[首發于智駕最前沿微信公眾號]如果想讓自動駕駛汽車真正實現L5級，僅實現在城市路面行駛的能力是完全不夠的，對于一些坑洼或偏僻路段的行駛需求也會存在。對于人類駕駛員來說，看到坑洼路面，會及時地進行變道操作，而對于自動駕駛汽車來說，想要達到人類駕駛員的水平，則需要非常多的技術支持。

在聊今天的話題之前，先聊聊為什么自動駕駛汽車在設計過程中要考量坑洼路面的通過能力。對于小坑洼來說，如果不及時避開，將會給乘客或駕駛員帶來非常不舒服的“顛簸感”；而對于大的坑洼來說，更可能損壞輪轂，因此想讓自動駕駛汽車達到L5級，合理應對坑洼路面是避不開的話題。

對于人類駕駛員來說，坑洼路面只是常見的駕駛環境中的一種，可以快速辨別，快速應對，而對于自動駕駛汽車來說，想要發現“坑洼”，其實需要多傳感器、多層次協同完成。常見的做法就是把攝像頭、激光雷達（LiDAR）、毫米波雷達與車身慣性測量單元（IMU）、輪速與加速度傳感器結合起來做融合感知與推斷。攝像頭擅長捕捉表面細節和紋理，可以用于語義分割（把坑洼當作“路面異常”來分割出來）或用深度學習識別坑洞輪廓；LiDAR提供點云，可以重構路面三維形態，通過曲面擬合發現凹陷或高度突變；雷達對雨雪、霧等惡劣天氣下的探測更穩健，尤其對突起或較淺的坑洼辨識有一定作用；IMU與車載加速度計則更像“事后感知”，當車輪經過坑洼時產生的垂直沖擊會在加速度信號里留下明顯特征，通過模式識別就能把“顛簸/坑洼事件”給檢測出來。近年來也有技術方案提出把視覺、LiDAR、IMU的結合方法（例如Vision+IMU的VIDAR思路）用于路面坑洼檢測，并取得較好效果。

其實對于坑洼路面的處理，并不是感覺到坑洼就要馬上去躲，更需要靈活處理，自動駕駛汽車想完成這些操作就離不開感知模塊和決策模塊。感知模塊會給出坑洼的相對位置（橫向與縱向）、坑洼的大小/深度/嚴重度估計，以及與車輛當前速度和路徑的關系（例如距離多遠，會在多久到達）等關鍵信息。這些信息有時來自傳感器（前方攝像頭或遠距LiDAR能提前看到路面形態），有時只能依靠“接觸式”信號（加速度、振動、輪速突變在經過坑洼瞬間才會出現）。為了在可避免與不可避免之間做出合理選擇，自動駕駛系統通常會把坑洼的“嚴重度”映射成風險等級，輕微的小顛簸可以忽略或把速度做小幅緩解；中等的凹陷會觸發減速并盡量避讓到同車道安全位置；嚴重的深洞或者可能導致車輛損傷的坑洼，系統會考慮變道避讓（如果可行且安全），或者在無法安全避讓時選擇減速并通過，同時把事件上報給云端或駕駛員。這一操作邏輯的核心是“風險-代價平衡”，避讓動作本身也帶有風險（例如急轉向導致后車追尾），所以決策模塊要把坑洼造成的潛在損害和避讓帶來的交通安全風險同時考慮進來。

將整個流程拆解開來，也就是前端是感知，再到中間的預測評估，最后是軌跡生成與控制。感知層會輸出一組概率化的坑洼候選（位置、深度概率、可信度），定位與同步模塊確保坑洼的地理坐標與車輛里程、時刻對齊（時間同步很重要，否則你可能會“把坑洼放錯地方”）。隨后風險評估器根據車輛動力學模型（包含當前速度、轉向角、制動能力、軸荷等）來估算“如果不采取動作的后果”與“采取各類動作的成本”。如估算過坑時輪胎撞擊力可能超過某閾值，或車輛縱向減速會影響后方車輛安全車距。評估完后軌跡規劃器要生成平滑、安全的替代軌跡，這些軌跡可能是有限幅度的橫向偏移、連續的減速檔位，或在極少數情況下選擇“短暫停靠”并請求人工干預或遠端輔助。最后控制器把路徑轉成執行指令（轉向、油門、制動），并在通過坑洼的同時監控懸架與車輛響應，必要時調節扭矩分配或懸架阻尼（如果車輛配備半主動或主動懸架）以減緩沖擊。這樣的端到端流程需要在毫秒到秒級完成決策與執行，保證既能保護車輛又不制造更大安全隱患。

在感知的算法細節上，可以把坑洼檢測分成“直接觀測法”和“間接推斷法”。直接觀測法依賴攝像頭與LiDAR重建路面幾何，應用傳統圖像處理加深度學習（例如語義分割、實例分割）來識別坑洞邊緣，或對點云做曲面擬合并檢測異常高度差；間接推斷法則更像“從后面看人家車的反應”，通過監測前車的位移、加速度變化或車燈反射改變，來推斷前方路面出現了異常。其實結合兩類方法能彌補單一方法的不足，當視覺在逆光或夜間受限時，IMU/輪速的間接信號仍能提示存在坑洼，反之有清晰視覺時直接測量更精確。值得一提的是，基于車載振動與加速度進行路況分類的研究結果表明，利用合適的數據表示與機器學習方法，可以把路面狀態分成多類（平整、顛簸、坑洼、減速帶等）并達到較高的準確率，這對于車輛“事后識別并標注坑洼位置”很有用，也利于形成路況數據庫。

把單車檢測放大到車隊或城市級別，就進入了“地圖與協同”的范疇。自動駕駛系統可以把遇到的坑洼事件打點上報到云端，和同城車輛共享形成道路異常地圖（crowdsourced road condition map）。有了這樣的共享，后續車輛可以提前得到預警，運營端也能統計坑洼頻發路段并反饋到道路養護單位。也有研究提出“車間合作檢測”與“基于前車運動預測路面異常”的方法，后者甚至不需要高清路面重建，僅通過視覺跟蹤前車的振幅與位移模式，就能預測出前方路面可能存在不規則性，從而提前緩解。這種方法對于鋪裝不良、窄路或遮擋嚴重的城市道路尤其有價值。

自動駕駛汽車對于坑洼路面的處理，除了技術方面外，其實還有很多細節要考量。首先是誤報與漏報之間需要權衡，如果系統太敏感，頻繁減速或無謂變道會破壞乘坐舒適性并增加交通混亂；如果太保守，真正的深洞可能大打折扣。為此就需要把感知輸出與歷史數據、地圖數據、傳感器可信度以及當前交通環境一起納入決策，形成多重保險。其次是速度與識別距離的物理限制，車速越高，需要更早識別坑洼并有更長時間/距離來安全避讓；因此在高速路上，許多自動駕駛系統會采用更為保守的策略（比如提前降速），或者依賴更高分辨率的傳感器陣列來提前探測。第三是傳感器標定與機械耐久性問題，反復的坑洼沖擊會改變傳感器相對位置或直接損壞，這就要求系統具備在線自檢與重新標定能力，或者在檢測到傳感器性能下降時能退化到更安全的操作邏輯的策略。

為了更好地應對坑洼路面，現在也有很多新穎的技術方案，如有一些研究就把“主動懸架+感知”做成閉環，目標是在探測到即將到來的坑洼時預先改變懸架阻尼或車身高度，借此吸收沖擊、減少車體擺動，這在配備半主動/主動懸架的量產車上已經有商業化的先例。另一個方向是用高分辨率雷達或合成孔徑雷達來重建路面形態，但這類方法成本與計算復雜度也相應更高。還有研究把坑洼檢測的問題當成典型的“異常檢測”或“時序事件檢測”，使用深度學習模型對多傳感器時間序列進行端到端判別，這在城市低速場景中表現尤為突出。

其實對于自動駕駛車隊和城市道路管理者來說，解決坑洼問題不是單靠技術就能完全完成的，它還需要運維體系、法律責任劃分與道路維護預算的配合。自動駕駛運營者會把高頻的坑洼上報作為道路養護優先級的輸入，城市管理方也可以用車隊數據來做路面健康監測，從而優化維修資源。其實乘客對“頻繁減速避坑”與“被坑晃動”的容忍度有限，自動駕駛系統必須在舒適性、效率與安全三者之間找到合理平衡。

審核編輯 黃宇