[首發(fā)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(yīng)該如何處理？其實(shí)對于自動駕駛汽車來說，無論是常規(guī)場景，還是邊緣場景，它都是要先看見、再理解、再預(yù)測、然后在約束條件下選出最安全、最可執(zhí)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(shù)支持。

自動駕駛汽車如何理解道路？

自動駕駛汽車想要精準(zhǔn)避開障礙物，首先是要“看見”障礙物。自動駕駛系統(tǒng)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(dá)擅長測速度和穿透雨霧，激光雷達(dá)（LiDAR）給出精確的距離和三維形狀，超聲波負(fù)責(zé)近距離探測。這些傳感器各有盲區(qū)和誤差模式，攝像頭受光照影響、雷達(dá)返回有噪聲、激光雷達(dá)在強(qiáng)反射或雪雨中也會退化。因此系統(tǒng)不會只相信一種傳感器，而是把多源數(shù)據(jù)融合起來，用更魯棒的“聯(lián)合觀察”來減少偶發(fā)誤判。傳感器的數(shù)據(jù)流還必須嚴(yán)格時間同步，否則“看見”的畫面和速度信息會錯位，導(dǎo)致下游判斷出錯。這就是為什么高質(zhì)量自動駕駛車上會有嚴(yán)格的時間同步機(jī)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(diǎn)云或圖像中的亮點(diǎn)識別為行人、自行車、機(jī)動車還是落下的紙箱等）、跟蹤障礙物（把連續(xù)幀中的同一個目標(biāo)關(guān)聯(lián)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(xù)移動、是否有人在推它、是否是道路邊界的靜態(tài)物體）。現(xiàn)在的自動駕駛系統(tǒng)常用深度學(xué)習(xí)模型做目標(biāo)檢測，再配合基于物理和統(tǒng)計的跟蹤算法（比如卡爾曼濾波或其擴(kuò)展）來估計目標(biāo)運(yùn)動狀態(tài)?！袄斫狻彪A段的核心難題是應(yīng)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(dá)回波弱，LiDAR點(diǎn)稀少。自動駕駛系統(tǒng)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?yàn)樾畔⒉蝗头潘删?，也不能因?yàn)橐淮卧肼暰陀|發(fā)激烈動作。

“理解”完障礙物后接下來是“預(yù)測”障礙物的趨勢。預(yù)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(xù)沿直線走，可能突然回頭，或許會向車道中間跑。規(guī)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(yù)測，突發(fā)行為（比如球滾到馬路中央之后孩子追球）就難預(yù)測。為了應(yīng)對這種不確定性，自動駕駛系統(tǒng)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(yīng)對后果?，F(xiàn)在有技術(shù)提出使用深度模型（如序列模型或交互式預(yù)測網(wǎng)絡(luò)）結(jié)合物理模型來提高預(yù)測質(zhì)量，但預(yù)測永遠(yuǎn)不可能百分百準(zhǔn)確，因此規(guī)劃與控制必須內(nèi)建容錯，既要對最可能的情況作出最優(yōu)響應(yīng)，也要對低概率但高后果的情況保持防護(hù)。

有了對周圍物體的檢測、跟蹤和預(yù)測，系統(tǒng)進(jìn)入了“決策與規(guī)劃”階段。這一步?jīng)Q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(guī)之間做權(quán)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(dǎo)致失控。相比之下，繞開障礙物需要更復(fù)雜的軌跡規(guī)劃，必須考慮可用的路幅、周圍車輛的位置和動力學(xué)可行性（比如轉(zhuǎn)向角與速度的關(guān)系）。因此現(xiàn)代自動駕駛會使用帶約束的優(yōu)化方法（比如模型預(yù)測控制）來生成在車輛動力學(xué)約束下可行的軌跡，同時在代價函數(shù)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(guī)項（不違規(guī)越線）。但無論作何決策，都要有一個“安全層”或“規(guī)則層”的約束，無論建議什么動作，只要會導(dǎo)致不可接受的碰撞風(fēng)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(zhuǎn)換成具體的油門、剎車和轉(zhuǎn)向指令。這里涉及到精確的車輛動力學(xué)模型、輪胎與路面的摩擦系數(shù)、制動響應(yīng)延遲等物理細(xì)節(jié)。在出現(xiàn)突然出現(xiàn)的“鬼探頭”式邊緣場景式，理想上的操作一定是可以實(shí)現(xiàn)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(dǎo)致車身失穩(wěn)或乘客受傷。在低附著（濕滑、結(jié)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(tǒng)通常會結(jié)合路況估計來調(diào)整制動策略。車輛上還可能配合ABS、ESC等底層穩(wěn)定控制系統(tǒng)來幫助保持車體可控性。

自動駕駛系統(tǒng)避障設(shè)計有何考量？

為了實(shí)現(xiàn)上述的步驟，時間是最關(guān)鍵的稀缺資源。感知-決策-控制鏈條的延遲越小，系統(tǒng)能做出的動作就越有效。為此要盡量把關(guān)鍵路徑上的計算放在車端近實(shí)時運(yùn)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(yùn)行以便日后學(xué)習(xí)改進(jìn)。此外，系統(tǒng)還要設(shè)計一定的預(yù)警和“預(yù)備動作”機(jī)制，當(dāng)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(zhǔn)備可執(zhí)行的回避軌跡，這樣當(dāng)障礙物確認(rèn)時可立即執(zhí)行，從而把總體反應(yīng)時間縮短。

自動駕駛系統(tǒng)在設(shè)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(dǎo)致的盲區(qū)；算法的多樣性（例如同時使用基于規(guī)則的碰撞判斷和基于學(xué)習(xí)的預(yù)測）可以在一種方法出錯時由另一種來補(bǔ)救。功能安全標(biāo)準(zhǔn)（如ISO 26262）要求對可能導(dǎo)致危險的失效模式進(jìn)行系統(tǒng)性分析，并通過硬件和軟件冗余、故障檢測與安全降級機(jī)制來覆蓋這些場景。所謂“安全降級”并不是讓車不負(fù)責(zé)任地停在路邊，而是把車帶到一個更安全的狀態(tài)，例如減速并穩(wěn)穩(wěn)?？柯穫?cè)，或發(fā)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(shè)計。對于某些L2/L3級系統(tǒng)，人機(jī)接管（handover）是常見策略，但想迅速把控制權(quán)從系統(tǒng)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(dǎo)致危險。因此可以考慮在極短時間內(nèi)由系統(tǒng)先行采取緊急動作（比如制動或避讓），同時向駕駛員發(fā)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(rèn)。高級別自動駕駛（如完全自動化）則要求系統(tǒng)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(yù)測能力提出了很高的要求。

碰到突發(fā)障礙物時常見的策略其實(shí)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(fā)生沖突的前提下改變橫向位置完成繞行；被動減速則是優(yōu)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(yù)測場景下的最壞情況，并采取在所有合理情形下都不會導(dǎo)致不可接受后果的動作。有些公司采用“責(zé)任敏感安全”等形式化規(guī)則來定義可接受的距離與速度，從而在遇到不可預(yù)見行為時有明確定義的可操作邊界。形式化規(guī)則的優(yōu)點(diǎn)是可驗(yàn)證，但太嚴(yán)格可能導(dǎo)致頻繁的過度保守行為；而完全數(shù)據(jù)驅(qū)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(tǒng)精準(zhǔn)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(fēng)吹落的廣告牌、或是在夜間反光材料誤導(dǎo)傳感器的情況。仿真能允許開發(fā)者在安全可控的環(huán)境下反復(fù)驗(yàn)證策略與參數(shù)。與此同時，真實(shí)世界的封閉場地測試和逐步擴(kuò)展的道路測試也是不可或缺的，因?yàn)榉抡鏌o法完全復(fù)現(xiàn)傳感器噪聲、真實(shí)動力學(xué)或復(fù)雜的社會行為。真實(shí)測試中還應(yīng)特別關(guān)注系統(tǒng)在邊緣工況下的冗余表現(xiàn)與故障恢復(fù)能力。

其實(shí)很多突發(fā)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(shù)據(jù)、碰撞近失事件以及用戶上報的異常匯總到數(shù)據(jù)平臺，可以不斷標(biāo)注、訓(xùn)練和改進(jìn)模型，使系統(tǒng)在未來遇到同類情形時反應(yīng)更好。數(shù)據(jù)治理、標(biāo)注一致性和場景重放能力是提高系統(tǒng)在“突發(fā)障礙”處理能力的關(guān)鍵資產(chǎn)。

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(rèn)為“激光雷達(dá)可以解決一切”，但單一依賴LiDAR也會在某些光學(xué)反射或遮擋情況下失效。其實(shí)最可靠的方案是把多種技術(shù)組合起來，形成相互補(bǔ)充的防護(hù)網(wǎng)。一定要相信，一輛成熟的自動駕駛系統(tǒng)會在駕駛員來不及反應(yīng)的瞬間先做出最安全的動作，同時把控制權(quán)、信息和責(zé)任管理得有條不紊，盡量把風(fēng)險降到最低，而不是把決定權(quán)匆忙推給一個可能沒有準(zhǔn)備好的人。

審核編輯 黃宇