一樣駕駛車輛，包括識別靜止物體。

“這裏面的策略是關鍵，因此特斯拉通過每一輛車做視覺數據採集，不斷優化算法模型，會覆蓋大部分場景，但還是存在無可預估的風險。” 國內一家計算機視覺上市公司的內部人士對深途說。

風險的確是存在的，直到現在，特斯拉在靜態物體的識別上也沒有太大改進。

陳子穎認爲，多傳感器融合是更安全的方案，因爲物理層的局限很難完全突破，一旦遇到新的corner case冒出來，就又是人命關天的大事。特斯拉現在採取這樣的方案，還是更多基於傳感器的成熟度和成本角度考慮。“他們永遠只用最成熟的方案，未來隨着技術成熟和成本降低，我相信特斯拉也不會非要堅守視覺這條路徑。”

“先解決物理上的局限再談數據的局限比較可行，就像要求盲人都能靠順風耳來識路，這個難度豈不是更大。”她說。

國內車企更多走了另一條路——提升傳感器數量和性能，比如研發4D毫米波雷達，推動激光雷達量產上車。

當年的特斯拉白色貨車事故，車上用的就是傳統缺乏高度信息的毫米波雷達，所以置信度低，遠距離只能依賴圖像傳感器，最終難以擺脫物理層的局限性造成車禍。

隨着4D毫米波分辨率提高，置信度上升，識別前方有高度2米的車廂後，這個信息會立刻反饋到決策系統提前做出剎車預判，整個安全性會高很多。

激光雷達則提供了另一種可能。國內的造車新勢力在今年推出的新車型中，大部分都加入了激光雷達，比如蔚來ES7、理想L9、小鵬G9等。

“未來傳統毫米波雷達的缺陷會慢慢被4D毫米波補上，但是論精度，4D毫米波雷達始終不及激光雷達，所以毫米波雷達和激光雷達最終還是會以互相冗余補充的方式並存。”陳子穎對深途分析。

總體而言，要繞過靜態物體這個“致命殺手”，輔助駕駛還有很長的路要走。

輔助駕駛還值得信任嗎？

每一次輔助駕駛事故，都給行業敲響了警鐘。但造成嚴重後果，不完全是系統的原因，車主也難逃其咎。

在網傳聊天記錄中，小鵬P7事故中的車主說自己當時“分神了”，這是很致命的一個錯誤。

網傳小鵬P7車主聊天記錄

輔助駕駛不是自動駕駛，再怎么強調都不爲過。這項功能現在還不能解放司機的雙手，起到的只是“輔助”作用。車還得司機自己來开，遇到緊急情況要接管，出了事故司機要擔責。

去年的蔚來車禍之後，新造車行業冷靜了許多，過去那些浮誇、不負責任的宣傳變少了，風險提示加強了。

比如新用戶要开啓小鵬的輔助駕駛系統，必須經過考試，在考題中就有提到，如果遇到低速或靜止的清掃車、橫停的事故車，系統有可能無法識別，應立即接管車輛。特斯拉、蔚來等車企也在用戶手冊中提醒，車輛前方的靜止車輛或障礙物，系統可能無法識別和剎停。

但這些考試或提示，究竟對車主起到了多大的警示作用，很難評估。

在網上，經常會有一些車輛开着輔助駕駛高速飛馳的視頻，車主拿着手機在發消息或玩遊戲，還有人甚至坐在後排，完全讓車自己开。這些人或許是出於炫耀，亦或是出於獵奇，但暴露的是僥幸心理。

這種僥幸心理的形成，建立在日常使用中建立的信任之上。或許車主在平時开啓輔助駕駛功能時，系統都有優異表現，甚至超出車主預期，但這並不代表系統就具備了應對所有極端場景的能力。而那些罕見的corner case，往往是在不經意間出現的，而且致命。

“人工智能可以識別80%、90%，哪怕是99.999%，但達不到100%。但往往出事就是那0.00X%的不能識別造成的。這是AI的局限性。”一家自動駕駛公司內部人士對深途說。

深途接觸過多位Robotaxi安全員，他們坐在號稱具備L4級無人駕駛能力的Robotaxi上，讓車輛在測試運營路段自動駕駛，但隨時做好接管准備。多位安全員表示，這個過程比自己开車還要累，因爲需要注意力高度集中。“方向盤不在你手裏，你不知道什么時候就突然要接管，絲毫大意不得。”

羅馬不是一天建成的，自動駕駛要真正大規模應用，無論是在技術還是法規上，都還有很多要突破的障礙。對於車主而言，這需要時間、耐心，更需要風險意識。

無論車企再怎么宣傳，車主都需要時刻牢記，現在的自動駕駛都是L2向L3無限逼近的階段，還不能完全依賴傳感器去做決策。

陳子穎認爲，人作爲主要駕駛責任人這個前提一定要明確，“否則就是拿自己或他人的生命當自動駕駛發展中的墊腳石，代價真的太大了。”（來源：深途）

本文作者可以追加內容哦 !