為什么“自動駕駛”看不見停著的車？
play
歡迎關注“新浪科技”的微信訂閱號：techsina
文/Hooknows
來源：十一車
終于，所謂的“自動駕駛”問題引起了所有人的重視，盡管代價是（又）一條生命。
如今廣泛應用的所謂“自動駕駛”，實際上無一例外皆屬于（SAE自動駕駛分級下的）Level 2級別，而Level 2級系統完完全全不能對行車安全做任何程度的擔保——這本應讓每一個汽車消費者作為常識的常識，卻在從車企到消費者整體的浮躁和默許之下，直到最近一位蔚來車主不幸喪命才終于獲得了“傳播正確”。
很難說這不是我們所有人的悲哀。
關于此次事故的具體原因，目前警方還在調查中，我們且不發表什么評論。但有個細節可能很多人都不知道，在蔚來ES8的車主手冊中，有一條清晰明確的警告：“如前車靜止或緩行，Pilot存在無法剎停的風險。”
無獨有偶的是，幾乎同一時間，美國國家公路交通安全管理局（NHTSA）宣布，由于發生多起特斯拉汽車與停放的緊急車輛相撞的事故，該局已經開始對特斯拉的Autopilot自動輔助駕駛系統展開正式調查，涉及2014年以來的76.5萬輛特斯拉汽車，調查中確定的事故已造成了1人死亡、17人受傷。
這或許是一個機會，一個讓大家從自動駕駛大躍進中平靜下來，好好理一理所謂的“自動駕駛”——高級駕駛輔助系統一些基本原理的機會。放在以前，認真解釋“自動駕駛”為什么會撞上靜止車輛，大概只會被打成反智能化而行的保守頑固分子。
多普勒的靜止陷阱
靜止不動的目標，為什么反而是駕駛輔助系統的弱點？這其實是一個很基礎很基礎的話題，并不涉及任何自動駕駛（這里指真的自動駕駛）高階知識。
自動駕駛的最初階段和幼年形態，是ACC自適應巡航系統。而ACC誕生之初，借助的就是車載毫米波雷達，這個配置在今天應該不稀罕了。雷達大家都知道：天線發射出無線電波，碰到障礙物就會反彈回來，依照光速計算一下時間差，你就得到了障礙物的距離。
但要用在汽車上，用于自動駕駛或駕駛輔助系統，我們不止要知道前方有沒有車輛/障礙物，要知道前方車輛的距離，還得知道前方車輛的速度。同樣100米處，一輛靜止的車與一輛和我們同速同向的車，意義顯然截然不同。
普通的雷達，要想知道物體的速度，要靠發射兩次回波再接受兩次回波，用物體兩次時間移動的距離估算速度。比如上一秒雷達測得物體離我們1米，這一秒雷達測得物體離我們1.05米，于是我們只能估計它的速度是：秒速五厘米。
《灰獵犬號》中的早期雷達，只有方位和距離坐標這顯然很不精確，也必然會有滯后，速度并不是實時得到的。用于航海之類的大場景通常足夠，但對于汽車自動駕駛而言就太粗糙了，用今天的互聯網黑話講可以叫“顆粒度不夠”。
直到20世紀的人們想起了18世紀著名大閑人多普勒先生的發現，多普勒效應。這個多普勒效應你可以這么理解：接近我們的物體和遠離我們的物體，反射回來的電磁波波長和頻率，和與我們相對靜止的物體比起來會有所變化。
測得變化方向和變化的值，我們就能得到物體接近/遠離我們的相對速度。因為我們自己的速度通常很容易得到，簡單計算即可得到對面物體運動的絕對速度。
兩張圖解釋多普勒效應，截取自B站up主@tifafan重要的是，通過多普勒原理測得速度可以認為是實時的，不像以往那樣要測兩次然后距離除以時間才得到，更精確且沒有延遲。對于汽車自動駕駛和駕駛輔助系統而言，實時速度感知這個特點再適合不過了。今天我們熟悉的車載毫米波雷達，就是利用多普勒原理獲取路上車輛的速度信息（當然也有方位和距離信息）。
但多普勒雷達也有自己的問題。
其實不光是路上行駛著的車輛有回波，靜止不動的欄桿路牌大樹路燈電線桿等等也都有回波。多普勒雷達之所以能“認出”行駛的車輛，是因為它將靜止物體的回波通通視為了“背景”。而行駛中的車輛，相對于靜止的地面等背景是有速度的，于是它們就“脫穎而出”。
這就造成了一種可能：如果是一輛停下來靜止不動的車，會不會就混入了“背景”之中？所以包括此次事故車蔚來ES8在內，許多使用了毫米波雷達作為ACC傳感器的品牌，才會在車主手冊中加入這么一條：如前車靜止或緩行，xxx存在無法剎停的風險。
來自蔚來ES8車主手冊其實不光是汽車自動駕駛，這個問題甚至在軍事領域也一樣存在。
軍用飛機希望躲過多普勒雷達的追捕，有一種常用的方法叫做“39機動”，“39”代表3點鐘方向到9點鐘方向，即橫過來垂直于對方雷達飛行。這時在雷達的主要探測方向上，飛機的相對速度與地面背景是一樣的，也就有可能偷摸兒從多普勒雷達的追蹤下溜走。
截取自B站up主@tifafan毫米波or視覺識別
在汽車領域，毫米波雷達借助多普勒效應識別出正在行駛的車輛（他們的位置和速度），而對于靜止的物體則需要加以甄別：它究竟是不該出現的障礙物，還是路面背景的一部分？
這并不是一件容易的事，因為在雷達眼里，世界并不是（我們想象中的）這樣：
而是這樣：
現在已經應用的車載毫米波雷達，基本都不具備將探測到的物體具象化的能力，并且都無法識別高度坐標。也就是說同樣在路中間但橫跨在路上方的路牌，和真正停在路中間的車輛，在雷達眼里是不容易區分的。為了防止識別錯誤導致的頻繁緊急制動等情況，毫米波雷達通常干脆放棄了對靜止和低速物體的探測，而將這些任務交給視覺識別系統。
配備毫米波雷達的高級輔助駕駛系統，基本都同時擁有視覺識別（攝像頭）。但視覺識別眼下還完全不具備100%的識別可靠性：攝像頭可能被遮擋沾污，取決于各家算法的覆蓋程度不同，可能無法識別所有出現在路上的物體（比如工程車）。
視覺識別高度依賴機器學習的積累，和最終得到的識別算法，雖然識別能力一直在提高，但眼下總會有一些情況尚未覆蓋到的。同時視覺識別也容易受到外界條件的干擾，天氣、塵土等等都會影響使用效果。
說到底，就是目前、市面上、任何已經投入使用的“自動駕駛”功能，都完全沒有信心敢打包票說自己能應對可能出現在路上的任何狀況。這壓根就不是一個技術問題——否則Level 2就不會被定義為“需要駕駛員始終保持注意力”；這是一個純粹的使用和宣傳問題，一個“為什么全行業都在將輔助駕駛強行渲染成‘自動駕駛’”的問題。
（聲明：本文僅代表作者觀點，不代表新浪網立場。）
作者簡介
