關于蘑菇說：

自動駕駛技術正在逐漸走進你我的生活，不少人對它充滿好奇。有人已經在街頭看到過自動駕駛的車輛，甚至體驗過自動駕駛服務，也有人對這項新技術感到陌生，甚至心存疑慮。

作為全球領先的自動駕駛全棧技術和運營服務提供商，蘑菇車聯官方微信公眾號將從即日起開設一檔自動駕駛科普專欄，講解大家關心的技術知識、暢享未來的出行生活。同時歡迎讀者評論、留言、私信，把想了解的問題發給我們，我們將盡力解答。

本期將從“為什么自動駕駛難以識別靜止物體”的話題開始。

今年 5 月，美國網友Joel Johnson在YouTube上發布了一條視頻：一輛谷歌Waymo自動駕駛出租車，在遇到建筑工地放置的一排交通錐后，系統受到迷惑，不再前行，停在鳳凰城郊區一條繁忙的馬路中間，造成了14分鐘的交通堵塞。

除了交通錐，絕大多數意外出現的靜止障礙物都是自動駕駛的大敵。2019年，在美國印第安納州，一位用戶駕駛特斯拉Model 3在州際公路撞上了一輛靜止停放的消防車。事后報告稱：特斯拉未能觀察到停放在車道上的消防車。Model 3今年3月和7月的兩起事故同樣源自撞上停放的汽車。

Waymo和特斯拉分別代表了當今自動駕駛陣營中的“激光雷達+高精地圖派”和“純計算機視覺派”。對二者來說，靜止目標的識別都非常難。

首先，路面上臨時出現的路障、三角、警示牌、施工作業區由于出現的周期太短，往往無法被現成的自動駕駛高精地圖收錄。于是識別上述物體的任務落在本就壓力山大的自動駕駛機器頭上。

機器感知與人類感知的邏輯不同。人眼可以清晰看到前方路標、路牌、前車尾燈并將其分類，而機器識別的結果只能由數據和算法決定。開放道路場景千變萬化，只要物體簡單變換外觀，就必須重新識別。機器或許能識別出一個推自行車的行人，但難以在短時間內識別一個戴皮卡丘頭套推車的行人。數據場景庫的豐富度和算法質量不足以應付這一罕見場景。

靜止物體的感知和識別是更有難度的工作。在自動駕駛感知系統中，雷達“看到”的是點云，攝像頭“看到”的是圖像像素，二者數據特征不同，需要復雜的融合過程。反觀移動的目標點，由于一直在變化，相對容易判斷。而靜止障礙物混在靜止路牌、路標、綠植中，只有經過多輪篩選才能標識出。一旦算法不夠成熟，很容易出現某一傳感器識別出障礙物，但被承擔巨大高速運轉壓力的算法當作錯誤或不重要數據直接過濾。

綜合來看，自動駕駛難以識別靜止物體的原因在于：這是一場沒有高精地圖支援，機器數據融合與篩選難度高，算法權重小，還經常遭遇罕見場景的感知“大考”。

這也是車路協同發揮價值的重要舞臺。車路協同為自動駕駛感知提供及時、精確的信息保障。架設在路口交通燈桿高處的攝像頭和雷達能夠游刃有余地識別臨時交通錐或應急車道停放的奇異拖車，通過V2X將其提前告知途徑車輛。車輛在距靜止障礙物較遠時已做好防范，從而規避安全隱患。

在蘑菇車聯的“車路云一體化”自動駕駛系統實踐中，曾有這樣一個案例。自動駕駛汽車途徑4個為應對疫情而臨時搭建的核酸檢測站，站點周邊還加設了密密麻麻的一米欄。通過車路協同，車輛逆向繞行避障，隨后順利回到車道。

在“車路云一體化”的體系中，路側和云端感知理論上可以提前預知500m、1km、5km甚至10km外的所有靜態和動態交通信息，實現全局感知，為自動駕駛汽車提供必要的預測、預警信息。這一系統目前應用在蘑菇車聯位于北京、上海、江蘇、浙江、湖北、四川等地的自動駕駛商業化項目，覆蓋城市開放道路、園區、港口、機場、高速公路、高校等全場景。

及時、精確的信息獲取是保障自動駕駛感知安全的根本前提。無論自動駕駛還是人類駕駛，行駛安全性都只取決于2個核心因素，一是有沒有看到周圍危險情況；二是能否及時決策或時間夠不夠及時處理。在信息獲取精確及時性、決策時效性兩個方面，車路協同都在大幅提升自動駕駛安全性。

責任編輯：haq