近日，在一場全球智能汽車前沿峰會上，如何解決自動駕駛安全問題成為了與會專家學者及企業代表共同關注焦點。事實上，雖然用戶已享受到部分自動駕駛技術所帶來的便利，但現實生活中因自動駕駛安全問題帶來的討論一直未曾停歇。特斯拉在全球范圍內發生的一系列事故就是很好的案例。其中，近期一輛開啟Autopilot自動輔助駕駛系統特斯拉Model3追尾一輛靜止拖車的事故引發了外界高度關注。讓外界感到疑惑的是：面對道路前方這么大的障礙物Autopilot自動輔助駕駛系統為何“看不見“？
■沒有機器識別訓練汽車只會驚慌失措
在普通人認知里，靜止的大型障礙物是個非常易于識別的物體，為什么特斯拉Autopilot系統會無法識別？難道這些傳感器都是形同虛設嗎？
對此，理想汽車CEO李想在微博上發表觀點表示：“目前攝像頭+毫米波雷達的組合像青蛙的眼睛，對于動態物體判斷還好，對于非標準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于80%，千萬別真當自動駕駛來使用。”
既然如此，那自動駕駛識別靜物難點究竟在哪里？對車身搭載的攝像頭、雷達這些傳感器又有著怎樣的要求？對此，汽車之家獨家采訪了法雷奧中國首席技術官顧劍民和大陸集團高級駕駛員輔助系統中國區負責人唐海宜這兩位專家，從感知層面，即傳感器這一角度來解析這些問題。
首先大致說一下什么是“感知”。在自動駕駛的整套方案（包括感知層、決策層和執行層）中，最熱鬧的版塊莫過于感知決策層，這是人工智能大展拳腳的領域。感知是自動駕駛系統收集外部環境信息并從中認知的能力，相當于駕駛員對駕駛環境的觀察。
現階段，自動駕駛的感知層通過多種傳感器來實現。主要有激光雷達、攝像頭、毫米波雷達和超聲波傳感器。各種傳感器的特性不同，各有優劣勢，面對復雜的行車環境，單一傳感器的數據滿足不了各種環境下的感知環境需求。
對于傳感器識別靜態物體的難點，顧劍民認為，“對攝像頭來說，需要用機器學習來訓練識別物體。但靜態物體類別多，形態也千差萬別，沒經過樣本訓練識別不了。撞消防車車尾或奇特形狀隔離墩欄桿等事故的，應該就是沒有這個樣本訓練所導致的。此外，前置攝像頭在識別物體時也對天氣和照明條件敏感；對于快速移動的汽車，前置攝像頭通常最終會捕捉到模糊或扭曲的物體圖像?！?/p>
特斯拉為什么識別不了障礙物
“而對毫米波雷達來說，主要是受目標對電磁波反射敏感度影響，有些橡膠類靜態物反射不好，識別會困難。此外，雷達幾乎無法區分龍門架、道路側面的金屬標牌或道路上停放的靜止汽車，因為雷達的空間分辨率很差，在算法上只能通常忽略相對于路面不移動的雷達回波。否則，每次經過路標等靜物時，汽車都會驚慌失措?！鳖檮γ裱a充道。
唐海宜在接受汽車之家采訪時也表達了類似的看法。在他看來，實際交通環境中的靜物分布和種類比較復雜，單純的一種傳感器很難達到高的識別效果。比如雷達的優勢在于測速，測距，對于尺寸較小，反射不強的靜物沒有優勢。攝像頭的優勢在于可獲取的環境信息豐富，可以利用機器學習做到目標分類，但測速和測距上不如雷達。
唐海宜進一步解釋稱，把雷達與攝像頭二者結合可以相對實現一些標準靜態障礙物的識別。但即使這樣，車道內出現非標準物，或者是較小尺寸靜態障礙物（10-20CM）仍然是個難題，因為此時雷達基本無效，即使機器學習也不能識別沒有訓練過的障礙物，且要實現地面小尺寸靜態障礙物的檢測，對攝像頭的探測距離，精度和視角都有比較高的要求。
■被馬斯克鄙視的激光雷達大有潛力
既然如此，目前就沒有一個更好的解決辦法嗎？大陸和法雷奧在自動駕駛汽車識別靜態物體領域又有哪些解決方案？
顧劍民表示：“法雷奧的ScaLa激光掃描儀（激光雷達）可解決大部分這樣的問題，能很好地探測靜止或移動的物體，無論白天或黑夜?！?/p>
事實上，法雷奧ScaLa第一代早在2017年11月在奧迪全新A8上實現了量產。據顧劍民透露，ScaLa第二代計劃在2020年初量產。法雷奧的低速自動泊車，則是用攝像頭計算機視覺三維目標探測，融合其它傳感器如超聲波或毫米波雷達等來解決，在自動泊車已有量產車型了。
談及激光雷達，業界一定會想起馬斯克曾在今年4月公開diss激光雷達。當時，他曾直言“傻子才用激光雷達，現在誰用激光雷達誰完蛋”。此言一舉造成了激光雷達與攝像頭的技術分歧。
對此，一位行業分析師表示：“一旦你將這些理論技術用于現實，有很多未知數無法避免。理論上或許可以僅憑攝像頭來采集數據，但若要百分百相信系統的判斷是正確的，最好是能融合其它傳感來輔助，例如激光雷達。”
客觀地來看，馬斯克追求未來特斯拉以攝像頭+毫米波雷達+AI芯片組成自動駕駛系統方案也有自己的考量。汽車之家早前采訪Velodyne這家激光雷達企業時，相關負責人告訴汽車之家編輯，其能夠理解特斯拉的立場，即將“自動駕駛”作為主要賣點的量產車公司，特斯拉需要考慮的成本因素很多。
然而，自動駕駛關乎車輛安全與生命安全，要能檢測到各種靜態物體，就需要建立并不斷維護一個龐大的樣本特征數據庫，保證這個數據庫包含待識別目標的全部特征數據。顯然從目前來看難度頗高，還無法做到。而對于激光雷達，它不依賴環境光，可直接探測、三維成像，識別靜物更加精確可靠。雖然其目前成本頗高，但隨著市場化價格在將來也會逐步下降。將激光雷達與雷達、攝像頭融合，能較好地識別出特斯拉所“看不到”的障礙物，提高行車安全性。
如果想得更遠一些，消費者也許會再問，那一輛車上多安裝一些激光雷達、毫米波雷達和攝像頭不就能實現無人駕駛了嗎？
很遺憾，答案也是不行！因為傳感器代替不了大腦，感知代替不了認知。我們應該認識到，沒有任何一種傳感器能保證在任何情況下都提供完全可靠的信息。很簡單的一個道理，如果一個小孩告訴你他有超能力，能夠精確感應到200米內的一切東西，你會覺得他是“老司機”嗎？不是！這小孩連車都沒開過，那超能力除了讓他看得特別清楚以外，不能教會他如何開車。
■自動輔助駕駛≠自動駕駛不要拿生命開玩笑
在自動駕駛技術還不那么完美時，人與自動駕駛汽車的交互非常重要，既要敏捷，也要全面。駕駛員需要加強理論素養，理論素養到位，才不至于因為盲目迷信自動駕駛功能而導致事故的發生。
特斯拉車主在駕駛過程中睡著這一幕讓人看到感到揪心。盡管特斯拉一再重申要求駕駛員始終將手放在轉向盤上，準備隨時接管車輛，但仍有車主要反其道而行之，殊不知如果前方出現障礙物，你的愛車是“看不見”的。
駕駛員需要明確的是，L2級駕駛輔助系統，駕駛員需要保持注意力對環境進行監視，車輛由駕駛員與系統配合控制；L3級自動駕駛汽車在遇到無法應對的情況時需要駕駛員接管車輛；只有L4級和L5級自動駕駛汽車駕駛員才能解放雙手。不過，基于現有技術以及法律法規條件，目前L4及以上級別距離量產仍然有著較遠的距離。
所以，駕駛員在接觸自動駕駛汽車輔助系統的初期，如果對“自動駕駛”的理解不充分，很容易出現一些狀況。事實上，搭配自動駕駛輔助系統的車輛一般會以多種形式向駕駛員展示相關重要信息，如開啟方式、接管方式、預警方式和含義等。這些操作規范類的信息傳遞將使駕駛員快速、直觀地了解“自動駕駛”。
直白地說，你可以把目前擁有自動駕駛輔助系統的車輛當成一個小學生在做作業，在較難的題目還是需要老師在旁邊幫助解答。
最后給用戶一些友情建議：基于現有技術及法律法規要求，在啟用輔助駕駛時，雙手不要離開轉向盤，做好隨時接管車輛的準備。一定要注意在路面的情況，強光、逆光行駛注意控制轉向盤和車速，高速行駛進行車道保持功能要控制與前車間距，腳要放在制動踏板上，保持合理車距，要從一大堆事故案例中吸取教訓。
編者總結：
目前全球范圍內的自動駕駛水平尚處于L3向L4級突破的階段，當前所有車輛上搭載的自動駕駛功能都只能起到輔助的作用。面對一個新的技術，新的應用，用戶的理解與生產方、技術方的理解可能不在一個層面，用戶的理解往往容易劍走偏鋒。因此，廠商更應該小心謹慎，對用戶的安全負責。與此同時，對于自動駕駛，消費者既要有感性的熱情，也要有理性的思考，這才是我們應該提倡的心態。