台湾成人av,欧美亚洲专区,亚洲精品.com,亚洲v国产v

[汽車之家 行業] 自動駕駛最近幾年有多火熱？百度董事長李彥宏曾說“到2030年，沒有自動駕駛能力的電動車，將完全沒有競爭力。”在汽車電動化快速發展的同時，自動駕駛已經成為了很多汽車品牌的宣傳賣點。不過，汽車智能化發展并沒有如想象中的那么順利，最近幾年，已有多起與自動駕駛相關的事故發生。

前不久，浙江寧波高速公路發生一起事故，一位小鵬汽車車主采用智能駕駛輔助，沒有人工介入，撞了停在路邊的一輛施工車輛，造成人員傷亡。雖然車主承認自己開車走神了，而且品牌方也多次強調：開啟L2輔助駕駛系統依然需要駕駛員集中注意力，但這件事還是引起了不少的討論熱度。

類似的事情并不少見，去年一位蔚來車主在高速上撞上了同樣的靜止施工車輛。據媒體報道，特斯拉也多次在路上撞上靜止的汽車。

這類事情之所以能引起廣泛的討論，主要原因在于對于人類駕駛員來說非常簡單的場景，對于“自動駕駛”來說并非如此。這不禁讓人產生疑問：前面停著如此大且明顯的的障礙物，為什么這些號稱“智能駕駛”的汽車連這些基本的場景都判斷不了？

即使廠家一再聲明，目前市面上的車還處于L2輔助駕駛階段，離真正的“自動駕駛”還很遠。但是坐擁幾百TOPS算力芯片，高清攝像頭，毫米波雷達，超聲波雷達等號稱“高科技”的智能電動車，它的能力邊界到底在哪兒？消費者應該對當下的“自動駕駛”技術抱有什么樣的期待？

毫米波雷達能力有限

無論是特斯拉還是國內眾多新勢力，目前的L2駕駛輔助系統方案都是攝像頭加毫米波雷達的組合。

比如特斯拉采用的就是1個毫米波雷達，12個超聲波雷達和8個攝像頭組成的感知系統；蔚來ES8搭載了一個前向3目攝像頭，5個毫米波雷達，12個超聲波雷達；而小鵬P7搭載的是1個高感知攝像頭，3個毫米波雷達，以及2個超聲波雷達。

可見國內外，對于目前的L2系統都是以攝像頭加毫米波雷達為主的傳感器方案，來對周圍的環境進行感知。

『毫米波雷達分類』

毫米波雷達的原理很簡單，就是把毫米波發送出去，然后毫米波碰到障礙物會反射回來，根據反射回來后接收到的回波，我們可以得到一個時間差，有了時間差我們就能知道此時汽車距離障礙物的相對距離，這就是多普勒原理。

現在L2系統上幾乎都用上毫米波雷達，主要原因就是它抗干擾能力強，受天氣影響小，是全天候工作的傳感器。

看上去毫米波雷達是一個很好用的傳感器。理論上，它能夠穿透煙霧，也不受天氣影響，那前面有障礙物，不管是靜止的還是運動的，應該都能識別到。然而現實情況是，在此前發生的交通事故中，特斯拉遇到橫在路面的大貨車，蔚來遇到大型工程車，以及小鵬遇到停在馬路邊的小轎車，都沒能識別到。難道是毫米波雷達徒有其名嗎？

事實上，毫米波雷達靠向前發射雷達波工作。但是目前的毫米波雷達仰角測量能力很弱，這就導致了毫米波雷達無法識別高度。一般情況下，雷達波遇到正前方的障礙物時能反射波回來，但是雷達波遇到旁邊的橋梁，路牌，路面，減速帶等也能反射回來，這就造成了真實的路障和虛假的路障傻傻分不清楚。尤其是在較遠距離的探測時，多徑反射、無法識別高度的目標會產生很多雜波，致使系統出現誤判。

『特斯拉自動駕駛系統識別交通信號』

因此，當前方出現靜止物體的時候，即便毫米波雷達能夠識別到真正的障礙物，也不能區分出它是路面、路牌還是停著的汽車。因為在毫米波雷達眼里，這些都是一樣的東西。如果是在高速公路上，毫米波雷達出現誤判就會引起車緊急剎車。為了避免這種情況，車速達到一定值之后，毫米波雷達識別靜止物體的權重會變低。這時候，依靠毫米波雷達作為單一傳感器進行感知就明顯不夠用了，還需要攝像頭。

攝像頭和視覺識別也會“犯迷糊”

在智能駕駛中，用攝像頭的初衷就跟人眼一樣：既然人類駕駛員能夠用人眼看到的一切來進行駕駛行為，那么汽車依靠攝像頭加算法也可以，這一點馬斯克深有感觸。

在智能電動車上，攝像頭代替人眼來進行測量和判斷，將目標的光線信號轉化成圖像信號，傳送給專門的圖像識別處理器，根據圖像的像素分布，亮度和顏色等信息，以抽取目標的特征，最終獲得相應的識別信息。

『特斯拉Model3撞上側翻的貨車』

通俗來講就是：攝像頭的工作原理跟人眼一樣，首先要看到前方的物體，然后在腦子里搜索，以前有沒有見過這個物體，如果找到匹配的，那就能夠認出這是什么；如果沒見過，那就不認識直接忽略掉。

比如說，車載攝像頭看到一個錐形桶，會先在數據庫里比對類似的物體。然后攝像頭以后每次看到這種顏色，形狀，大小差不多的物體之后，就會標注為錐形桶。因此攝像頭需要進行海量的數據訓練，以認識更多的而物體。

對于攝像頭來說，首先要看到，其次要認識。而在寧波的那場事故中，從視頻里看天氣良好，光照很足視野開闊，攝像頭應該已經看到了前方的車輛。但是由于當時汽車車尾放了一個錐形桶，錐形桶前方又站了一個人，這三者出現了重疊。這三件靜止的事物，按理說攝像頭都能識別。但如果三者重疊合一，算法就沒見過這種物體了，攝像頭也沒有經過訓練和標注，也識別不出來。

類似的例子還有很多，在一個L2輔助駕駛系統中，如果前方出現了不規則的物體，或者沒有被標注過的物體，攝像頭就會選擇直接忽略掉。

因此，對于攝像頭的能力可以概括為：你教過它的，它就認識；沒教過，它就不認識。

一個讓人不愿意承認的事實是，毫米波雷達識別靜止物體時不好用，而攝像頭只能識別他認識的物體，現在的輔助駕駛系統只能應付一些比較簡單的路況，稍微復雜一些便無能為力。現實世界太復雜，人類善于處理復雜場景觸類旁通，但是機器不能。

現實世界的復雜性超出想象

盡管國內宣傳了很久的智能電動車，或者自動駕駛汽車，但是目前市場上沒有L3級別的自動駕駛車型出現，而那些聲稱達到L3、L4級別的，也遠沒有達到量產水平。因為對于一款自動駕駛汽車來說，即使你能夠應對馬路上95%以上的路況，但是還有5%的可能性會出事故。這對一個交通工具來說，是不能接受的。

現實世界的復雜性在于特殊情況太多了，比如高速上一般都是運動的汽車，而冷不丁總有故障車輛停在高速上，人類能輕而易舉識別他們，但是目前的L2系統卻很難。

『去年一蔚來車主因開啟“自動駕駛”功能出事故』

人工智能不擅于應對的那些5%的特殊情況，我們稱之為邊緣場景（corner case）。舉個例子，現階段的攝像頭能夠很容易識別到前方運動的汽車，但是如果一把椅子突然從前方車上掉下來，攝像頭就無能為力了。因為攝像頭沒遇到過這種情況，它不知道怎么應對，只能直沖沖撞上去。

類似的場景還有很多，比如面對空中飛來的一個大氣球，自動駕駛是一個急剎還是直接開過去？我們的自動駕駛系統能夠識別站立的人，那如果遇到橫躺馬路上的人，又是否能夠識別？

這種邊緣場景實在太多了，現實路況的多樣性和復雜性，讓現在的自動駕駛輔助系統屢出事故。而對于我們普通消費者來說，要對技術的發展保持清醒的認知，因為目前的量產自動駕駛技術還遠沒有能夠達到讓人開車走神的地步，最靠譜的司機依然是掌握方向盤的人類。