特斯拉自动驾驶事故频出 车主怒斥拿命跑数据

　　专家解读

　　针对调查中遇到的问题，《建约车评》还请教了清华大学计算机系教授邓志东、360车联网安全实验室主任刘健皓、地平线创始人余凯、主线科技创始人张天雷、Innovusion创始人鲍君威及禾赛科技创始人李一帆等多位业内专家，得出的结论如下：

　　1.静态障碍物无法识别

　　对车主及“用户手册”里面提到的特斯拉经常无法识别静态障碍物的问题，余凯、李一帆等业内人士的解释是，毫米波雷达是基于多普勒效应(当发射源与接收体之间存在相对运动时，接收体接收的发射源发射信息的频率与发射源发射信息频率不相同)，如果没有相对速度，检测是比较难的。

　　但邓志东教授的解释则与此不同。“所谓静态障碍物只是相对于路面是静止的，相对于后面的自动驾驶汽车，它仍然是相对运动的。不管使用摄像头、激光雷达还是毫米波雷达，任何传感器的测量都有噪声，更何况自动驾驶汽车本身还存在着导航误差。靠这些去实时估计前方障碍物的速度是否为零或是否静止，实际是不可能完全准确的。“

　　邓志东认为，与人类驾驶员、激光雷达相比，毫米波雷达的测量噪声最大，对运动参数的估计最不准确。“由于动、静态障碍物判断不准确，当运动参数估计出现较大误差时，就很有可能触发非正常的‘在该减速时突然加速’现象。障碍物检测与运动参数估计算法目前还不成熟。”

　　李一帆、鲍君威和张天雷均认为，如果加上激光雷达，“探测失灵”的概率将会大幅度下降。

　　根据李一帆的解释，雷达/激光雷达的探测能力受波长影响很大，波长太长的话，探测性能就会受到制约。通常，激光雷达的波长是nm级，而毫米波雷达的波长则是mm级。

　　鲍君威说，根据他们做的多次试验，“可以确定的是用激光雷达，尤其是Innovusion图像级的激光雷达Hi Def，静态动态我们都能探测到障碍物在那，即使不能认出具体是什么东西，但也知道它在那，不会让车撞上去。”

　　张天雷认为，特斯拉要从L2过渡到L4，激光雷达是必不可少的。“在L4的整体架构下，高精地图、多传感器融合、智能决策等等模块结合在一起，就会避免很多这些问题。”

　　事实上，特斯拉应该也早已意识到了这个问题。尽管马斯克曾经口口声声说不会用激光雷达，但在2016年5月份的那次致命事故后不久，特斯拉就被爆出正在“偷偷摸摸地”在自己的车上装上Velodyne激光雷达搞测试呢。也有可能，用激光雷达测速，早在事故发生前就开始而已，只是当时没被发现而已。

　　还有一个不太引入注目的消息是，马斯克于2014年参与了固态激光雷达公司Quanergy的天使轮融资。不要以为这只是“财务型投资”。据 Quanergy 公司中国区负责人在一次论坛上透露，Elon Musk 本人经常会到访 Quanergy 位于美国硅谷的总部，并和他们一起聊自动驾驶未来的发展。

　　可以断定，马斯克就是在等机会，一旦固态激光雷达技术成熟并且价格也可承受，特斯拉应该就会采用。

　　2.无法识别石墩

　　至于石墩无法被识别出来，就不仅仅是因为它“静止”了，而且，还因为数据库里没有这个模型。

　　360车联网安全实验室主任刘健皓说：“首先要明确静态障碍物是什么，毫米波雷达对不同的障碍物的感知能力是存在差异的。检测汽车比较容易，但对石墩、锥桶这种形状不规则的障碍物，即便检测到了，由于算法的数据库中没有对应的模型，也无法显示在HMI(人机交互界面)中。“

　　刘健皓认为，做自动驾驶算法的多是高校和研究机构的专家，真正来自产业界的人很少。这些高校里的人虽然能做出很优秀的算法，但由于对具体的驾驶场景了解不够，导致在实际环境下的“障碍物数据库”还不够丰富。

　　对无法识别石墩、石柱子这种问题，刘健皓给出的对策是：完善模型数据库，改进算法。

　　实际上，数据库里没有石墩子的模型，这可能是“不了解中国国情”的车企才会遇到的问题。出事车辆Model S上用的处理器是Mobileye的EyeQ 3，但EyeQ3的模型训练多主要针对欧美路况，所以对于中国的道路检测准确度会下降也是正常。

　　相比之下，地平线、小鹏汽车等公司都强调，自动驾驶的算法设计“特别针对中国的道路场景”。在中国的道路上，石墩是很常见的，我们可以预测，待地平线的芯片应用在量产车上时、待小鹏汽车批量上路时，石墩检测将不再成为一个问题。

　　3.自动刹车

　　关于自动刹车，刘健皓和邓志东都认为，系统并不会无缘无故地自动刹车，肯定是传感器把它“看到”的什么东西误读为障碍物了。业界将这种现象称为“误检”。所有的自动刹车，都是由“误检”引起的。

　　为了对特斯拉的自动驾驶安全系统进行研究，刘健皓的团队曾经在2016年“黑进”其系统，干扰传感器的工作。当时，他们远程蔽掉一个超声波传感器，导致车上的其余11个超声波传感器也停止工作。

　　结果，前面明明没有车，但传感器却检测到有一辆车，强制车辆停下，急刹车;或者，在倒车时，明明后面没人，但传感器检测到后面有人，让倒车无法进行。这就是发生了“误判”。

　　通过这项研究，360汽车安全团队给特斯拉提交漏洞，证明了其传感器不可靠，这就有了后来的Autopilot 2.0版——计算平台从EyeQ 3改为PX 2，摄像头也由1个前置摄像头改成8个环视摄像头。

　　当然，即便是没有黑客入侵，误检的问题也会经常出现——被探测物体的材质特殊、形状不规则，或者是传感器的“噪声”等原因所致。

　　特斯拉(中国)官网上在2016年9月发的一篇文章中说，任何凹型的金属表面不仅仅会反光，更会将反射信号放大数倍，进而导致误检。“比如，一个丢弃在公路上的易拉罐，如果凹状瓶底朝向车头，就会被显示成为一个大型的危险障碍物”。

　　邓志东举例说，“比如，高速行驶的时候，在上下桥梁处偶尔会因路面出现的“噪声”等造成误检，以为前方出现了“障碍物”，于是就开始自主刹车。这种错误，毫米波雷达相对会更经常出现。”

　　与误检现象相对应的另一个问题是漏检。将漏检做到0，是自动驾驶汽车上路时所必须满足的基本指标;但同时还要将误检做到0，就相当于障碍物检测100%可靠，这是不太可能实现的。

　　偶尔刹刹车，虽然会让人感到不舒服，但也不至于有灾难性后果——因此，无人车就遵循“宁可枉杀千人，不可使一人漏网”的策略，可以允许误检，但决不能漏检。

　　误检的危害性：1.会出现一些莫名其妙的急刹车，影响乘坐体验;2.自动驾驶汽车由于误检自动刹车，如果后面是人类驾驶的汽车，而且没有及时刹住车，则前面的自动驾驶汽车便可能被追尾。

　　如何降低误检率?

　　特斯拉官网那篇文章中提到的做法是——拥有更为详细的点云数据。为了获取更详细的点云数据，特斯拉采取了以下几招：

　　1.)在2016年9月将Autopilot的软件系统升级到8.0版，对现有硬件进一步挖掘，让雷达可以探测到的周边物体(数量)达到以前的六倍，并且有能力在每一个物体上获得更多细节信息。

　　2.)整合每隔0.1秒获取的雷达快照，汇编成为现实场景的"3D"影像。(通常)通过单一影像帧，很难知道物体是移动的，静止的，或者只是反光造成的虚像;而通过比较包含车辆速度、预期轨迹信息的连续影像帧，则可以分辨前方物体是否是真实的，同时预估发生碰撞的概率。

　　3.)通过机器学习功能标定出那些容易误导传感器(雷达)的场景，将其添加进“白名单”。

　　邓志东给出的两条建议是：

　　1.)建立数据库 把容易出现误检的场景列举出来形成白名单，以后直接“放行”。这条跟特斯拉目前的做法是一样的。

　　2.)多传感器融合 误检的问题，采用单一传感器是不可能彻底消除的。但采用噪声水平更低的激光雷达和摄像头进行多传感器融合，误检率会降低。