小鹏汽车事故的背后：无人驾驶的困境

本文来自微信公众号： 爱思考的柚子（ID：icetea375m） ，题图来自：视觉中国

小鹏汽车日前发生一起事故。视频可能有人没看，大致情形是一辆车停在高架的内车道，驾驶员下车摆弄三脚架，后车小鹏高速撞上来，没看到刹车迹象。据说速度80km/h，开了辅助驾驶。

类似事情发生了很多起。2021年蔚来撞上了高速上停在路边的养护车，死了一个车主。特斯拉撞上了停着的卡车，车主和乘客也死亡了。

美国国家公路交通安全管理局 （NHTSA） 今年6月曾发布数据称，在2021年7月至今年5月15日期间，12家汽车公司向其报告了367起涉及辅助驾驶系统的撞车事故。

为啥现在L2的辅助驾驶对于静止物体无法识别，导致致命的撞车事故？

首先，我们要找到罪魁祸首，再去分析问题。

各家辅助的技术路线不一样，特斯拉是三目，小鹏等是双目/三目+毫米波雷达。但毫米波雷达是不用来识别静态物体的，这项工作的职责是摄像头。

摄像头的问题有2类：

1. 摄像头拍到了物体，但在高速时无法快速计算出碰撞的距离和时间。这次小鹏的事故估计是这类。

小鹏的感应设备多，单个设备信息量大，所以大量信息是在感应设备进行第一道处理，将处理后的数据传到中央处理器来处理，形成决策，最后执行。

这个流程会产生两个问题一是流程过长，导致响应太慢。二是中央处理器的算力小，且花费大量处理多种信号的融合，难以调出算力来应对突发情况，导致反应慢。

简单来说，高速行驶时，算力不足，无法处理大量的信息。低速状态下算力充足，则表现良好。如小鹏在停车时，虽然也有很多静止物体，表现却很好。

算力的问题，虽然Nivida推出了Orin，多个堆积可以达到1000算力，比现在提升了10倍。但实际可用算力会打很多折扣，算力不足的问题并不能解决。折扣的原因有很多，如编译器的效率 （将软件指令转化为硬件指令的效率） 、算法代码的效率 （多种算法，导致代码过多，软件执行效率低） 。

2. 摄像头无法识别物体，如距离、类型等。之前蔚来撞上养护车估计是这类。

具体原因也有两种：

一是这类车辆比较特殊，没有被标签过，所以算法识别不了。由于识别不了，碰到不明物体，算法无法下决策就会导致没有下达刹车的执行指令，就会撞上去。当时Uber撞上推车的行人就是这类。

这类错误发生的概率可能现在并不高，因为可以加入优先级最高的防撞系统，强制刹车，降低撞击的速度。但不可能避免撞击，因为这类系统的准确度要极高，不然平时老介入就会产生开两步刹一下的情况 （幽灵刹车） 。这车就没法开了。

另一种是这些车辆都会发出特殊的光线，干扰了摄像头的测量距离。但这是有办法的解决的。

懂摄影的朋友知道，一张照片过曝/过暗时，是很难看清内容的。但经过调整色阶、亮度和对比度来还原。智能手机这几年在夜景拍摄的进步，大家都有感觉。同理在智能驾驶，这也是算法优化的工作。

但算法需要优化的地方太多了。从优先级看，这类属于长尾的小概率事件，可能不如识别市区各种交通指示，在无灯时左拐等常用场景的优先级高。

事实上，靠人力和车辆从现实中收集是无法穷尽这些小概率的事件的，只有依靠算法模拟各种变态场景，然后上车做影子测试，与实际司机驾驶情况对比，反反复复才有可能降低此类事故发生的概率。

简单说，小概率事件需要耗费大量时间来解决。

总结一下： 现有硬件和算法的水平，辅助驾驶只是个“菜鸟司机”，我们还得把手放在方向盘上。

本文来自微信公众号： 爱思考的柚子（ID：icetea375m） ，题图来自：视觉中国