[首發于智駕最前沿微信公眾號]在交通的日常運轉中，由于電力系統維護、偶發性的供電故障或是道路施工引發的交通管制，交管部門會在十字路口臨時部署移動式紅綠燈。這種紅綠燈與我們習以為常的高懸于空中的固定紅綠燈塔架有著顯著的物理差異。它們通常由底座、蓄電池組、支撐桿以及信號燈具等組成，其整體高度顯著低于標準信號燈。這類移動式紅綠燈直接放置在地面，發光單元的高度可能僅在人體腰部左右，或者略高于普通轎車的引擎蓋。這種場景下，人類駕駛員完全可以通過經驗判斷出其存在，但對于高度依賴預設規則、幾何模型以及視線感知半徑的智能駕駛系統而言，卻是很大的一項挑戰。

物理感知層的遮擋問題與傳感器融合機制

移動式紅綠燈對智駕系統的首要影響在于其空間位置的“非典型性”。根據交通設備市場的主流規格，移動式太陽能信號燈的安裝高度具有較大的調節范圍，像是常見的TSU系列設備，其高度可以從一米左右的收納狀態調節至三米以上的展開狀態。然而，在電力故障引發的緊急部署中，為了追求安裝效率，設備一般會處于較低的物理高度。當自動駕駛汽車跟隨在一輛大型客車或廂式貨車后方進入路口時，視覺攝像頭由于受限于俯視角度和前車的物理遮擋，極易丟失對這種低矮信號燈的連續視覺追蹤。

圖片源自：網絡

攝像頭作為識別信號燈顏色特征的核心傳感器，其探測效能高度依賴于“視線通達度”。如果前車擋住了信號燈關鍵的發光區域，哪怕這種遮擋只占到了信號燈發光面的三成左右，自動駕駛系統也可能因為無法提取到完整的圓形或箭頭輪廓而判定識別失敗。在復雜的城市場景中，大車遮擋帶來的視野失真并不是“看不見”那么簡單。當大車的輪廓占滿了傳感器的視野，自動駕駛系統將難以區分前方是一個靜態的交通設施還是跟隨大車一起移動的掛件。為了應對這種問題，像是滴滴、華為以及特斯拉的提出的方案中，普遍引入了多傳感器融合的權重分配邏輯。

當視覺傳感器的確信度因為遮擋而下降時，自動駕駛系統將大幅度提升激光雷達和占用網絡的數據權重。激光雷達雖然無法直接“看清”紅綠燈的顏色，但它能以每秒數百萬次的速度發射激光脈沖，構建出前方路口的三維點云模型。即便紅綠燈被部分擋住，激光雷達依然能感知到在路口中央或邊緣存在一個具有特定幾何特征的物理實體。這種物理實體的存在，會觸發布局在智駕系統底層的占用網絡算法。占用網絡將三維空間切分為無數個細小的“體素”方塊，直接判斷這些方塊是否被物理對象占據。這種邏輯繞過了“語義識別”的陷阱，即系統不需要立刻知道這個低矮物體是什么，只需要知道那里有一個“不可穿越”的障礙物，從而在感知層面建立起防碰撞的第一道防線。

在處理由于前車遮擋導致的感知真空時，有些方案還會利用“動態數據增強”技術。這種技術通過算法實時調整攝像頭的感光參數，嘗試在復雜的背光或強光背景中提取出微弱的顏色特征信號。例如，當逆光環境占據了鏡頭大面積視野時，系統會對疑似紅綠燈的局部區域進行亮度和對比度的階梯式補償，確保發光單元的色彩飽和度足以觸發分類神經網絡的閾值。

地圖先驗信息與實時感知的語義沖突處理

對于自動駕駛系統而言，移動式紅綠燈帶來的第二個核心挑戰是“真假信號”的邏輯判斷。在絕大多數開啟了領航輔助駕駛功能的車輛中，導航地圖不僅提供路徑引導，還預存了大量的靜態基礎設施信息，這就是所謂的“地圖先驗”。當車輛駛向一個路口時，根據地圖數據，系統已經提前預知了該位置存在一組固定的燈桿。然而，當停電發生后，這些固定的燈桿熄滅了，地面上卻多出了一個地圖上從未記錄過的臨時紅綠燈。

在這種情況下，自動駕駛系統內部會發生一次嚴密的“邏輯博弈”。傳統的智駕方案可能因為過于依賴地圖信息而忽略了地面的實時信號，導致車輛在臨時紅燈前依然選擇加速。但現階段的自動駕駛系統，特別是采用“輕地圖”或“無圖”架構的方案，其核心原則是“實時感知主導，地圖輔助參考”。當系統發現地圖標注的信號燈處于不可見或熄滅狀態，而感知模塊捕捉到了地面的臨時紅綠燈時，系統會自動降低地圖信息的信任權重。

這種沖突解決邏輯依賴于道路拓撲推理（RCR）技術。RCR網絡能夠像人類一樣，根據路口的幾何特征、車道線的交匯方式以及路口停止線的位置，實時推理出合法的行車路徑。即使地面上的移動紅綠燈位置偏離了地圖上的標準坐標，RCR網絡也能識別出它在當前時空環境下所承擔的管控角色。舉個例子，如果這個臨時紅綠燈放在了路口中央的圓圈處，系統會通過深度強化學習訓練出的邏輯模型，判斷出該物體的語義信號，即當前流向受到臨時管制。

為了提高這種推理的穩定性，自動駕駛系統會采用“眾源更新”的動態機制。即如果第一輛通過路口的車輛發現地圖信息與實際路況不符（即固定燈滅了，地面有臨時燈），它會將這一差異特征上傳至云端服務器。云端大模型會迅速處理這些來自真實車流的數據，生成一個臨時性的“鮮活圖層”并下發給后續行駛至此的車輛。這種機制使得后續車輛即便在視覺被完全擋住的情況下，也能通過云端下發的臨時補丁，提前獲知路口存在移動信號燈的信息。

自動駕駛系統對臨時紅綠燈的判定會經歷幾個權衡階段。第一階段是感知一致性檢查。系統會對比攝像頭捕捉到的發光信號與激光雷達探測到的物理實體是否重合。如果攝像頭看到了紅光，但激光雷達顯示那個位置空無一物（可能是路面反射），系統會過濾掉這一錯誤信號。其次是空間邏輯校驗。智駕系統會計算檢測到的信號燈高度是否在合理的閾值內。對于地面移動紅綠燈，雖然它的高度低于常規范疇，但只要它被識別為交通管控設施，其優先級就會被提升至最高等級。

這種向“感知主導”的轉向，意味著自動駕駛系統正在變得越來越像老司機，不再機械地執行地圖指令，而是具備了根據現場環境靈活應變的基礎。這種靈活性在面對停電后的混亂路口時，是保證行車安全的關鍵。

時空序列記憶與社交化意圖推理

當然，在移動式紅綠燈場景下，還有一種極端的物體遮擋情況，那就是移動式紅綠燈完全被遮擋，此時智駕系統并不會立即處于“盲目”狀態，而是會引入基于時空序列的記憶機制。簡單理解下這個概念，那就是自動駕駛系統不會只看當前的一幀畫面，而是會回溯過去幾秒甚至幾十秒的感知結果。

如果車輛在距離路口50米時曾經看到過移動紅綠燈的信號狀態，那么在隨后靠近路口的20米處即便視野消失，自動駕駛系統內部的循環神經網絡（RNN）或Transformer模型依然會保留該物體的“隱藏狀態”。這種狀態記憶不僅包括物體的位置，還會包括它最后被觀察到的顏色。只要時間跨度在算法設定的安全范圍內，自動駕駛系統就會維持對該路口通行規則的既有認知，并結合本車的行駛距離和車速，持續更新該紅綠燈在虛擬空間中的相對坐標。

還有一種“社交化意圖推理”的方案可以解決這個問題。在復雜的交通流中，紅綠燈的信號狀態會映射在周圍車輛的行為模式上。當自動駕駛系統看不見紅綠燈時，它會開始高頻度地觀察前車的動向和周圍車流的“集體選擇”。譬如，自動駕駛系統會監測前車的剎車燈是否頻繁亮起，前車在通過停止線時是果斷加速還是猶豫不決地緩慢行駛。

通過這種對他車行為的監測，自動駕駛系統實際上在進行一種間接的信號推斷。如果前方所有車道都在排隊，且側向車道的橫向交通流開始涌動，即便本車完全看不見放在地面上的臨時紅綠燈，系統也能推斷出當前必然是紅燈狀態。這種基于“社交證據”的決策邏輯，會讓自動駕駛系統計算一個“環境一致性概率”，當觀察到前車減速且地圖顯示此處為路口時，即便視覺感知缺失，系統也會采取保守的防御性駕駛策略。

這種社交化意圖推理的算法路徑會包括兩個核心環節。第一是軌跡預測分析。自動駕駛系統不僅會跟蹤前車的當前位置，還會預測其未來3到5秒的運動軌跡。如果預測顯示前車將要在停止線前靜止，系統會提前啟動減速決策。第二是多車行為聚合。系統會同時分析左、中、右三個車道的車輛狀態。如果三個車道的車輛都表現出停止跡象，那么環境信號的確定性就會顯著增強。

為了實現這一目標，自動駕駛車輛必須具備強大的計算資源來并行處理海量數據。在特斯拉的FSD系統中，神經網絡不僅可以學習如何識別物體，還在學習預測下一幀圖像的內容。如果下一幀圖像中原本應該出現的移動紅綠燈被大車擋住了，模型會通過已有的時空權重，在內部生成一個預測副本。這種“腦補”能力雖然存在一定的誤差風險，但在處理短時遮擋時，比單純的信號中斷要可靠得多。

最后的話

移動式臨時紅綠燈對自動駕駛系統的負面影響正在通過感知層、地圖層和決策層的協同演進而被逐步消化。雖然這種低矮、易遮擋的設備確實是現階段自動駕駛的一個“軟肋”，但隨著占用網絡、時空序列記憶以及社交化推理技術的成熟，智駕車輛也將獲得在不完美環境下安全通行的能力。

審核編輯 黃宇