特斯拉自動駕駛事故頻出 車主怒斥拿命跑數據

　　專家解讀

　　針對調查中遇到的問題，《建約車評》還請教了清華大學計算機系教授鄧志東、360車聯網安全實驗室主任劉健皓、地平線創始人余凱、主線科技創始人張天雷、Innovusion創始人鮑君威及禾賽科技創始人李一帆等多位業內專家，得出的結論如下：

　　1.靜態障礙物無法識別

　　對車主及“用戶手冊”里面提到的特斯拉經常無法識別靜態障礙物的問題，余凱、李一帆等業內人士的解釋是，毫米波雷達是基于多普勒效應(當發射源與接收體之間存在相對運動時，接收體接收的發射源發射信息的頻率與發射源發射信息頻率不相同)，如果沒有相對速度，檢測是比較難的。

　　但鄧志東教授的解釋則與此不同。“所謂靜態障礙物只是相對于路面是靜止的，相對于后面的自動駕駛汽車，它仍然是相對運動的。不管使用攝像頭、激光雷達還是毫米波雷達，任何傳感器的測量都有噪聲，更何況自動駕駛汽車本身還存在著導航誤差。靠這些去實時估計前方障礙物的速度是否為零或是否靜止，實際是不可能完全準確的。“

　　鄧志東認為，與人類駕駛員、激光雷達相比，毫米波雷達的測量噪聲最大，對運動參數的估計最不準確。“由于動、靜態障礙物判斷不準確，當運動參數估計出現較大誤差時，就很有可能觸發非正常的‘在該減速時突然加速’現象。障礙物檢測與運動參數估計算法目前還不成熟。”

　　李一帆、鮑君威和張天雷均認為，如果加上激光雷達，“探測失靈”的概率將會大幅度下降。

　　根據李一帆的解釋，雷達/激光雷達的探測能力受波長影響很大，波長太長的話，探測性能就會受到制約。通常，激光雷達的波長是nm級，而毫米波雷達的波長則是mm級。

　　鮑君威說，根據他們做的多次試驗，“可以確定的是用激光雷達，尤其是Innovusion圖像級的激光雷達Hi Def，靜態動態我們都能探測到障礙物在那，即使不能認出具體是什么東西，但也知道它在那，不會讓車撞上去。”

　　張天雷認為，特斯拉要從L2過渡到L4，激光雷達是必不可少的。“在L4的整體架構下，高精地圖、多傳感器融合、智能決策等等模塊結合在一起，就會避免很多這些問題。”

　　事實上，特斯拉應該也早已意識到了這個問題。盡管馬斯克曾經口口聲聲說不會用激光雷達，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”在自己的車上裝上Velodyne激光雷達搞測試呢。也有可能，用激光雷達測速，早在事故發生前就開始而已，只是當時沒被發現而已。

　　還有一個不太引入注目的消息是，馬斯克于2014年參與了固態激光雷達公司Quanergy的天使輪融資。不要以為這只是“財務型投資”。據 Quanergy 公司中國區負責人在一次論壇上透露，Elon Musk 本人經常會到訪 Quanergy 位于美國硅谷的總部，并和他們一起聊自動駕駛未來的發展。

　　可以斷定，馬斯克就是在等機會，一旦固態激光雷達技術成熟并且價格也可承受，特斯拉應該就會采用。

　　2.無法識別石墩

　　至于石墩無法被識別出來，就不僅僅是因為它“靜止”了，而且，還因為數據庫里沒有這個模型。

　　360車聯網安全實驗室主任劉健皓說：“首先要明確靜態障礙物是什么，毫米波雷達對不同的障礙物的感知能力是存在差異的。檢測汽車比較容易，但對石墩、錐桶這種形狀不規則的障礙物，即便檢測到了，由于算法的數據庫中沒有對應的模型，也無法顯示在HMI(人機交互界面)中。“

　　劉健皓認為，做自動駕駛算法的多是高校和研究機構的專家，真正來自產業界的人很少。這些高校里的人雖然能做出很優秀的算法，但由于對具體的駕駛場景了解不夠，導致在實際環境下的“障礙物數據庫”還不夠豐富。

　　對無法識別石墩、石柱子這種問題，劉健皓給出的對策是：完善模型數據庫，改進算法。

　　實際上，數據庫里沒有石墩子的模型，這可能是“不了解中國國情”的車企才會遇到的問題。出事車輛Model S上用的處理器是Mobileye的EyeQ 3，但EyeQ3的模型訓練多主要針對歐美路況，所以對于中國的道路檢測準確度會下降也是正常。

　　相比之下，地平線、小鵬汽車等公司都強調，自動駕駛的算法設計“特別針對中國的道路場景”。在中國的道路上，石墩是很常見的，我們可以預測，待地平線的芯片應用在量產車上時、待小鵬汽車批量上路時，石墩檢測將不再成為一個問題。

　　3.自動剎車

　　關于自動剎車，劉健皓和鄧志東都認為，系統并不會無緣無故地自動剎車，肯定是傳感器把它“看到”的什么東西誤讀為障礙物了。業界將這種現象稱為“誤檢”。所有的自動剎車，都是由“誤檢”引起的。

　　為了對特斯拉的自動駕駛安全系統進行研究，劉健皓的團隊曾經在2016年“黑進”其系統，干擾傳感器的工作。當時，他們遠程蔽掉一個超聲波傳感器，導致車上的其余11個超聲波傳感器也停止工作。

　　結果，前面明明沒有車，但傳感器卻檢測到有一輛車，強制車輛停下，急剎車;或者，在倒車時，明明后面沒人，但傳感器檢測到后面有人，讓倒車無法進行。這就是發生了“誤判”。

　　通過這項研究，360汽車安全團隊給特斯拉提交漏洞，證明了其傳感器不可靠，這就有了后來的Autopilot 2.0版——計算平臺從EyeQ 3改為PX 2，攝像頭也由1個前置攝像頭改成8個環視攝像頭。

　　當然，即便是沒有黑客入侵，誤檢的問題也會經常出現——被探測物體的材質特殊、形狀不規則，或者是傳感器的“噪聲”等原因所致。

　　特斯拉(中國)官網上在2016年9月發的一篇文章中說，任何凹型的金屬表面不僅僅會反光，更會將反射信號放大數倍，進而導致誤檢。“比如，一個丟棄在公路上的易拉罐，如果凹狀瓶底朝向車頭，就會被顯示成為一個大型的危險障礙物”。

　　鄧志東舉例說，“比如，高速行駛的時候，在上下橋梁處偶爾會因路面出現的“噪聲”等造成誤檢，以為前方出現了“障礙物”，于是就開始自主剎車。這種錯誤，毫米波雷達相對會更經常出現。”

　　與誤檢現象相對應的另一個問題是漏檢。將漏檢做到0，是自動駕駛汽車上路時所必須滿足的基本指標;但同時還要將誤檢做到0，就相當于障礙物檢測100%可靠，這是不太可能實現的。

　　偶爾剎剎車，雖然會讓人感到不舒服，但也不至于有災難性后果——因此，無人車就遵循“寧可枉殺千人，不可使一人漏網”的策略，可以允許誤檢，但決不能漏檢。

　　誤檢的危害性：1.會出現一些莫名其妙的急剎車，影響乘坐體驗;2.自動駕駛汽車由于誤檢自動剎車，如果后面是人類駕駛的汽車，而且沒有及時剎住車，則前面的自動駕駛汽車便可能被追尾。

　　如何降低誤檢率?

　　特斯拉官網那篇文章中提到的做法是——擁有更為詳細的點云數據。為了獲取更詳細的點云數據，特斯拉采取了以下幾招：

　　1.)在2016年9月將Autopilot的軟件系統升級到8.0版，對現有硬件進一步挖掘，讓雷達可以探測到的周邊物體(數量)達到以前的六倍，并且有能力在每一個物體上獲得更多細節信息。

　　2.)整合每隔0.1秒獲取的雷達快照，匯編成為現實場景的"3D"影像。(通常)通過單一影像幀，很難知道物體是移動的，靜止的，或者只是反光造成的虛像;而通過比較包含車輛速度、預期軌跡信息的連續影像幀，則可以分辨前方物體是否是真實的，同時預估發生碰撞的概率。

　　3.)通過機器學習功能標定出那些容易誤導傳感器(雷達)的場景，將其添加進“白名單”。

　　鄧志東給出的兩條建議是：

　　1.)建立數據庫 把容易出現誤檢的場景列舉出來形成白名單，以后直接“放行”。這條跟特斯拉目前的做法是一樣的。

　　2.)多傳感器融合 誤檢的問題，采用單一傳感器是不可能徹底消除的。但采用噪聲水平更低的激光雷達和攝像頭進行多傳感器融合，誤檢率會降低。