[首發于智駕最前沿微信公眾號]自動駕駛遇到“鬼探頭”式的邊緣場景時應該如何處理？其實對于自動駕駛汽車來說，無論是常規場景，還是邊緣場景，它都是要先看見、再理解、再預測、然后在約束條件下選出最安全、最可執行的動作。這整個鏈條看起來簡單，但每一步都需要大量的技術支持。

自動駕駛汽車如何理解道路？

自動駕駛汽車想要精準避開障礙物，首先是要“看見”障礙物。自動駕駛系統依賴多種傳感器來感知周圍世界，攝像頭提供豐富的視覺信息，毫米波雷達擅長測速度和穿透雨霧，激光雷達（LiDAR）給出精確的距離和三維形狀，超聲波負責近距離探測。這些傳感器各有盲區和誤差模式，攝像頭受光照影響、雷達返回有噪聲、激光雷達在強反射或雪雨中也會退化。因此系統不會只相信一種傳感器，而是把多源數據融合起來，用更魯棒的“聯合觀察”來減少偶發誤判。傳感器的數據流還必須嚴格時間同步，否則“看見”的畫面和速度信息會錯位，導致下游判斷出錯。這就是為什么高質量自動駕駛車上會有嚴格的時間同步機制和頻繁的傳感器自檢。

在“看見”障礙物之后就是要“理解”障礙物。這里所謂的“理解”包括檢測障礙物（把傳感器點云或圖像中的亮點識別為行人、自行車、機動車還是落下的紙箱等）、跟蹤障礙物（把連續幀中的同一個目標關聯起來，得到速度和加速度）以及語義理解（判斷這個障礙是不是可能繼續移動、是否有人在推它、是否是道路邊界的靜態物體）。現在的自動駕駛系統常用深度學習模型做目標檢測，再配合基于物理和統計的跟蹤算法（比如卡爾曼濾波或其擴展）來估計目標運動狀態。“理解”階段的核心難題是應對不確定性，比如一個小孩從車前草叢探出頭來，攝像頭只捕捉到極短時間的部分輪廓，雷達回波弱，LiDAR點稀少。自動駕駛系統需要在信息極其有限的情況下評估“這是不是危險”，并不能因為信息不全就放松警惕，也不能因為一次噪聲就觸發激烈動作。

“理解”完障礙物后接下來是“預測”障礙物的趨勢。預測并不是要算出障礙物一定會做什么，而是給出一個概率分布，它可能繼續沿直線走，可能突然回頭，或許會向車道中間跑。規則性行為（像其他車輛遵守車道、行人在人行道行走）更容易預測，突發行為（比如球滾到馬路中央之后孩子追球）就難預測。為了應對這種不確定性，自動駕駛系統會同時生成多種“可能的未來”，也就是情景樹或概率樣本，然后在這些情景下評估自己的應對后果。現在有技術提出使用深度模型（如序列模型或交互式預測網絡）結合物理模型來提高預測質量，但預測永遠不可能百分百準確，因此規劃與控制必須內建容錯，既要對最可能的情況作出最優響應，也要對低概率但高后果的情況保持防護。

有了對周圍物體的檢測、跟蹤和預測，系統進入了“決策與規劃”階段。這一步決定了車輛接下來要做什么，是急剎車、向左避讓、向右輕打方向，還是先減速再觀察。決策要在安全、舒適、法律合規之間做權衡。單純的緊急制動往往是最保守且可靠的選擇，但在很多情況下，剎車可能被后方車輛追尾，或者在冰雪路面剎車會導致失控。相比之下，繞開障礙物需要更復雜的軌跡規劃，必須考慮可用的路幅、周圍車輛的位置和動力學可行性（比如轉向角與速度的關系）。因此現代自動駕駛會使用帶約束的優化方法（比如模型預測控制）來生成在車輛動力學約束下可行的軌跡，同時在代價函數中加入安全項（與障礙物的最小距離）、舒適項（避免過大的橫向加速度）和法規項（不違規越線）。但無論作何決策，都要有一個“安全層”或“規則層”的約束，無論建議什么動作，只要會導致不可接受的碰撞風險，安全層會攔截并選擇更保守的動作。

決策一旦確定，就由“控制器”把軌跡轉換成具體的油門、剎車和轉向指令。這里涉及到精確的車輛動力學模型、輪胎與路面的摩擦系數、制動響應延遲等物理細節。在出現突然出現的“鬼探頭”式邊緣場景式，理想上的操作一定是可以實現平滑但迅速的動作，即既要迅速降低車速以避免碰撞，又不能猛然一腳剎死導致車身失穩或乘客受傷。在低附著（濕滑、結冰）路面上，車輛比高附著路面需要更早且更溫和的動作，因此自動駕駛系統通常會結合路況估計來調整制動策略。車輛上還可能配合ABS、ESC等底層穩定控制系統來幫助保持車體可控性。

自動駕駛系統避障設計有何考量？

為了實現上述的步驟，時間是最關鍵的稀缺資源。感知-決策-控制鏈條的延遲越小，系統能做出的動作就越有效。為此要盡量把關鍵路徑上的計算放在車端近實時運行，而把那些不那么緊急的高成本模型放到云端或后臺去運行以便日后學習改進。此外，系統還要設計一定的預警和“預備動作”機制，當探測到疑似障礙物但信息尚不充分時，自動駕駛汽車可以先輕度減速并同時準備可執行的回避軌跡，這樣當障礙物確認時可立即執行，從而把總體反應時間縮短。

自動駕駛系統在設計時還要考慮冗余與多樣性。傳感器的冗余可以避免單個傳感器失效導致的盲區；算法的多樣性（例如同時使用基于規則的碰撞判斷和基于學習的預測）可以在一種方法出錯時由另一種來補救。功能安全標準（如ISO 26262）要求對可能導致危險的失效模式進行系統性分析，并通過硬件和軟件冗余、故障檢測與安全降級機制來覆蓋這些場景。所謂“安全降級”并不是讓車不負責任地停在路邊，而是把車帶到一個更安全的狀態，例如減速并穩穩停靠路側，或發出明確的接管請求給人類駕駛員。

還有一個大家討論較多，且吐槽較多的，就是接管設計。對于某些L2/L3級系統，人機接管（handover）是常見策略，但想迅速把控制權從系統切回給人類有很多問題，人的注意力可能沒有集中，接管時間太長會導致危險。因此可以考慮在極短時間內由系統先行采取緊急動作（比如制動或避讓），同時向駕駛員發出清晰的提示和必要的聲音/震動警告，以便駕駛員在稍后參與或確認。高級別自動駕駛（如完全自動化）則要求系統能在更廣泛的場景下自主處理這些緊急情況，盡量減少對人類的依賴，這對感知與預測能力提出了很高的要求。

碰到突發障礙物時常見的策略其實有兩類，即主動避讓和被動減速。主動避讓意味著車輛在確保不會與其他交通參與者發生沖突的前提下改變橫向位置完成繞行；被動減速則是優先通過降低速度來避免碰撞。在選擇策略時，決策模塊必須評估各種潛在軌跡在所有預測場景下的最壞情況，并采取在所有合理情形下都不會導致不可接受后果的動作。有些公司采用“責任敏感安全”等形式化規則來定義可接受的距離與速度，從而在遇到不可預見行為時有明確定義的可操作邊界。形式化規則的優點是可驗證，但太嚴格可能導致頻繁的過度保守行為；而完全數據驅動的方法可能在極端角落案例中失效。

為了確保自動駕駛系統精準避障，一定要再測試流程中多下功夫。可以在仿真平臺上生成海量“角落案例”（corner cases），其中可以包括小動物穿越、路中央突然冒出的行李、翻倒的貨箱、被風吹落的廣告牌、或是在夜間反光材料誤導傳感器的情況。仿真能允許開發者在安全可控的環境下反復驗證策略與參數。與此同時，真實世界的封閉場地測試和逐步擴展的道路測試也是不可或缺的，因為仿真無法完全復現傳感器噪聲、真實動力學或復雜的社會行為。真實測試中還應特別關注系統在邊緣工況下的冗余表現與故障恢復能力。

其實很多突發情況都是來源于“未見過”的場景或罕見行為。通過把大量路測數據、碰撞近失事件以及用戶上報的異常匯總到數據平臺，可以不斷標注、訓練和改進模型，使系統在未來遇到同類情形時反應更好。數據治理、標注一致性和場景重放能力是提高系統在“突發障礙”處理能力的關鍵資產。

最后的話

在面對“鬼探頭”式的邊緣場景時，很多人覺得自動駕駛汽車盡快剎車一定是最安全的，但剎車在后方車流密集或路面濕滑時可能帶來更大的危險；還有人認為“激光雷達可以解決一切”，但單一依賴LiDAR也會在某些光學反射或遮擋情況下失效。其實最可靠的方案是把多種技術組合起來，形成相互補充的防護網。一定要相信，一輛成熟的自動駕駛系統會在駕駛員來不及反應的瞬間先做出最安全的動作，同時把控制權、信息和責任管理得有條不紊，盡量把風險降到最低，而不是把決定權匆忙推給一個可能沒有準備好的人。

審核編輯 黃宇