自動駕駛老司機的自我修養——詳解Tesla首起致命車禍

雷鋒網按：本文作者夾子，微信公眾號 Roboticists。

 “一個致命的事故一定是由多個小的錯誤組成的。” 

今天（7月1日）一早，特斯拉發表博客敘述了NHTSA（美國國家公路交通安全管理局）正在著手調查第一起Tesla自動駕駛致死的車禍（點擊可看）。該車禍是今年5月7日美國弗羅里達洲一位名叫Joshua Brown的40歲大哥開著一輛以自動駕駛模式行駛的Model S在高速公路上行駛，全速撞到一輛正在垂直橫穿高速的白色拖掛卡車（如圖）。

駕駛員以及Autopilot(Tesla的自動駕駛系統)都未對該卡車進行有效的反應（轉向或減速），以至于Model S直接撞上了拖掛卡車的側面并且從卡車下面鉆了過去，直接變成了Tesla Roadster。

這確實是一件大事，因為NHTSA可以決定某種車型是否進行召回。Tesla也非常緊張，在博客中提及了非常多的細節，包括藍天背景加上白色卡車容易被識別為云彩，并且拖掛卡車側面從Tesla Autopilot的視角看是懸浮在地面上的，這種非常少見的情況導致了Autopilot系統的漏檢。并且車輛碰撞位置為Tesla的擋風玻璃使得Tesla的碰撞安全系統無法發揮作用，這導致了駕駛員的死亡。

本文將從專業的角度敘述該車禍的大致原因，以及后續避免此類車禍的方式方法。

｜為什么會漏檢？

首先我們需要了解Tesla Autopilot系統中所使用的傳感器：

• 擋風玻璃中間的Mobileye EyeQ3視覺系統

• 前保險杠下方的毫米波雷達

• 車輛四周的12個超聲波傳感器

很不幸，我們認為在這起致命的車禍中，所有的傳感器都漏檢了。

對于Mobileye EyeQ3視覺系統，一個漂浮于地面的白色物體被漏檢有以下幾個原因：

1.  Tesla Autopilot選用的攝像頭為長焦鏡頭。當白色拖掛卡車進入視覺區域內的時候，攝像頭只能看到懸浮在地面上的卡車中部，而無法看見整個車輛。這使得Mobileye的障礙物識別系統無法識別出障礙物是一輛卡車，而更可能是飄在天上的云。

2. 漂浮物體檢測。筆者曾和Mobileye的工程師溝通過，EyeQ3系統有許多特殊情況(Corner Case)，漂浮物體是其中比較難以解決問題，包括道路救援車以及雙層的車輛運輸卡車，Mobileye很難很好理解漂浮在空中的物體。

3. 大面積白色障礙物檢測。當年，Mobileye以單目攝像頭進行障礙物檢測，技驚四座。這中間的單目障礙物檢測算法非常重要，但對于大面積白色物體的障礙物檢測時，無論是學術界的最新算法，還是Mobileye都不能很好得解決該問題：由于大面積白色物體很難從圖像中提取特征點，使得基于點的相機姿態求解沒有足夠的數據輸入，導致大面積白色障礙物的漏檢率非常高。

對于毫米波雷達系統，原因主要是其安裝位置過低。一般的毫米波雷達垂直視角在±5°以內，導致當Tesla靠近拖掛卡車側面時，雷達波束從下側穿過了卡車，導致漏檢。

對于超聲波雷達，其測量距離過短（2米左右），在高速行駛中基本無法探測縱向障礙物。

最后，最重要也是最致命的漏檢，是駕駛座上的駕駛員。Tesla Autopilot系統是一個公用測試版的系統，要求駕駛員時刻注意車輛狀態以避免出現事故。但據卡車駕駛員Frank Baressi原話是，（出車禍時）Tesla的駕駛員正在玩哈利波特游戲。于是最后一道防線被擊潰，Model S車毀人亡。

｜如何避免漏檢？

從上文看，是不是當面對垂直行駛的白色拖掛卡車，所有自動駕駛汽車都只能坐以待斃了？當然不是。只是從技術上分析，我們認為以Tesla當前的Autopilot系統，漏檢無法避免。

什么樣的自動駕駛系統可以避免漏檢？如何改進Tesla Autopilot系統？從根本上，我們認為Tesla Autopilot系統缺少了面對特殊情況的冗余性。自動駕駛技術如今可以解決大部分的問題，如Mobileye認為他們的視覺系統識別率可以達到90%以上（具體數字無法透露）。但這一切都是基于Mobileye的測試數據得出的結論。當遇到如本次事故中的情況，顯然它并不在測試數據中，這種特殊情況在平時測試時無法窮舉，也就是說有許多特殊情況在產品開發時無法考慮周全。再比如毫米波雷達，有很多數據表明，毫米波雷達無法測量到卡車的底盤，引起多起自動跟車事故?？偟膩碚f，這起事故表明，Mobileye視覺系統加上毫米波雷達不足以解決事故中的情況。

我們必須承認，沒有完美的自動駕駛系統，所以我們需要更多不完美的系統。

下一代的自動駕駛系統一定會使用更多的傳感器來避免類似事故的發生。增加的傳感器一定能覆蓋本事故的情況，并在類似的情況中不會發生漏檢。

｜成為自動駕駛老司機的關鍵

當汽車以120km/h的速度在高速上行駛時，至少需要擁有200米的預判（6s的反應時間）。該預判需要知道前方障礙物的信息，主要包括障礙物的距離與速度。其中對距離的測量是重中之重：如本次事故就缺少了對障礙物距離的有效測量，導致系統無法進行有效的操作。當前自動駕駛研究中有多種測量前方障礙物距離的方案，主要的方案如下：

• 單目相機光流法：Mobileye基于圖像的深度計算主要使用這種算法，在本次事故中證明無效。

• 雙目相機視差法：雙目相機如同人類的眼睛，但當前主要的雙目相機方案的基線（雙母攝像頭光軸的距離）在10cm~12cm之間，當障礙物距離超過20米時，深度分辨率急劇下降。在100米之外基本無法得到障礙物的距離。

• 激光雷達(LiDAR)測距法：LiDAR是最近各類自動駕駛新聞中出鏡率非常高的測距傳感器，使用光學測距法，測量車輛四周的障礙物距離情況。測量距離可以達到200米，精度約±3cm。但價格較高，且在雨雪天會受到較大的干擾。

既然Autopilot的基于相機+毫米波雷達的方案無法避免此類事故，下一代自動駕駛技術所需的傳感器自然已經有了答案：我們看到激光雷達(LiDAR)在自動駕駛系統中發揮著越來越重要的作用——從DARPA挑戰賽走出的無人駕駛汽車，到最新一代奧迪的自動駕駛汽車。隨著價格的降低與技術的成熟，激光雷達將會走入人們的行車生活，帶來更安全的自動駕駛體驗。

雷鋒網注：轉載請聯系授權并保留作者信息和出處，不得刪減內容。

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。